JPH04218724A - 層状態の検出方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、複数の液が層状態をな
している場合の液層の状態を検出する方法に関する。

【０００２】

【従来の技術】例えば上部から水を、下部から水より比
重の小さい油脂等の油を連続的に供給し、蒸気による熱
源のもとで、油と水とを接触させ加水分解反応を起こさ
せることにより油を分解する油脂分解塔においては、比
重の違いにより、上部に油、下部に水が滞留し、それら
が接する面には界面が生じる。

【０００３】この界面が適正なレベルよりも上昇すれば
、塔内での油の滞留時間が短くなって反応（油分解）率
が悪くなり、一方、界面が低下すると、排出水中に油が
混じって油が失われてしまうので界面の位置を正確に知
る必要がある。そのため、従来より、塔の各部位からサ
ンプリングした液の目視検査により層状態を定期的に確
かめている。

【０００４】

【発明が解決しようとする課題】しかしながら、液のサ
ンプリングによる目視検査では、サンプリング点数に限
度があり、時系列的に層状態を把握することは困難であ
る。又、油と水とで違いが生じる、比重、電気伝導度、
あるいは光の透過度等の測定からその界面を検出する方
法もあるが、対象とする系が高温、高圧であり、かつ汚
濁、乳化の程度が大きい場合は、これらの測定により界
面を検出することは困難である。

【０００５】本発明は、上述した課題を解決するために
なされたものであり、対象とする系が高温、高圧、ある
いは汚濁、乳化の程度が大きい場合でも各層状態を知る
ことのできる新規な検出方法を提供することを目的とす
る。

【０００６】

【課題を解決するための手段】系で得た塔内温度、圧力
、流量等の測定値を入力とし、目視で調べた実際の層状
態を出力としたとき、両者には何等かの相関関係がある
と考えられる。本発明では、学習機能を有するニューロ
コンピュータの理念を導入することにより、その相関関
係を解明したものであり、その相関関係を用いることに
より、対象とする系がいかなる状態であってもそのとき
の層状態を検出できる。

【０００７】即ち、本発明は、対象とする系で上下に異
なる液体が層をなしているときの層状態を知るための検
出方法であって、対象とする系から時系列的に得られる
測定値もしくは該測定値に基づく値をニューロコンピュ
ータに入力し、当該ニューロコンピュータより出力され
る信号と、このとき実際のサンプリングにより知った層
状態を示す信号とを比較し、両信号の差分が規定値以下
になるまで、当該ニューロコンピュータにおける入力か
ら出力への結合の強さを示す重みを調整し、調整された
重みを係数として有する入出力モデルを作り、この入出
力モデルに測定値もしくは該測定値に基づく値を入力し
、このときの出力から層状態を認識することを特徴とす
る。

【０００８】ここで入出力モデルへの入力としては、塔
内温度、圧力、流量等の測定値そのものであってもよく
、あるいはこの測定値を数学的に処理した統計値を用い
ることもでき、統計値として代表的なものに分散や平均
がある。時系列的に複数のデータが得られる場合にそれ
らのデータの代表値として求められるのが分散であり、
一般には数式１で求められる。

【０００９】

【数１】

【００１０】ここで、Ｍ：測定データ数ＡＶＥ：Ｍ個の
データの平均値 Ｘｉ：個々の測定データ

【００１１】又、測定データの中からある周波数帯の成
分に着目したい時は、それ以外の周波数帯の成分を測定
データから除去する必要があり、例えば、測定データの
中から高周波成分を抽出する場合についての例を以下に
示す。まず、あるデータを中心として前後Ｎ点に対する
平均値を数式２にて求め、かかる平均値を、中心データ
を順次ずらしてＭ個求めることにより、低周波成分ＸＬ
ｉが求められる。この数学的処理は移動平均と呼ばれる
ものである。

【００１２】

【数２】

【００１３】次に数式３で示すように、測定データＸｉ
から低周波成分ＸＬｉを差し引くことにより、高周波成
分ＸＨｉを得る。

【００１４】

【数３】ＸＨｉ＝Ｘｉ−ＸＬｉ この高周波成分ＸＨｉに対して数式１により分散（移動
分散）を求め、この移動分散をニューロコンピュータの
入力とする。又、ニューロコンピュータへの入力値とし
て、対象とする系の上下方向の温度に基づく値を用いる
と好適な場合がある。例えば上下方向の各部位毎に温度
測定値の平均値を求め、上下で隔て合う、前記温度測定
値の平均値間の差分をニューロコンピュータへの入力と
して用いる。

【００１５】又、別の例としては、上下方向の各部位毎
の温度測定値に含まれる低周波成分の平均値を求め、該
平均の上下で隔て合う、前記低周波成分の平均値間の差
分をニューロコンピュータへの入力として用いる。低周
波成分は数式２により求めることができる。尚、ニュー
ロコンピュータについては、例えば中野馨　著の「ニュ
ーロコンピュータ」（技術評論社、平成１年９月１５日
刊）に解説されているのでここではその詳しい説明を省
略する。

【００１６】

【作用】ニューロン（脳細胞）の人工的なモデルとして
次のような機能を有するユニットを考える。即ち、図１
に示すように、複数個のデータｘｉにそれぞれ重みＷｉ
を付し、これらの総和Ｘ（＝Σｘｉ・Ｗｉ）を入力とし
、これをある応答関数ｆでしきい値処理して出力ｙを得
るものである。ｙ＝ｆ（Σｘｉ・Ｗｉ）

【００１７】従ってこのユニットは、多入力／１出力の
しきい値特性を持つ飽和形非線形素子とみなせる。この
ようなユニットを互いに網目状に接続し、各ユニット間
の結合の強さを重みＷｉの調整により変化させており、
このようにして構成して得たニューロコンピュータは、
脳神経と同じように並列処理を行い、かつ、最大の特徴
として学習機能を持っているということである。

【００１８】図２に示すように、重み設定部１より与え
られる初期値の重みＷ０のときに、異なる層の各所にお
ける温度等の運転条件のデータが入力としてニューロ２
に入力され、このときにニューロ２から出力された層状
態を表す信号と、正解信号（以下、教師信号と称す）と
して、このときに実際のサンプル抽出により知った層状
態を表す信号とが比較評価部３で比較評価され、それら
の差分が規定値以下になるまで、比較評価部３よりの指
令に基づき、重み設定部１より出力される重みＷｉが調
整され、演算が繰り返される。このように、外部環境に
適合できるように重みを自己調整して的確な判断能力を
備えるようになり、かかる機能を学習と呼んでいる。尚
、本発明で用いるニューロコンピュータは、既存のコン
ピュータ上のソフトウェアによるシミュレーションによ
り展開させたものである。

【００１９】以下、ニューロコンピュータを用いた層状
態の検出について詳細に説明する。本実施例では、図３
に示すように、入力および出力層の間に中間層を設けた
３層構成の回路網を考える。ニューロコンピュータの入
力層への入力をＩｉ、このときの出力層からの出力をＯ
ｋとしたとき、中間層への入力Ｕｊを次のように定義す
る。

【００２０】

【数４】Ｕｊ＝ΣＷｊｉ・Ｉｉ＋θｊ （Ｗは入力層と中間層との結合係数、θはオフセット値
）この中間層における応答関数をｆとすれば、中間層の
出力Ｈｊは、

【００２１】

【数５】Ｈｊ＝ｆ（Ｕｊ） 出力層への入力Ｓｋは、

【００２２】

【数６】Ｓｋ＝ΣＶｋｊ・Ｈｊ＋γｋ （Ｖは中間層と出力層との結合関数、γはオフセット値
）従って出力Ｏｋは、

【００２３】

【数７】Ｏｋ＝ｆ（Ｓｋ） となる。応答関数ｆとしてシグモイド関数を用いると、
ニューロコンピュータの性能を向上できた。教師信号を
Ｔｋとし、この出力Ｏｋと教師信号Ｔｋとの差から、中
間層と出力層とのユニットのオフセットに対する誤差δ
ｋを求めると、

【００２４】

【数８】δｋ＝（Ｏｋ−Ｔｋ）・Ｏｋ・（１−Ｏｋ）こ
の誤差δｋと、中間層から出力層への結合係数Ｖｋｊと
、中間層の出力Ｈｊから中間層ユニットｊにつながる結
合係数と、中間層ユニットのオフセットとに対する誤差
σｊを求めると、

【００２５】

【数９】σｊ＝Σδｋ・Ｖｋｊ・Ｈｊ・（１−Ｈｊ）数
式８で求めた出力層ユニットｋでの誤差δｋと、中間層
ユニットｊの出力Ｈｊと定数αとの積とを加算すること
で、中間層ユニットｊから出力層のユニットｋにつなが
る結合係数Ｖｋｊを修正する。

【００２６】

【数１０】Ｖｋｊ＝Ｖｋｊ＋α・δｋ・Ｈｊ又、誤差δ
ｋと定数βとの積を加算することで出力層ユニットｋの
オフセット値γｋを修正する。

【００２７】

【数１１】γｋ＝γｋ＋β・δｋ 更に中間層ユニットｊでの誤差δｊを用い、同様にして
入力層ユニットｉから中間層ユニットｊにつながる結合
係数Ｗｊｉおよび中間層ユニットｊのオフセットθｊを
修正する。

【００２８】

【数１２】Ｗｊｉ＝Ｗｊｉ＋α・σｋ・Ｉｉ

【００２９
】

【数１３】θｊ＝θｊ＋β・σｋ このようにして出力と教師信号との誤差が収束したとこ
ろの結合係数Ｗ，Ｖおよびオフセット値θ，γを用いて
入力と出力との関係を示すモデル式を得る。

【００３０】

【実施例】（その１）油脂分解塔において上部、中部お
よび下部の各部位（サンプリング位置）の温度Ｔ１、Ｔ
２およびＴ３の経時データの一例を図４に示している。 サンプリング時刻Ｓ１ないしＳ７でのそれぞれの温度Ｔ
１ないしＴ３を数式４における入力Ｉｉに代入し、更に
数式４ないし数式６に、ランダム関数発生器で発生させ
たＷ，Ｖ，θ，γの値を入力し、数式７から入出力のモ
デル式における出力Ｏを求める。この出力Ｏの比較基準
となる教師データとして、上記のサンプリング位置で調
べたサンプル■ないし■を用いており、この教師データ
は、後で述べるマトリックス計算に適合するよう表１の
ごとく表される。表１において、油、乳化、水のそれぞ
れの有無を“１”、“０”で示しており、例えばサンプ
リング時刻Ｓ２では、サンプル■ないし■では、それぞ
れ、油、乳化、乳化の層であったことを示す。

【００３１】

【表１】

【００３２】計算として、各サンプリング時刻Ｓ１ない
しＳ７に関してのサンプリング位置における入力（温度
Ｔ１ないしＴ３）によって得られた出力Ｏ（油，水ある
いは乳化）と、教師データ（油，水あるいは乳化）との
誤差の２乗を、サンプル■ないし■で油、水および乳化
毎に求め、サンプリング時刻Ｓ１ないしＳ７で２乗の和
を計算し、その総和が０．０５以下になるまで結合係数
Ｗ，Ｖおよびオフセット値θ，γを調整して数式うない
し数式１３に入力して演算を繰り返した。上式の演算に
おいてはマトリックスを用いた。数式４および数式５か
ら

【００３３】

【数１４】ｆ（ΣＷｊｉ・Ｉｉ＋θｉ）＝Ｈｊ数式１４
の実際の計算式としては、

【００３４】

【数１５】

【００３５】を用いた。又、数式６および数式７から

【
００３６】

【数１６】ｆ（ΣＶｋｊ・Ｈｊ＋γｋ）＝Ｏｋが得られ
、この数式１６の実際の計算式としては、

【００３７】

【数１７】

【００３８】を用いた。このようにサンプリング位置で
取り出したサンプル■ないし■に対してそれぞれ求めら
れた結合係数Ｗ，Ｖおよびオフセット値θ，γを表２な
いし表４に示す。

【００３９】

【表２】

【００４０】

【表３】

【００４１】

【表４】

【００４２】上表の各係数を用いて作った入出力モデル
式が求まれば、この入出力モデル式から以下に示すよう
に層状態の予測を行うことができる。予測に用いる入力
値として図５に示した経時温度データを用いた。サンプ
リング時刻Ｓ１’ないしＳ５’における各温度Ｔ１ない
しＴ３を入出力モデル式に入力し、得られた出力値を図
６に示した。

【００４３】図６においても油、水及び乳化の有無を“
１”、“０”で示しており、例えばサンプル位置■に対
しては、サンプリング時刻Ｓ１’では水層（水を示す破
線が“１”レベル）であり、サンプリング時刻Ｓ２’お
よびＳ３’では乳化層（乳化を示す一点鎖線が“１”レ
ベル）であり、サンプリング時刻Ｓ４’ないしＳ５’で
は油層（油を示す細線が“１”レベル）であったと予測
された。このようにして予測した出力値に対する照合用
のデータとして、上記サンプリング位置で調べたサンプ
ル■ないし■の層状態を表５に示した。

【００４４】

【表５】

【００４５】図６の予測値と、表５の照合データを比較
してわかるようによく一致することが確認された。

【００４６】（その２）油脂分解塔において上部、中部
および下部の各部位の温度Ｔ１、Ｔ２およびＴ３の経時
データの一例を図７に示している。本実施例では、サン
プリング時刻Ｓ１ないしＳ５で検出された温度Ｔ１ない
しＴ３の測定値を数式４にそのまま代入するのではなく
、温度Ｔ１ないしＴ３に対してそれぞれ移動分散値を求
め、それらの移動分散値を数式４における入力Ｉｉとし
て代入した。又、このときの出力Ｏに対する教師データ
としては表６のデータを用いており、この表６において
も、表１と同様に油、乳化、水のそれぞれの有無を“１
”、“０”で示した。

【００４７】

【表６】

【００４８】計算としては、前実施例の場合と全く同じ
でこの場合のサンプル■ないし■に対するそれぞれの結
合係数Ｗ，Ｖおよびオフセット値θ，γを表７ないし表
９に示す。

【００４９】

【表７】

【００５０】

【表８】

【００５１】

【表９】

【００５２】これらの各係数を用いて作った入出力モデ
ル式が求まれば、この入出力モデル式から層状態の予測
を行うことができる。予測に用いる入力値として図８に
示した経時温度データを用いた。そして、サンプリング
時刻Ｓ１’ないしＳ５’における各温度Ｔ１ないしＴ３
に対しても、それぞれ移動分散値を求めて数式４の入力
Ｉｉとし、これにより得られた出力値を図９に示した。 このようにして予測した出力値に対する照合データとし
て、上記サンプリング位置で調べたサンプル■ないし■
の層状態を表１０に示した。

【００５３】

【表１０】

【００５４】図９の予測値と、表１０の照合データを比
較してわかるように、この場合もよく一致することが確
認された。尚、上記の実施例ではサンプリング位置を３
点としたが検出精度を向上させるためにはより多くのサ
ンプリングが好ましい。又、検出精度を向上させるため
に、上記実施例に示した温度と共に、油と水の供給流量
および排出流量、供給蒸気流量等の測定値あるいはこれ
を数学的処理した値を入力として入出力モデルを構築す
ることが好ましい。

【００５５】

【発明の効果】以上説明したように、本発明は、層状態
を検出するのに、対象とする系での温度等の測定値もし
くはこの測定値を数学的処理した値を入力とし、このと
きの層状態を出力として、ニューロコンピュータにて処
理して入出力モデルを作成し、この入出力モデルを用い
て、このときの層状態を予測するようにしたので、対象
とする系が高温、高圧あるいは汚濁、乳化の程度が大き
い場合でも層状態を的確に検出できる。

【図面の簡単な説明】

【図１】　　本発明に用いたニューロコンピュータを構
成する基本ユニットを示す図

【図２】　　ニューロコンピュータの概略を示すブロッ
ク図

【図３】　　３層構造のニューロコンピュータにおける
各層間の結合を示す図

【図４】　　第１の実施例で各サンプリング位置での検
出温度の経時データを示す図

【図５】　　第１の実施例で予測のために用いた各サン
プリング位置での検出温度の経時データを示す図

【図６
】　　第１の実施例において得られた層状態を示す図

【図７】　　第２の実施例で各サンプリング位置での検
出温度の経時データを示す図

【図８】　　第２の実施例で予測のために用いた各サン
プリング位置での検出温度の経時データを示す図

【図９
】　　第２の実施例で得られた層状態を示す図

【符号の説明】

１　　重み設定部 ２　　ニューロ ３　　比較評価部

Claims (3)

【特許請求の範囲】
1. 【請求項１】　　対象とする系で上下に異なる液体が層
   をなしているときの層状態を知るための検出方法であっ
   て、対象とする系から時系列的に得られる測定値もしく
   は該測定値に基づく値をニューロコンピュータに入力し
   、当該ニューロコンピュータより出力される信号と、こ
   のとき実際のサンプリングにより知った層状態を示す信
   号とを比較し、両信号の差分が規定値以下になるまで、
   当該ニューロコンピュータにおける入力から出力への結
   合の強さを示す重みを調整し、調整された重みを係数と
   して有する入出力モデルを作り、この入出力モデルに測
   定値もしくは該測定値に基づく値を入力し、このときの
   出力から層状態を認識することを特徴とする層状態の検
   出方法。
2. 【請求項２】　　各部位で得られた各測定値に代えて該
   測定値の分散をニューロコンピュータへの入力とした請
   求項１記載の層状態の検出方法。
3. 【請求項３】　　系での上下方向の各部位で得られた各
   測定値に代えて各部位毎の温度測定値の平均値または温
   度測定値に含まれる低周波成分の平均値を求め、上下で
   隔て合う、前記平均値の差分をニューロコンピュータへ
   の入力とした請求項１記載の層状態の検出方法。