JP7071437B2 - 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 - Google Patents

Description

本開示は、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に関する。

燃焼炉内を撮像して得られる画像に基づいて、燃焼炉の状態を判定したり燃焼炉の出力を予測したりすることが提案されている。

例えば、非特許文献１には、燃焼炉における燃焼状態の画像を入力とするディープニューラルネットワークを用いて、バイオマス燃焼炉の熱により生成される蒸気の温度を予測することが記載されている。

Pal Toth等著、「Image-baseddeep neural network prediction of the heat output of a step-grate biomassboiler」、Applied Energy 200、2017年、p.155－169

ところで、燃焼炉において、燃料の供給状態に応じて、排ガス組成（排ガス中の一酸化炭素（ＣＯ）濃度や窒素酸化物（ＮＯｘ）濃度等）が変動することがある。例えば、ごみ等の不均質な燃料を燃焼するための燃焼炉では、燃料が過剰投入される事象（どか落ち）が発生することがあり、この場合、炉内の燃焼状態が不安定となり、排ガス中のＣＯ濃度が急増する。そこで、燃料の過剰投入が発生した場合には、燃料の燃焼に伴うＣＯ発生量を低減するための操作介入を迅速に行う必要がある。

従来、燃料の過剰投入の検知は、プラント運転員が、燃焼炉におけるセンサデータや燃焼炉内の画像を継続的に監視し、監視結果に基づいて燃料の過剰投入の発生有無を判定することにより行われるのが通常である。しかし、この場合、運転員毎に判定結果にバラツキがあったり、判定タイミングが遅れたりすることがある。燃料の過剰投入を適切に検知できない場合、上述の操作介入を適切に行うことができず、その結果、燃焼に伴うＣＯ発生量を適切に抑制することができず、あるいは、燃焼炉における燃焼状態が不安定になるおそれがある。

そこで、燃焼炉における燃料供給状態（燃料の過剰投入の発生有無等）を適切に推定することができれば、この推定結果を用いることで、燃焼炉の適切な運転が容易になることが期待できる。

上述の事情に鑑みて、本発明の少なくとも一実施形態は、燃焼炉における燃料供給状態を適切に推定可能な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を提供することを目的とする。

本発明の少なくとも一実施形態に係る燃焼炉の状態推定装置は、
第１期間にわたる燃焼炉内の燃焼状態を示す時系列の複数の炉内画像データを入力とする第１モデル、及び、前記第１期間よりも長い第２期間にわたる前記燃焼炉内の状態を示す１以上の状態量の時系列の複数の計測値を入力とする第２モデルを取得するように構成されたモデル取得部と、
前記複数の炉内画像データ、及び、前記第１モデルを用いて、第１出力を算出するように構成された第１出力算出部と、
前記複数の計測値、及び、前記第２モデルを用いて、第２出力を算出するように構成された第２出力算出部と、
前記第１出力及び前記第２出力に基づいて、前記燃焼炉における燃料供給状態を示すスコアを算出するスコア算出部と、
を備える。

また、本発明の少なくとも一実施形態に係る燃焼炉システムは、
燃焼炉と、
前記燃焼炉の状態を推定するように構成された上述の状態推定装置と、
を備える。

また、本発明の少なくとも一実施形態に係る燃焼炉の状態推定プログラムは、
コンピュータに、
第１期間にわたる燃焼炉内の燃焼状態を示す時系列の複数の炉内画像データを入力とする第１モデル、及び、前記第１期間よりも長い第２期間にわたる前記燃焼炉内の状態を示す１以上の状態量の時系列の複数の計測値を入力とする第２モデルを取得する手順と、
前記複数の炉内画像データ、及び、前記第１モデルを用いて、第１出力を算出する手順と、
前記複数の計測値、及び、前記第２モデルを用いて、第２出力を算出する手順と、
前記第１出力及び前記第２出力に基づいて、前記燃焼炉における燃料供給状態を示すスコアを算出する手順と、
を実行させる。

また、本発明の少なくとも一実施形態に係る燃焼炉の状態推定方法は、
第１期間にわたる燃焼炉内の燃焼状態を示す時系列の複数の炉内画像データを入力とする第１モデル、及び、前記第１期間よりも長い第２期間にわたる前記燃焼炉内の状態を示す１以上の状態量の時系列の複数の計測値を入力とする第２モデルを取得するステップと、
前記複数の炉内画像データ、及び、前記第１モデルを用いて、第１出力を算出するステップと、
前記複数の計測値、及び、前記第２モデルを用いて、第２出力を算出するステップと、
前記第１出力及び前記第２出力に基づいて、前記燃焼炉における燃料供給状態を示すスコアを算出するステップと、
を備える。

本発明の少なくとも一実施形態によれば、燃焼炉における燃料供給状態を適切に推定可能な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が提供される。

本発明の一実施形態に係る状態推定装置が適用される燃焼炉システムの概略図である。 一実施形態に係る状態推定装置の概略的な機能ブロック図である。 一実施形態に係る状態推定方法の概略的なフローチャートである。 一実施形態に係る状態推定方法の概略的なフローチャートである。 一実施形態に係る状態推定装置による炉内状態の推定結果の一例を示す時間チャートである。

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。

（燃焼炉システムの構成）
図１は、本発明の一実施形態に係る状態推定装置が適用される燃焼炉システムの概略図である。同図に示すように、燃焼炉システム１は、燃焼炉７と、燃焼炉７の炉内の状態を推定するように構成された状態推定装置１０と、を備えている。

燃焼炉７は、都市ごみ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る。なお、本発明において、燃焼炉システムを構成する燃焼炉は、ごみ焼却炉に限定されない。図１に示す燃焼炉７は、燃焼室８と、燃焼室８の下部に位置する火格子７３（ストーカ）と、燃料供給部７０と、燃焼用気体供給部７５と、を備えている。

燃料供給部７０は、燃焼炉７に燃料Ｆｇを供給するための燃料供給口７１と、燃料供給口７１に供給された燃料Ｆｇを押し込んで火格子７３上に投入するための燃料投入装置７２と、を含む。燃料投入装置７２により投入された燃料Ｆｇは、火格子７３上で乾燥、燃焼、おき燃焼される。燃焼室８は、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８１ｂ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、を含む。燃焼室８で燃焼された燃料は灰（燃焼灰）となり、灰排出口７４より炉外に排出される。

燃焼用気体供給部７５は、燃料Ｆｇの燃焼に用いられる燃焼用気体を燃焼室８に供給するように構成される。燃焼用気体供給部７５は、気体供給管７７と、気体供給管７７に設けられたブロワ７６と、を含む。気体供給管７７からの燃焼用気体は、第１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に供給されるとともに、第２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に供給されるようになっていてもよい。

燃焼用気体は、空気等の可燃性気体を含むガスである。燃焼用気体は、例えば一次燃焼領域８１から排出されるＥＧＲガス（燃焼排ガス）と空気等の可燃性ガスを混合したものであってもよい。

燃料Ｆｇが燃焼して生成される排ガスは、排ガス通路９１を通って、排ガス処理装置（不図示）を経て煙突（不図示）から排出されるようになっていてもよい。

図１に示すように、燃焼炉システム１は、炉内を撮像するための（即ち、炉内における燃焼状態を示す画像を得るための）撮像装置３２をさらに備えている。撮像装置３２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を含む。より具体的には、撮像装置３２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等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３２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。あるいは、幾つかの実施形態では、撮像装置３２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３２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。

撮像装置３２は、所定のサンプリング間隔（あるいはフレームレート）で連続的に炉内を撮像するように構成されている。撮像装置３２によって撮像された燃料Ｆｇの燃焼時の炉内の画像データ（炉内画像データ）は、状態推定装置１０に送られるようになっている。なお、炉内画像データは、状態推定装置１０に設けられる記憶装置に記憶（蓄積）されるようになっていてもよい。

また、図１に示すように、燃焼炉システム１は、炉内の状態を示す状態量を計測するためのセンサ３４（３４ａ～３４ｄ）を備えている。燃焼炉システム１に設けられるセンサ３４は、例えば図１に示すように、炉内圧力を計測するための圧力センサ３４ａ、炉内における燃焼温度を計測するための温度センサ３４ｂ、炉内の酸素（Ｏ_２）濃度を計測するための酸素濃度センサ３４ｃ、又は、炉内の一酸化炭素（ＣＯ）濃度を計測するためのＣＯ濃度センサ３４ｄを含んでいてもよい。なお、酸素濃度センサ３４ｃやＣＯ濃度センサ３４ｄは、排ガス通路９１に設けられていてもよい。

各センサ３４は、所定のサンプリング間隔で連続的に上述の状態量の計測値を取得するように構成されている。各センサ３４によって取得された計測値は、状態推定装置１０に送られるようになっている。なお、上述の計測値は、状態推定装置１０に設けられる記憶装置に記憶（蓄積）されるようになっていてもよい。

（燃焼炉の状態推定装置の構成）
図２は、一実施形態に係る状態推定装置１０の概略的な機能ブロック図である。状態推定装置１０は、燃焼炉７の炉内の状態を推定するように構成されるが、特に、燃焼炉７における燃料供給状態を推定するように構成されていてもよい。具体的には、図２に示す例示的な実施形態に係る状態推定装置１０は、上述した燃料投入装置７２によって火格子７３上に燃料が過剰投入される事象（どか落ち）が発生したか否かを推定（判定）するように構成されている。

図２に示すように、状態推定装置１０は、後述する第１モデルを取得するための第１モデル取得部１２（モデル取得部）と、後述する第２モデルを取得するための第２モデル取得部１８（モデル取得部）と、画像データ取得部１４と、センサデータ取得部２０と、第１出力算出部１６と、第２出力算出部２２と、スコア算出部２４と、状態推定部２６と、を備える。

なお、状態推定装置１０は、プロセッサ（ＣＰＵ又はＧＰＵ等）、及び記憶装置（ＲＯＭ，ＲＡＭ又は外部記憶装置等）を備えた計算機を含む。そして、メモリ（主記憶装置）にロードされたプログラム（状態推定プログラム）の命令に従ってプロセッサが動作（演算等）することで、状態推定装置１０が備える上記の各機能部を実現する。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。

第１モデル取得部１２は、記憶部３０に記憶された第１モデル４０（図４参照）を取得するように構成される。第１モデル４０は、第１期間Ｔ１にわたる燃焼炉７内の燃焼状態を示す時系列の複数の炉内画像データを入力とし、燃焼炉７内の状態を示す第１出力を出力するためのモデルである。

第２モデル取得部１８は、記憶部３０に記憶された第２モデル５０（図４参照）を取得するように構成される。第２モデル５０は、上述の第１期間Ｔ１よりも長い第２期間Ｔ２にわたる燃焼炉７内の状態を示す１以上の状態量の時系列の複数の計測値を入力とし、燃焼炉７内の状態を示す第２出力を出力するためのモデルである。

なお、記憶部３０は、状態推定装置１０を構成する計算機と同一筐体内に設けられていてもよく、あるいは、状態推定装置１０を構成する計算機とは別の装置として設けられていてもよい。また、第１モデル４０及び第２モデル５０は、図２に示すように同一の記憶部３０に記憶されていてもよく、あるいは別々の記憶部３０に記憶されていてもよい。

画像データ取得部１４は、撮像装置３２で連続的に撮像された複数の炉内画像データを受け取るように構成される。

センサデータ取得部２０は、各センサ３４（３４ａ～３４ｄ）で連続的に取得された複数の計測値を受け取るように構成される。

第１出力算出部１６は、画像データ取得部１４から複数の炉内画像データを受け取るとともに、第１モデル取得部１２から第１モデル４０を受け取り、受け取った複数の炉内画像データ及び第１モデルを用いて第１出力を算出するように構成される。

第２出力算出部２２は、センサデータ取得部２０から複数の複数の計測値を受け取るとともに、第２モデル取得部１８から第２モデル５０を受け取り、受け取った複数の計測値及び第２モデルを用いて第２出力を算出するように構成される。

スコア算出部２４は、第１出力算出部１６から第１出力を受け取るとともに、第２出力算出部２２から第２出力を受け取り、受け取った第１出力及び第２出力を用いて、燃焼炉７における燃料供給状態を示すスコアを算出する。このスコアは、例えば、燃焼炉７において燃料Ｆｇが過剰投入される事象（どか落ち）が発生した可能性の大きさを示すスコアであってもよい。

状態推定部２６は、スコア算出部２４からスコアを受け取り、該スコアに基づいて、燃料供給状態を推定（判定）するように構成されている。状態推定部２６は、上述のスコアに基づいて、燃焼炉７において燃料のどか落ちが発生した否かを推定（判定）する（すなわち、どか落ちを検出する）ように構成されていてもよい。

状態推定部２６での推定結果は、表示部３６（ディスプレイ等）に出力されるようになっていてもよい。この場合、プラント運転員は、表示部３６の表示内容に基づいて、燃焼炉７の操作を行うことができる。例えば、燃焼炉７において燃料のどか落ち発生が検出されたことが表示部３６に表示されれば、プラント運転員は、この表示に基づいて、燃料の燃焼に伴うＣＯ発生量を低減するための操作介入を行うことができる。なお、表示部３６には、図５に示すチャート（後述）の形で、推定結果が表示されるようになっていてもよい。

（状態推定のフロー）
次に、図３及び図４を用いて、幾つかの実施形態における燃焼炉７の状態推定の流れについて説明する。図３及び図４は、それぞれ、一実施形態に係る状態推定方法の概略的なフローチャートである。図４では、第１モデル及び第２モデルにおけるデータの流れが模式的に示されている。なお、以下において、上述の状態推定装置１０を用いて一実施形態にかかる状態推定方法を実行する場合について説明するが、幾つかの実施形態では、他の装置を用いて状態推定方法を実行するようにしてもよい。

図３に示すように、一実施形態では、第１モデル取得部１２により第１モデル４０を取得するとともに（Ｓ１００）、画像データ取得部により、第１期間Ｔ１にわたる時系列の複数の炉内画像データを取得する（Ｓ２００）。そして、第１出力算出部１６により、複数の炉内画像データ及び第１モデル４０を用いて第１出力を算出する（Ｓ３００）。また、第２モデル取得部１８により第２モデル５０を取得するとともに（Ｓ４００）、センサデータ取得部２０により、第１期間Ｔ１よりも長い第２期間Ｔ２にわたる時系列の複数の計測値（センサデータ）を取得する（Ｓ５００）。そして、第２出力算出部２２により、複数の計測値及び第２モデル５０を用いて第２出力を算出する（Ｓ６００）。なお、Ｓ１００～Ｓ６００の順序は、Ｓ１００及びＳ２００の後にＳ３００を行うこと、並びに、Ｓ４００及びＳ５００の後にＳ６００を行うこと以外は特に限定されず、任意の順序で行ってもよい。

ステップＳ３００における第１モデル４０を用いた計算について説明する。図４に示すように、第１モデル４０は、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）の構造を有する第１畳み込み部４２（図４では「ＣＮＮ－Ａ」と表記）及び第２畳み込み部４４（図４では「ＣＮＮ－Ｂ」と表記）と、再帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）の構造を有する第１再帰処理部４６（図４では「ＬＳＴＭ－１」と表記）と、を含む。

第１モデル４０の入力として、時刻（ｔ_０－ｎ×Δｔ_１）から時刻ｔ_０（最新の時刻）までの第１期間Ｔ１にわたる、（ｎ＋１）個の各時刻における燃焼炉７内の燃焼状態を示す時系列の炉内画像データが用いられる。ただし、Δｔ_１は複数の炉内画像データのサンプリング間隔である。すなわち、第１期間Ｔ１の長さは（ｎ×Δｔ_１）の長さに等しい。

時系列の複数の炉内画像データ、すなわち、各時刻（ｔ_０，ｔ_０－Δｔ_１，ｔ_０－２×Δｔ_１，…，ｔ_０－ｎ×Δｔ_１）の炉内画像データは、各時刻に対応する第１畳み込み部４２及び第２畳み込み部４４に入力される。

なお、第１畳み込み部４２と第２畳み込み部４４には、それぞれ異なる画像データが入力されるようになっている。例えば、第１畳み込み部４２には、各時刻において撮像して得られる画像をグレースケール処理して得られる画像データ（画像データＡ）が入力されるとともに、第２畳み込み部４４には、各時刻において撮像して得られる画像に関してフレーム間差分処理をして得られる画像データ（画像データＢ）が入力されるようになっていてもよい。

第１畳み込み部４２及び第２畳み込み部４４では、上述の画像データを入力層の入力として、畳み込み層及びプーリング層を含む畳み込みニューラルネットワークを用いて、画像からの特徴の抽出、及び画像データの圧縮が行われる。第１畳み込み部４２及び第２畳み込み部４４の出力層での演算結果は、各時刻に対応する第１再帰処理部４６の入力層の入力となる。

第１再帰処理部４６では、時刻に関して再帰的な計算が行われる。すなわち、前の時刻（例えば時刻ｔ_０－Δｔ_１）の中間層（隠れ層）の出力を次の時刻（例えば時刻ｔ_０）の中間層の入力として用いて中間層の計算を行う。これを各時刻ごとに繰り返すことで、入力データの時間経過に伴う変化を考慮したモデル計算を行うことができる。なお、第１再帰処理部４６を構成する再帰型ニューラルネットワークは、ＬＳＴＭ（Long Short-Term Memory）の構造を用いたものであってもよい。

第１再帰処理部４６の出力層での演算結果に基づき、第１出力ＯＵ_１が得られる。第１出力ＯＵ_１は、時刻ｔ_０における燃焼炉７内の状態を示すパラメータである。

ステップＳ６００における第２モデル５０を用いた計算について説明する。図４に示すように、第２モデル５０は、再帰型ニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）の構造を有する第２再帰処理部５２（図４では「ＬＳＴＭ－２」と表記）を含む。

第２モデル５０の入力として、時刻（ｔ_０－ｍ×Δｔ_２）から時刻ｔ_０（最新の時刻）までの第２期間Ｔ２にわたる、（ｍ＋１）個の各時刻における燃焼炉７内の状態を示す時系列の複数のセンサデータ（即ち、センサ３４で取得される計測値）が用いられる。ただし、Δｔ_２は複数の炉内画像データのサンプリング間隔である。すなわち、第２期間Ｔ２の長さは（ｍ×Δｔ_２）の長さに等しい。ここで、第２期間Ｔ２の長さは、第１期間Ｔ１の長さよりも長い。なお、第２モデル５０の入力として、複数種類のセンサデータ（炉内圧力、燃焼温度、Ｏ_２濃度及びＣＯ濃度）のうち１種を用いてもよいし、２種以上を用いてもよい。

第２モデル５０の入力として、上述の時系列の複数のセンサデータに加え、時刻（ｔ_０－ｍ×Δｔ_２）から時刻ｔ_０（最新の時刻）までの第２期間Ｔ２にわたる、（ｍ＋１）個の各時刻における燃焼炉７の作動状態あるいは操作状態を示す時系列の複数のデータ（操作ログ）を用いてもよい。燃焼炉７の作動状態あるいは操作状態を示すデータは、例えば、燃料投入装置７２の作動状態を示すデータ（例えば、ストロークが前進又は後退していることを示すパラメータ、又は、特定の操作コマンドがＯＮ又はＯＦＦになっていることを示すパラメータ等）であってもよい。

また、第２モデル５０の入力として、さらに、各時刻（例えばｔ_０）よりも１つ前の時刻（例えばｔ_０－Δｔ_２）における燃焼炉７における燃料供給状態を示すフラグ（例えば、１つ前の時刻に燃料が過剰投入される事象が生じたか否かを示すパラメータ）を用いてもよい。

時系列の複数の計測値等、すなわち、各時刻（ｔ_０，ｔ_０－Δｔ_２，ｔ_０－２×Δｔ_２，…，ｔ_０－ｍ×Δｔ_２）のセンサデータ、及び／又は燃焼炉７の作動状態あるいは操作状態を示すデータ、及び／又は燃焼炉７における燃料供給状態を示すフラグは、それぞれ、各時刻に対応する第２再帰処理部５２の入力層の入力となる。

第２再帰処理部５２では、時刻に関して再帰的な計算が行われる。すなわち、前の時刻（例えば時刻ｔ_０－Δｔ_２）の中間層（隠れ層）の出力を次の時刻（例えば時刻ｔ_０）の中間層の入力として用いて中間層の計算を行う。これを各時刻ごとに繰り返すことで、入力データの時間経過に伴う変化を考慮したモデル計算を行うことができる。なお、第２再帰処理部５２を構成する再帰型ニューラルネットワークは、ＬＳＴＭ（Long Short-Term Memory）の構造を用いたものであってもよい。

第２再帰処理部５２の出力層での演算結果に基づき、第２出力ＯＵ_２が得られる。第２出力ＯＵ_２は、時刻ｔ_０における燃焼炉７内の状態を示すパラメータである。

ここで、ステップＳ６００において第２モデル５０の入力となる時系列の複数のセンサデータの取得期間である第２期間Ｔ２の長さは、ステップＳ３００において第１モデル４０の入力となる時系列の複数の炉内画像データの取得期間である第１期間Ｔ１の長さの１００倍以上１００００倍以下であってもよい。

この場合、第１期間Ｔ１は第２期間Ｔ２に比べて大幅に短い。このため、データサイズが比較的大きい炉内画像データについて、第２期間Ｔ２よりも大幅に短い第１期間Ｔ１に取得される比較的少数のデータを用いることにより、計算負荷を効果的に低減することができる。

また、ステップＳ３００における上述の時系列の複数の炉内画像データのサンプリング間隔Δｔ_１は、ステップＳ６００における上述の時系列の複数のセンサデータのサンプリング間隔Δｔ_２よりも短い。

炉内燃焼状態の視覚的な情報を含む炉内画像データは、燃料供給状態の変化に対する応答が比較的速い。一方、炉内状態を示す状態量の計測値（センサデータ）は、燃料供給状態の変化に対する応答が比較的遅い。この点、上述のように、炉内画像データのサンプリング間隔Δｔ_１を比較的短く設定することにより、短時間での炉内燃焼状態の変化を第１モデル４０に反映させて適切な第１出力を得ることができる。また、炉内状態を示す状態量の計測値のサンプリング間隔Δｔ_２が比較的長いので、長時間での状態量の変化を第２モデル５０に反映させて適切な第２出力を得ることができるとともに、計算負荷を低減することができる。

上述のステップＳ３００で第１出力ＯＵ_１が算出され、ステップＳ６００で第２出力ＯＵ_２が算出されたら、第１出力ＯＵ_１及び第２出力ＯＵ_２に基づいて、時刻ｔ_０での燃焼炉７における燃料供給状態を示すスコアＳを算出する（Ｓ７００）。ここでは、上述のスコアは、時刻ｔ_０にて燃焼炉７において燃料の過剰供給される事象（多量の燃料が一度に投入される事象；どか落ち）が発生した可能性の大きさを示すスコアである。

ステップＳ７００では、スコアＳを算出するために、第１出力ＯＵ_１と第２出力ＯＵ_２との線形結合Ｂを算出するようにしてもよい（Ｓ７０２；図４参照）。ここで、線形結合Ｂは、下記式で表現できる。
Ｂ＝Ａ×ＯＵ_１＋（１－Ａ）×ＯＵ_２

また、Ｓ７００では、スコアを規定範囲内に収めるため、上述の結合処理（Ｓ７０２）の結果に対しスケーリング処理を施すことにより、スコアを算出するようにしてもよい（Ｓ７０４）。ステップＳ７０４では、結合処理（Ｓ７０２）の結果に対し、シグモイド関数を適用することで０以上１以下の数値範囲内に調整したものをスコアＳとして取得するようにしてもよい。この場合、スコアＳが１に近いほど燃焼炉７にてどか落ちが発生した可能性が高く、スコアＳが０に近いほどどか落ちが発生した可能性が低いことを示す。

ステップＳ７００に次いで、スコアＳを用いて、燃焼炉７の状態を推定する（Ｓ８００）。具体的には、燃焼炉７にてどか落ちが発生したか否かの推定（判定）を行う。ステップＳ８００では、ステップＳ７００で算出したスコアＳと閾値Ｓ_Ａとの比較に基づき、時刻ｔ_０にてどか落ちが発生したか否かを推定するようにしてもよい。すなわち、スコアＳが閾値Ｓ_Ａよりも大きい場合に時刻ｔ_０にてどか落ちが発生したと判定し、スコアＳが閾値Ｓ_Ａ以下である場合に時刻ｔ_０にてどか落ちが発生していないと判定してもよい。

（状態推定結果の例）
ここで、図５は、一実施形態に係る状態推定装置１０を用いて上述したフローに従い算出されるスコアＳ、及び、スコアＳに基づく炉内状態の推定結果（どか落ち検出結果）の一例を示す時間チャートである。図５のチャートにおいて、三角印は、算出したスコアＳと閾値Ｓ_Ａとの比較に基づき、どか落ちが発生したと推定（検出）されたことを示し、丸印は、実際にどか落ちが発生したことを示すものである。

図５のチャートからわかるように、実際にどか落ちが発生したタイミングで、各時刻に対応して算出されるスコアＳに基いてどか落ちが発生したと推定（検出）されていることがわかる。また、実際にどか落ちが発生していないタイミングで、どか落ちが発生したと推定（検出）した誤検出の頻度は少ない。したがって、上述した状態推定装置１０及びフローに基づき、燃焼炉７におけるどか落ちの発生を精度良く推定（検出）できることがわかる。

なお、上述した実施形態に係る状態推定装置１０及び状態推定方法で用いる第１モデル４０及び第２モデル５０は、それぞれ、すでに教師データを用いて機械学習を行った学習済みのモデルである。第１モデル４０及び第２モデル５０をさらに学習させることで、燃料の供給状態をより精度良く推定できることが期待できる。

第１モデル４０及び第２モデルの機械学習における教師データとして、熟練運転員等によるどか落ち発生の判断結果を用いるため、燃焼炉７の燃焼状態の分類や燃焼減少に関する深い知見を用いずに第１モデル４０及び第２モデル５０を比較的容易に学習させることができる。

なお、第１モデル４０及び第２モデル５０の機械学習においては、過学習を抑制するためのドロップアウト処理等を行ってもよい。

上記各実施形態に記載の内容は、例えば以下のように把握される。

（１）本発明の少なくとも一実施形態に係る燃焼炉（７）の状態推定装置（１０）は、
第１期間（Ｔ１）にわたる燃焼炉内の燃焼状態を示す時系列の複数の炉内画像データを入力とする第１モデル（４０）、及び、前記第１期間よりも長い第２期間（Ｔ２）にわたる前記燃焼炉内の状態を示す１以上の状態量の時系列の複数の計測値を入力とする第２モデル（５０）を取得するように構成されたモデル取得部（１２，１８）と、
前記複数の炉内画像データ、及び、前記第１モデルを用いて、第１出力（ＯＵ_１）を算出するように構成された第１出力算出部（１６）と、
前記複数の計測値、及び、前記第２モデルを用いて、第２出力（ＯＵ_２）を算出するように構成された第２出力算出部（２２）と、
前記第１出力及び前記第２出力に基づいて、前記燃焼炉における燃料供給状態を示すスコア（Ｓ）を算出するスコア算出部（２４）と、
を備える。

炉内燃焼状態の視覚的な情報を含む炉内画像データは、燃料供給状態の変化に対する応答が比較的速い。一方、炉内状態を示す状態量の計測値（センサデータ）は、燃料供給状態の変化に対する応答が比較的遅い。この点、上記（１）の構成によれば、比較的短い第１期間にわたる時系列の炉内画像データを入力とする第１モデルと、比較的長い第２期間にわたる時系列の計測値を入力とする第２モデルとを組み合わせることにより、燃焼炉における燃料供給状態を示すスコアを算出する。したがって、このスコアに基づいて、燃焼炉における燃料供給状態（例えば燃料の過剰投入の発生有無）を適切に推定することができる。
また、上記（１）の構成によれば、データサイズが比較的大きい炉内画像データについて、比較的短期間に取得される比較的少数のデータを用いるので、計算負荷を低減しながら、燃焼炉における燃料供給状態を適切に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、
前記状態推定装置は、
前記スコアと閾値の比較に基づいて、前記燃料供給状態を推定する状態推定部（２６）をさらに備える。

上記（２）の構成によれば、燃焼炉における燃料供給状態を示すスコアと閾値との比較に基づいて、燃焼炉における燃料供給状態（例えば燃料の過剰投入の発生有無）を簡易かつ適切に推定することができる。

（３）幾つかの実施形態では、上記（１）又は（２）の構成において、
前記第２期間の長さは、前記第１期間の長さの１００倍以上１００００倍以下である。

上記（３）の構成では、第２期間の長さは、第１期間の長さの１００倍以上１００００倍以下であり、第１期間は第２期間に比べて大幅に短い。よって、データサイズが比較的大きい炉内画像データについて、第２期間よりも大幅に短い第１期間に取得される比較的少数のデータを用いることにより、計算負荷を効果的に低減しながら、燃焼炉における燃料供給状態を適切に推定することができる。

（４）幾つかの実施形態では、上記（１）乃至（３）の何れかの構成において、
前記複数の炉内画像データのサンプリング間隔（Δｔ_１）は、前記複数の計測値のサンプリング間隔（Δｔ_２）よりも短い。

炉内燃焼状態の視覚的な情報を含む炉内画像データは、燃料供給状態の変化に対する応答が比較的速い。一方、炉内状態を示す状態量の計測値（センサデータ）は、燃料供給状態の変化に対する応答が比較的遅い。この点、上記（４）の構成によれば、炉内画像データのサンプリング間隔が比較的短いので、短時間での炉内燃焼状態の変化を第１モデルに反映させて適切な第１出力を得ることができる。また、炉内状態を示す状態量の計測値のサンプリングが比較的長いので、長時間での状態量の変化を第２モデルに反映させて適切な第２出力を得ることができるとともに、計算負荷を低減することができる。よって、上記（４）の構成によれば、燃焼炉における燃料供給状態をより適切に推定することができる。

（５）幾つかの実施形態では、上記（１）乃至（４）の何れかの構成において、
前記スコア算出部は、前記第１出力と前記第２出力との線形結合に基づき前記スコアを算出するように構成される。

上記（５）の構成によれば、
第１モデルからの第１出力、及び、第２モデルからの第２出力との線形結合に基づき、燃焼炉における燃料供給状態を示すスコアを容易に算出することができる。よって、計算負荷を効果的に低減しながら、燃焼炉における燃料供給状態を適切に推定することができる。

（６）幾つかの実施形態では、上記（１）乃至（５）の何れかの構成において、
前記燃料供給状態を示す前記スコアは、前記燃焼炉において燃料が過剰投入される事象が発生した可能性を示す値である。

上記（６）の構成によれば、燃焼炉において燃料の過剰投入（どか落ち）が発生した可能性を示すスコアが算出されるので、このスコアに基づいて、燃焼炉における燃料の過剰投入の発生有無を適切に推定することができる。

（７）幾つかの実施形態では、上記（１）乃至（６）の何れかの構成において、
前記第１モデル又は前記第２モデルの少なくとも一方は、再帰型ニューラルネットワークを含む。

上記（７）の構成によれば、時系列データの扱いに適した再帰型ニューラルネットワークを含む第１モデル又は第２モデルを用いるので、燃焼炉の過去の燃焼状態を考慮に入れて算出される第１出力又は第２出力に基づいて、燃焼炉における燃料供給状態を示すスコアを算出することができる。よって、このスコアに基づいて、燃焼炉における燃料供給状態をより適切に推定することができる。

（８）幾つかの実施形態では、上記（１）乃至（７）の何れかの構成において、
前記１以上の状態量は、燃焼炉内の圧力、燃焼温度、酸素濃度又は一酸化炭素濃度を含む。

上記（８）の構成によれば、第２モデルの入力として燃焼炉内の圧力、燃焼温度、酸素濃度又は一酸化炭素濃度を採用するので、第２モデルを用いて、燃焼炉における燃料供給状態を示す第２出力を適切に算出することができる。

（９）幾つかの実施形態では、上記（１）乃至（８）の何れかの構成において、
前記第２モデルは、前記１以上の状態量の複数の計測値に加え、前記燃焼炉の作動状態を示す時系列の複数のデータを入力とする。

上記（９）の構成によれば、第２モデルの入力として、炉内状態を示す状態量に加え、燃焼炉の作動状態を示すデータを採用するので、第２モデルを用いて、燃焼炉における燃料供給状態を示す第２出力をより適切に算出することができる。

（１０）幾つかの実施形態では、上記（９）の構成において、
前記燃焼炉の作動状態を示すデータは、前記燃焼炉内の燃焼領域に燃料を投入するための燃料投入装置（７２）の作動状態を示すデータを含む。

上記（１０）の構成によれば、第２モデルの入力として、燃料投入装置の作動状態を示すデータを採用するので、第２モデルを用いて、燃焼炉における燃料供給状態を示す第２出力をより適切に算出することができる。

（１１）本発明の少なくとも一実施形態に係る燃焼炉システム（１）は、
燃焼炉（７）と、
前記燃焼炉の状態を推定するように構成された上記（１）乃至（１０）の何れか一項に記載の状態推定装置（１０）と、
を備える。

上記（１１）の構成によれば、比較的短い第１期間にわたる時系列の炉内画像データを入力とする第１モデルと、比較的長い第２期間にわたる時系列の計測値を入力とする第２モデルとを組み合わせることにより、燃焼炉における燃料供給状態を示すスコアを算出する。したがって、このスコアに基づいて、燃焼炉における燃料供給状態（例えば燃料の過剰投入の発生有無）を適切に推定することができる。
また、上記（１１）の構成によれば、データサイズが比較的大きい炉内画像データについて、比較的短期間に取得される比較的少数のデータを用いるので、計算負荷を低減しながら、燃焼炉における燃料供給状態を適切に推定することができる。

（１２）本発明の少なくとも一実施形態に係る燃焼炉（７）の状態推定プログラムは、
コンピュータに、
第１期間（Ｔ１）にわたる燃焼炉内の燃焼状態を示す時系列の複数の炉内画像データを入力とする第１モデル（４０）、及び、前記第１期間よりも長い第２期間（Ｔ２）にわたる前記燃焼炉内の状態を示す１以上の状態量の時系列の複数の計測値を入力とする第２モデル（５０）を取得する手順と、
前記複数の炉内画像データ、及び、前記第１モデルを用いて、第１出力（ＯＵ_１）を算出する手順と、
前記複数の計測値、及び、前記第２モデルを用いて、第２出力（ＯＵ_２）を算出する手順と、
前記第１出力及び前記第２出力に基づいて、前記燃焼炉における燃料供給状態を示すスコア（Ｓ）を算出する手順と、
を実行させる。

炉内燃焼状態の視覚的な情報を含む炉内画像データは、燃料供給状態の変化に対する応答が比較的速い。一方、炉内状態を示す状態量の計測値（センサデータ）は、燃料供給状態の変化に対する応答が比較的遅い。この点、上記（１２）のプログラムによれば、比較的短い第１期間にわたる時系列の炉内画像データを入力とする第１モデルと、比較的長い第２期間にわたる時系列の計測値を入力とする第２モデルとを組み合わせることにより、燃焼炉における燃料供給状態を示すスコアを算出する。したがって、このスコアに基づいて、燃焼炉における燃料供給状態（例えば燃料の過剰投入の発生有無）を適切に推定することができる。
また、上記（１２）のプログラムによれば、データサイズが比較的大きい炉内画像データについて、比較的短期間に取得される比較的少数のデータを用いるので、計算負荷を低減しながら、燃焼炉における燃料供給状態を適切に推定することができる。

（１３）本発明の少なくとも一実施形態に係る燃焼炉（７）の状態推定方法は、
第１期間（Ｔ１）にわたる燃焼炉内の燃焼状態を示す時系列の複数の炉内画像データを入力とする第１モデル（４０）、及び、前記第１期間よりも長い第２期間（Ｔ２）にわたる前記燃焼炉内の状態を示す１以上の状態量の時系列の複数の計測値を入力とする第２モデル（５０）を取得するステップ（Ｓ１００，Ｓ４００）と、
前記複数の炉内画像データ、及び、前記第１モデルを用いて、第１出力（ＯＵ_１）を算出するステップ（Ｓ３００）と、
前記複数の計測値、及び、前記第２モデルを用いて、第２出力（ＯＵ_２）を算出するステップ（Ｓ６００）と、
前記第１出力及び前記第２出力に基づいて、前記燃焼炉における燃料供給状態を示すスコア（Ｓ）を算出するステップ（Ｓ７００）と、
を備える。

炉内燃焼状態の視覚的な情報を含む炉内画像データは、燃料供給状態の変化に対する応答が比較的速い。一方、炉内状態を示す状態量の計測値（センサデータ）は、燃料供給状態の変化に対する応答が比較的遅い。この点、上記（１３）の方法によれば、比較的短い第１期間にわたる時系列の炉内画像データを入力とする第１モデルと、比較的長い第２期間にわたる時系列の計測値を入力とする第２モデルとを組み合わせることにより、燃焼炉における燃料供給状態を示すスコアを算出する。したがって、このスコアに基づいて、燃焼炉における燃料供給状態（例えば燃料の過剰投入の発生有無）を適切に推定することができる。
また、上記（１３）の方法によれば、データサイズが比較的大きい炉内画像データについて、比較的短期間に取得される比較的少数のデータを用いるので、計算負荷を低減しながら、燃焼炉における燃料供給状態を適切に推定することができる。

以上、本発明の実施形態について説明したが、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。

本明細書において、「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。
また、本明細書において、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。
また、本明細書において、一の構成要素を「備える」、「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。

１ 燃焼炉システム
７ 燃焼炉
７ｃ 上部
７ｓ 側壁部
８ 燃焼室
１０ 状態推定装置
１２ 第１モデル取得部
１４ 画像データ取得部
１６ 第１出力算出部
１８ 第２モデル取得部
２０ センサデータ取得部
２２ 第２出力算出部
２４ スコア算出部
２６ 状態推定部
３０ 記憶部
３２ 撮像装置
３４ センサ
３４ａ 圧力センサ
３４ｂ 温度センサ
３４ｃ 酸素濃度センサ
３４ｄ ＣＯ濃度センサ
３６ 表示部
４０ 第１モデル
４２ 込み部
４４ 込み部
４６ 第１再帰処理部
５０ 第２モデル
５２ 第２再帰処理部
７０ 燃料供給部
７１ 燃料供給口
７２ 燃料投入装置
７３ 火格子
７４ 灰排出口
７５ 燃焼用気体供給部
７６ ブロワ
７７ 気体供給管
７８ａ 第１流量調節弁
７８ｂ 第２流量調節弁
８１ 一次燃焼領域
８１ａ 主燃焼領域
８１ｂ 燃焼領域
８２ 二次燃焼領域
９１ 排ガス通路
Ｆｇ 燃料

Claims (13)

1. 第１期間にわたる燃焼炉内の燃焼状態を示す時系列の複数の炉内画像データを入力とする第１モデル、及び、前記第１期間よりも長い第２期間にわたる前記燃焼炉内の状態を示す１以上の状態量の時系列の複数の計測値を入力とする第２モデルを取得するように構成されたモデル取得部と、
   前記複数の炉内画像データ、及び、前記第１モデルを用いて、第１出力を算出するように構成された第１出力算出部と、
   前記複数の計測値、及び、前記第２モデルを用いて、第２出力を算出するように構成された第２出力算出部と、
   前記第１出力及び前記第２出力に基づいて、前記燃焼炉における燃料供給状態を示すスコアを算出するスコア算出部と、
   を備える燃焼炉の状態推定装置。
2. 前記スコアと閾値の比較に基づいて、前記燃料供給状態を推定する状態推定部をさらに備える
   請求項１に記載の燃焼炉の状態推定装置。
3. 前記第２期間の長さは、前記第１期間の長さの１００倍以上１００００倍以下である
   請求項１又は２に記載の燃焼炉の状態推定装置。
4. 前記複数の炉内画像データのサンプリング間隔は、前記複数の計測値のサンプリング間隔よりも短い
   請求項１乃至３の何れか一項に記載の燃焼炉の状態推定装置。
5. 前記スコア算出部は、前記第１出力と前記第２出力との線形結合に基づき前記スコアを算出するように構成された
   請求項１乃至４の何れか一項に記載の燃焼炉の状態推定装置。
6. 前記燃料供給状態を示す前記スコアは、前記燃焼炉において燃料が過剰投入される事象が発生した可能性を示す値である
   請求項１乃至５の何れか一項に記載の燃焼炉の状態推定装置。
7. 前記第１モデル又は前記第２モデルの少なくとも一方は、再帰型ニューラルネットワークを含む
   請求項１乃至６の何れか一項に記載の燃焼炉の状態推定装置。
8. 前記１以上の状態量は、燃焼炉内の圧力、燃焼温度、酸素濃度又は一酸化炭素濃度を含む
   請求項１乃至７の何れか一項に記載の燃焼炉の状態推定装置。
9. 前記第２モデルは、前記１以上の状態量の複数の計測値に加え、前記燃焼炉の作動状態を示す時系列の複数のデータを入力とする
   請求項１乃至８の何れか一項に記載の燃焼炉の状態推定装置。
10. 前記燃焼炉の作動状態を示すデータは、前記燃焼炉内の燃焼領域に燃料を投入するための燃料投入装置の作動状態を示すデータを含む
    請求項９に記載の燃焼炉の状態推定装置。
11. 燃焼炉と、
    前記燃焼炉の状態を推定するように構成された請求項１乃至１０の何れか一項に記載の状態推定装置と、
    を備えることを特徴とする燃焼炉システム。
12. コンピュータに、
    第１期間にわたる燃焼炉内の燃焼状態を示す時系列の複数の炉内画像データを入力とする第１モデル、及び、前記第１期間よりも長い第２期間にわたる前記燃焼炉内の状態を示す１以上の状態量の時系列の複数の計測値を入力とする第２モデルを取得する手順と、
    前記複数の炉内画像データ、及び、前記第１モデルを用いて、第１出力を算出する手順と、
    前記複数の計測値、及び、前記第２モデルを用いて、第２出力を算出する手順と、
    前記第１出力及び前記第２出力に基づいて、前記燃焼炉における燃料供給状態を示すスコアを算出する手順と、
    を実行させるための燃焼炉の状態推定プログラム。
13. 第１期間にわたる燃焼炉内の燃焼状態を示す時系列の複数の炉内画像データを入力とする第１モデル、及び、前記第１期間よりも長い第２期間にわたる前記燃焼炉内の状態を示す１以上の状態量の時系列の複数の計測値を入力とする第２モデルを取得するステップと、
    前記複数の炉内画像データ、及び、前記第１モデルを用いて、第１出力を算出するステップと、
    前記複数の計測値、及び、前記第２モデルを用いて、第２出力を算出するステップと、
    前記第１出力及び前記第２出力に基づいて、前記燃焼炉における燃料供給状態を示すスコアを算出するステップと、
    を備える燃焼炉の状態推定方法。

Images