JPH05141200A

JPH05141200A - トンネル換気制御装置

Info

Publication number: JPH05141200A
Application number: JP30463791A
Authority: JP
Inventors: Takahiro Watanabe; 孝裕渡辺
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1991-11-20
Filing date: 1991-11-20
Publication date: 1993-06-08
Anticipated expiration: 2013-01-26
Also published as: JP2703438B2

Abstract

(57)【要約】【目的】本発明は、汚染濃度を許容値以下に維持するの
に必要な換気機の運転組合せを短時間に決定でき、しか
もトンネルプロセス特性の経年変化に対しても、その特
性変化に追随して適切な運転組合せ決定を実行できるこ
とを最も主要な目的としている。【構成】トンネルの交通量のデータを入力して、ニュー
ラルネットワークを用いて換気機の運転組合せを決定す
るようにし、かつオンラインの運用データから教示デー
タを作成して、ニューラルネットワークの重み係数をバ
ックプロパゲーションにより自動的に学習することを特
徴としている。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、トンネル内に設置され
た複数の換気機を操作して、トンネル内の汚染濃度を許
容値以下に維持するトンネル換気制御装置に係り、特に
汚染濃度を許容値以下に維持するのに必要な換気機の運
転組合せを短時間に決定でき、しかもトンネルプロセス
特性の経年変化に対しても、その特性変化に追随して適
切な運転組合せ決定を実行し得るようにしたトンネル換
気制御装置に関するものである。

【０００２】

【従来の技術】従来から、道路トンネルでは、自動車の
排気ガスによってトンネル内が汚染されるため、全長の
長いトンネルや交通量の多いトンネルでは、汚染濃度を
許容値以下に維持するために機械換気が行なわれてい
る。

【０００３】一方、近年の道路網、特に高速道路網の整
備に伴ない、多くの長大トンネルが建設されている。こ
の長大トンネルにおいては、設置されている換気機の容
量が大きく、また設置台数も多いため、全台数を常に運
転していたのでは、所要電力が多大なものとなってしま
う。従って、所要電力の少ない経済的な換気を行なうた
めには、換気負荷に応じて必要な換気機だけを運転する
ように、適切な運転組合せを決定する必要がある。

【０００４】従来、この換気機の運転組合せの決定方法
としては、例えば交通量レベルに対応した何種類かの運
転組合せパターンを、ミニコンピュータやマイクロコン
ピュータにテーブルの形で記憶しておく方法や、プロセ
スの数学モデルに基づいて、数理計画法で運転組合せを
決定する方法等が提案されている。

【０００５】しかしながら、前者のテーブル記憶方式で
は、短時間に組合せ決定が行なえるという利点はあるも
のの、３変数以上の複数の要因を考慮することが難し
く、きめ細かな対応ができない。従って、必要以上に換
気機を運転したり、逆に運転台数が少なく汚染濃度の悪
化を招くというような、実状にそぐわない運転組合せが
選択される場合がある。

【０００６】一方、後者の数理計画法を使用する場合に
は、組合せ最適化問題を解く必要があるため、換気機の
設置台数が多い場合には組合せの数も多くなり、計算時
間が非常に長くなってしまうという問題がある。

【０００７】また、数理計画法では、プロセスモデルを
使用するが、トンネルの場合には汚染濃度プロセスが分
布定数系で複雑なために、精度の高いプロセスモデルを
作成することが困難である。

【０００８】さらに、上記の両方式とも、トンネルプロ
セス特性の経年変化に対処することができない。すなわ
ち、運転開始当初は良好な運転組合せ結果が得られてい
ても、運用開始後、長期間が経過すると交通量条件やプ
ロセス特性が変化して、適切な結果が得られなくなって
しまうのである。

【０００９】

【発明が解決しようとする課題】以上のように、従来の
換気機運転組合せ決定方法によるトンネル換気において
は、汚染濃度を許容値以下に維持するのに必要な換気機
の運転組合せを決定するのに長い時間がかかり、またト
ンネルプロセス特性の経年変化に対して、その特性変化
に追随して適切な運転組合せを決定することができない
という問題があった。

【００１０】本発明の目的は、汚染濃度を許容値以下に
維持するのに必要な換気機の運転組合せを短時間に決定
することができ、しかもトンネルプロセス特性の経年変
化に対しても、その特性変化に追随して適切な運転組合
せ決定を実行することが可能な極めて信頼性の高いトン
ネル換気制御装置を提供することにある。

【００１１】

【課題を解決するための手段】上記の目的を達成するた
めに本発明は、トンネル内に設置された複数の換気機を
操作して、トンネル内の汚染濃度を許容値以下に維持す
るトンネル換気制御装置において、トンネルを通過する
交通量を計測する交通量計測手段と、交通量計測手段か
らの計測値を保存しておく交通量データ記憶手段と、交
通量データ記憶手段に保存されているデータに基づい
て、トンネルを通過する交通量を予測する交通量予測手
段と、交通量予測手段により予測された交通量を入力
し、換気機の運転組合せパターンをニューラルネットワ
ークにより決定する換気機運転組合せ決定手段と、交通
量予測手段により予測された交通量と、換気機運転組合
せ決定手段により決定された換気機の運転組合せパター
ンとに基づいて、トンネル内の汚染濃度を許容値以下に
維持するのに必要な各換気機の風量を演算する換気量配
分手段と、換気機の運転実績を保存しておくための換気
機運転実績記憶手段と、トンネル内に設置されている汚
染濃度計からの計測値を保存しておくための汚染濃度記
憶手段と、交通量データ記憶手段に保存されている交通
量計測データと、換気機運転実績記憶手段に保存されて
いる換気機運転組合せの実績パターンと、汚染濃度記憶
手段に保存されている汚染濃度データとに基づいて、換
気機運転組合せ決定手段に使用されるニューラルネット
ワークの学習を行なうための教示データを作成する教示
データ作成手段と、教示データ作成手段により作成され
た教示データに基づいて、ニューラルネットワークのパ
ラメータを学習するニューラルネットワーク学習手段と
を備えて構成している。ここで、特に上記換気量配分手
段により演算された配分換気量に基づいて、換気機の運
転組合せを切り替える運転組合せ切替手段を付加してい
る。

【００１２】

【作用】従って、本発明のトンネル換気制御装置におい
ては、交通量計測手段で計測された交通量は、交通量デ
ータ記憶手段に送られて保存される。また、交通量予測
手段では、交通量データ記憶手段に保存されているデー
タを基に、数十分先までの平均交通量が予測される。さ
らに、換気機運転組合せ決定手段では、交通量予測手段
で予測された交通量を入力し、ニューラルネットワーク
を用いて換気機の運転組合せパターンが決定される。

【００１３】一方、換気量配分手段では、交通量予測手
段で予測された交通量と換気機運転組合せ決定手段で決
定された運転組合せパターンとに基づき、汚染濃度が許
容値以下でかつ換気機の所要電力が最小となるように各
換気機の風量が演算される。また、必要に応じて、運転
組合せ切替手段では、換気量配分手段による配分結果に
基づいて、換気機の運転組合せが実際に切り替えられ
る。

【００１４】一方、換気機運転実績記憶手段では、換気
機運転パターンの実績値が保存され、また汚染濃度記憶
手段では、トンネル内に設置されている汚染濃度計から
の計測値が保存される。そして、教示データ作成手段で
は、交通量データ記憶手段に記憶されている交通量計測
データと、換気機運転実績記憶手段に記憶されている換
気機の実績運転パターンと、汚染濃度記憶手段に記憶さ
れている汚染濃度データとに基づき、換気機運転組合せ
決定手段に使用されているニューラルネットワークの学
習を行なうための教示データが作成される。さらに、ニ
ューラルネツトワーク学習手段では、教示データ作成手
段で作成された教示データを使って、上記ニューラルネ
ットワークのパラメータが学習される。

【００１５】

【実施例】以下、本発明の一実施例について図面を用い
て詳細に説明する。図２は、本発明によるトンネル換気
制御装置を適用した道路トンネルの構成と換気設備構成
の概略を示す図である。

【００１６】図２において、道路トンネル１は対面交通
で、坑口１ａ側から坑口１ｂ側、および坑口１ｂ側から
坑口１ａ側の両方向に車の流れがある。また、換気風
は、坑口１ａから坑口１ｂの方向に流れている。

【００１７】一方、換気機としては、電気集塵機２，
３、立坑４に設置された排風機５と送風機６、さらに道
路トンネル１の天井部に設置されたジェットファン１３
がある。電気集塵機２，３は、煤煙を除去するための装
置である。また、排風機５は、道路トンネル１内の汚染
された空気を、立坑４の排風機側ダクトを通して道路ト
ンネル１外に放出するための装置である。さらに、送風
機６は、道路トンネル１外の空気を、立坑４の送風機側
ダクトを通して道路トンネル１内に送り込むための装置
である。さらにまた、ジェットファン１３は、換気風を
坑口１ａ側から坑口１ｂ側に流すための装置である。

【００１８】一方、交通量計測器７は、坑口１ａから坑
口１ｂ側に走行する交通量を計測し、交通量計測器８
は、その逆方向の交通量を計測するものである。なお、
交通量は、大型車、小型車別に計測される。また、道路
トンネル１内の視界の程度は、煙霧透過率計（以下、Ｖ
Ｉ計と称する）９〜１２により計測される。そして、交
通量計測器７とＶＩ計９〜１２の計測値、および換気機
の運転風量実績値を、全て換気制御装置１６に入力して
いる。

【００１９】また、換気制御装置１６は、入力された情
報を基に、煙霧透過率（以下、ＶＩ値と称する）を設定
された範囲内に維持するように、電気集塵器２，３、排
風機５、送風機６の風量、およびジェットファン１３の
運転台数を操作するものである。なお、ＶＩ値は、道路
トンネル１内の視界の程度を表わす指標であり、通常１
００ｍ区間内の光の透過率で表わされる。そして、この
ＶＩ値が１００％に近いほど煤煙濃度が低く、ＶＩ値が
０％に近いほど煤煙濃度が高くなり視界も低下する。本
実施例では、このＶＩ値の制御を行なうものである。

【００２０】図１は、図２における換気制御装置１６の
詳細な構成例を示す機能ブロック図である。なお、図１
では、上記図２で複数台あった交通量計測器７，８、気
圧計、換気機（電気集塵機２，３、排風機５、送風機
６）、ＶＩ計９〜１２を、それぞれ交通量計測器１７、
気圧計１８、換気機２３、汚染濃度計３２のボックスに
まとめて表現している。図１において、交通量データ記
憶手段２４は、上記交通量計測器１７からの計測値を、
過去１ヵ月分の交通量データとして保存するためのもの
である。また、気圧データ記憶手段２５は、気圧計１８
からの計測値を、１ヵ月分の気圧データとして保存する
ためのものである。

【００２１】さらに、交通量予測手段１９では、交通量
データ記憶手段２４に保存されているデータに基づい
て、道路トンネル１を通過する数十分先までの平均交通
量を大型車、小型車別に予測するものである。

【００２２】一方、換気機運転組合せ決定手段２０は、
交通量予測手段１９により予測された交通量と気圧計１
８からの計測値を入力し、ニューラルネットワークを用
いて換気機の運転組合せパターン（運転停止の組合せ）
を決定するものである。

【００２３】また、換気量配分手段２１は、交通量予測
手段により予測された交通量と、気圧計１８からの計測
値と、換気機運転組合せ決定手段２０により決定された
換気機の運転組合せパターンとに基づいて、道路トンネ
ル１内の汚染濃度を許容値以下に維持し、かつ換気機の
所要電力を最小とするのに必要な各換気機の風量を演算
するものである。

【００２４】さらに、運転組合せ切替手段２２は、換気
量配分手段２１による配分換気量に基づいて、換気機２
３の運転組合せを実際に切り替えるものである。この換
気機２３には、図２に示した電気集塵器２，３、排風機
４、送風機５が含まれる。一方、換気機運転実績記憶手
段３０は、換気機２３の運転パターンの実績値を１ヵ月
分保存しておくためのものである。また、汚染濃度デー
タ記憶手段２９は、道路トンネル１内に設置されている
汚染濃度計からの計測値を、同様に１ヵ月分保存してお
くためのものである。

【００２５】さらに、教示データ作成手段は、交通量デ
ータ記憶手段２４に記憶されている交通量計測データ
と、気圧データ記憶手段２５に記憶されている気圧計計
測データと、汚染濃度記憶手段２９に記憶されている汚
染濃度データと、換気機運転実績記憶手段３０に記憶さ
れている換気機２３の実績運転パターンとに基づいて、
換気機運転組合せ決定手段２０に使用されているニュー
ラルネットワークの学習を行なうための教示データを作
成するものである。

【００２６】さらにまた、ニューラルネットワーク学習
手段３１は、教示データ作成手段により作成された教示
データに基づいて、上記ニューラルネットワークのパラ
メータ（重み係数）を学習するものである。次に、以上
のように構成した本実施例のトンネル換気制御装置の作
用について説明する。

【００２７】図１において、交通量計測器１７では、ト
ンネルを通過する車が大型車、小型車別に検出され、通
過台数の５分間積算値が交通量記憶手段２４に送られ
る。この交通量記憶手段２４では、５分間積算値がさら
に１時間分積算され、時間交通量［台／ｈ］として過去
１ヶ月分が記憶される。また、交通量予測の基本パター
ンとするために、１時間単位で過去１ヶ月分の平均値も
計算される。この際、交通量の変動パターンは曜日等に
より異なるので、平均値の計算は、平日、休日前、休日
（日曜、祝祭日）、休日開けに分けて行なわれる。次
に、交通量予測手段１９では、１時間周期で、この平均
値からの偏差が、下記の自己回帰モデルで予測される。

【００２８】 ΔＮＹ_k+1＝Ａ₀・ΔＮ_k＋Ａ₁・ΔＮ_k-1＋Ａ₂・ΔＮ_k-2 …（１） ΔＮ_k＝Ｎ_k−ＮＨ_k …（２）Ａ₀〜Ａ₂：係数 ΔＮ_k ：ｋ回目における実測交通量の平均値からの
偏差［台／ｈ］Ｎ_k ：ｋ回目の実測交通量［台／ｈ］ＮＨ_k ：平均交通量［台／ｈ］ ΔＮＹ_k+1：１時間先の偏差予測値［台／ｈ］

【００２９】従って、１時間先の予測交通量ＮＹ
_k+1［台／ｈ］は、次式で計算される。ＮＹ_k+1＝ＮＹ_k+1＋ΔＮＹ_k+1 …（３）

【００３０】なお、予測は、大型車と小型車が、上り下
り別々に行なわれる。また、自己回帰モデルの係数Ａ₀
〜Ａ₂は、カルマンフィルタにより逐次推定が行なわれ
る。このカルマンフィルタによる自己回帰モデルの逐次
推定方法は、既に“特願昭６３−５８２３４号”に記載
されているので、ここではその説明を省略する。

【００３１】次に、換気機運転組合せ決定手段２０は、
図３に示すような３層のニューラルネットワークから構
成されている。このニューラルネットワークへの入力デ
ータとしては、上り交通量ｘ₁、上り大型車混入率
ｘ₂、下り交通量ｘ₃、下り大型車混入率ｘ₄と、両坑
口間気圧差ｘ₅である。両坑口間気圧差は、図２に示し
た気圧計１４および１５で計測された気圧の差である。
ただし、これらの入力データは、次のように正規化され
た値とする。

【００３２】ｘ₁＝上り交通量予測値／上り交通量最大値 …（４）ｘ₂＝上り大型車台数予測値／上り交通量予測値 …（５）ｘ₃＝下り交通量予測値／下り交通量最大値 …（６）ｘ₄＝下り大型車台数予測値／下り交通量予測値 …（７）ｘ₅＝（計測気圧差−最小気圧差）／（最大気圧差−最小気圧差）…（８）

【００３３】そして、換気機運転組合せ決定手段２０で
は、機器容量の大きい電気集塵機（２台）と立坑の送・
排風機の運転組合せが決定される。なお、立坑の送風機
と排風機は、一方だけが運転されることはないものとす
る。従って、換気機の運転組合せパターンとしては、図
４に示すように８通りがある。機器容量が小さく比較的
容易に起動停止を行なうことのできるジェットファン
は、フィードバック制御で運転台数の増減を行なうもの
として、この換気機運転組合せ決定手段２０で決定する
組合せパターンには、ジェットファンを含めていない。
なお、フィードバック制御に関しては、本発明の範囲外
のためその内容の説明を省略するが、その方法として
は、ＰＩＤ（比例、積分、微分）制御やファジィ制御が
ある。

【００３４】図３に示すニューラルネットワークの出力
ｚ_k（ｋ＝１…８）がとる値の範囲は、０〜１である。
本実施例では、この８個の出力の中で、値が最も大きい
（１に近い）変数に対応した運転パターンが選択され、
運転組合せが決定される。例えば、ｚ₃の値が一番大き
ければ、運転パターン番号は３となり、立坑の送・排風
機だけの運転となる。ニューラルネットワークの出力層
の出力ｚ_kは、以下のようにして計算される。まず、中
間層の出力ｙ_jが、次式で計算される。ｙ_j＝ｆ_j（ｕ_j）（ｊ＝１，…，ｎ） …（９）

【００３５】

【数１】

【００３６】ここで、ｙ_j：中間層の出力ｗ_ji：入力層第ｉニューロンと中間層第ｊニューロン間
の重み係数ｘ_i：入力層第ｉニューロン出力（入力層は入力と出力
が同じ）ｆ：ニューロンの入出力特性を表わす関数である。次に、中間層の場合と同様にして、出力層の出
力ｚ_kが、下記のようにして計算される。ｚ_k＝ｆ_k（ｕ_k）（ｋ＝１，…，ｐ） …（１１）

【００３７】

【数２】

【００３８】ここで、ｚ_k：出力層の出力ｗ_kj：中間層第ｋニューロンと出力層第ｋニューロン間
の重み係数である。また、関数ｆとしては、例えば下式のようなシ
グモイド関数が使用される。ｆ（ｕ）＝１／（１＋ｅ^-u） …（１３）

【００３９】ニューラルネットワークの中の重み係数
は、実運用を通して後述するニューラルネットワーク学
習手段３１において学習されるが、最初はなんらかの方
法で値を設定しておく必要がある。この場合、例えば次
のような方法が考えられる。

【００４０】まず、前述したような数理計画法を用い
て、入力データＸ＝（Ｘ₁，…，Ｘ₅）に対する望まし
い出力Ｔ＝（Ｔ₁，…，Ｔ₈）が計算される。そして、
この求められた複数のＸとＴのペアを教示データとし
て、バックプロパゲーションにより重み係数ｗが求めら
れる。この重み係数が求められていれば、ニューラルネ
ットワークの出力は（９）〜（１２）式を計算するだけ
であり、非常に短時間に運転組合せの決定ができる。

【００４１】次に、重み係数を学習するためのバックプ
ロパゲーションの方法について説明する。なお、ここで
は、出力層における誤差関数を（１４）式のように定義
しておく。

【００４２】

【数３】

【００４３】ここで、Ｚ_k：出力層第ｋニューロンの出
力Ｔ_k：出力層第ｋニューロンに対する教示データ（望ま
しい値）である。バックプロパゲーションは、この誤差関数が最
小値に近づくように重み係数を修正していく方法であ
り、重み係数の修正値Δｗ_kj，Δｗ_jiは、次式で計算さ
れる。

【００４４】

【数４】

【００４５】上式において、εは１回の修正の大きさを
決めるパラメータである。（１５）式と（１６）式の偏
微分項を展開して整理すると、重み係数の修正量は、次
のようになる。

【００４６】 Δｗ_kj＝−ε・δ_k・ｙ_j …（１７） Δｗ_ji＝−ε・δ_j・ｘ_i …（１８）

【００４７】

【数５】また、学習の際の振動を抑え、学習の収束を早めるため
に、（１７），（１８）式の代わりに、次式を用いる方
法も有効である。

【００４８】 Δｗ_kj(t) ＝−ε・δ_k・ｙ_j＋α・Δｗ_kj(t−1) …（２１） Δｗ_ji(t) ＝−ε・δ_j・ｘ_i＋α・Δｗ_ji(t−1) …（２２）（０＜α＜１）

【００４９】ここで、αは学習を安定させるためのパラ
メータであり、ｔは学習の回数を表わす。なお、ニュー
ラルネットワークおよびバックプロパゲーションの詳細
については、例えば下記の文献等に記載されている。
「中野馨編著：「ニューロンコンピュータの基礎」、コ
ロナ社（１９８０）」

【００５０】次に、換気量配分手段２１では、交通量予
測手段１９で予測された交通量と、気圧計１８からの計
測値と、換気機運転組合せ決定手段２０で決定された換
気機の運転停止組合せとを基に、運転する換気機の風量
が演算される。本実施例の換気機としては、電気集塵機
２台と、立坑の送・排風機である。換気機の風量を求め
る際には、汚染濃度の上限制約や換気機風量の上下限制
約等の制約条件を満足し、かつ換気機の総所要電力が最
小となるように、非線形計画法が使用される。ここで
は、次のように非線形計画問題が定式化される。

【００５１】（１）変数Ｘ₁：第１集塵機風量［ｍ₃/sec］Ｘ₂：第２集塵機風量［ｍ₃/sec］Ｘ₃：排風機風量［ｍ₃/sec］Ｘ₄：送風機風量［ｍ₃/sec］Ｘ₅：立坑より坑口１ａ側の車道風量［ｍ₃/sec］Ｘ₆：立坑より坑口１ｂ側の車道風量［ｍ₃/sec］Ｘ₇：ジェットファンの運転台数［台］

【００５２】（２）目的関数Ｆ＝Ｗ₁（Ｘ₁）＋Ｗ₂（Ｘ₂）＋Ｗ₃（Ｘ₃）＋Ｗ₄（Ｘ₄）＋Ｗ₅（Ｘ₇）→最小化 …（２３）Ｗ₁：第１集塵機の所要電力を求める関数［kw］Ｗ₂：第２集塵機の所要電力を求める関数［kw］Ｗ₃：排風機の所要電力を求める関数［kw］ｗ₄：送風機の所要電力を求める関数［kw］ｗ₅：ジェットファンの所要電力を求める関数［kw］

【００５３】（３）不等式制約条件集塵機風量上下限制約Ｑ_C1MIN≦Ｘ₁≦Ｑ_C1MAX …（２４）Ｑ_C2MIN≦Ｘ₂≦Ｑ_C2MAX …（２５）Ｑ_C1MIN：第１集塵機最小風量［ｍ³ /sec］Ｑ_C2MIN：第２集塵機最小風量［ｍ³ /sec］Ｑ_C1MAX：第１集塵機最大風量［ｍ³ /sec］Ｑ_C2MAX：第２集塵機最大風量［ｍ³ /sec］

【００５４】送・排風機風量上下限制約Ｑ_EMIN≦Ｘ₃≦Ｑ_EMAX …（２６）Ｑ_BMIN≦Ｘ₄≦Ｑ_BMAX …（２７）Ｑ_EMIN：排風機最小風量［ｍ³ /sec］Ｑ_BMIN：送風機最小風量［ｍ³ /sec］Ｑ_EMAX：排風機最大風量［ｍ³ /sec］Ｑ_BMAX：送風機最大風量［ｍ³ /sec］

【００５５】ジェットファン運転台数に対する制約ＭＪＦ_MIN＝Ｘ₇≦ＮＪＦ_MAX …（２８）ＭＪＦ_MIN：ジェットファン最小運転台数［台］ＮＪＦ_MAX：ジェットファン最大運転台数［台］

【００５６】その他風量に対する制約Ｘ₁≦Ｘ₅ …（２９）Ｘ₂≦Ｘ₆ …（３０）Ｘ₃≦Ｘ₅ …（３１）Ｘ₄≦Ｘ₆ …（３２）

【００５７】煤煙濃度制約Ｃ_VI1（Ｎ_L，Ｎ_S，Ｘ₅） ≦Ｃ_VIMAX…（３３）Ｃ_VI2（Ｎ_L，Ｎ_S，Ｃ_VI1，Ｘ₁，Ｘ₅） ≦Ｃ_VIMAX…（３４）Ｃ_VI3（Ｎ_L，Ｎ_S，Ｃ_VI2，Ｘ₃，Ｘ₄，Ｘ₆）≦Ｃ_VIMAX…（３５）Ｃ_VI4（Ｎ_L，Ｎ_S，Ｃ_VI3，Ｘ₂，Ｘ₆） ≦Ｃ_VIMAX…（３６）Ｃ_VIi ：第ｉＶＩ計設置地点の煤煙濃度［−］Ｎ_L ：大型車台数［台／ｈ］Ｎ^S ：小型車台数［台／ｈ］Ｃ_VIMAX：煤煙濃度上限値［−］ここで、Ｃ_VI1〜Ｃ_VI4は関数である。また、ＶＩ値と
煤煙濃度の間には、次式のような関係がある。

【００５８】Ｃ_VI＝（−１／１００）・ log₁₀（ＶＩ／１００） …（３７）Ｃ_VI：煤煙濃度［−］ＶＩ：ＶＩ値［％］従って、（３７）式のＶＩにＶＩ下限値［％］を代入す
ることにより、煤煙濃度上限値Ｃ_VIMAXが算出される。

【００５９】（４）等式制約条件圧力バランス ΔＰ_t1＋ΔＰ_t2＋ΔＰ_m＋ΔＰ_r1＋ΔＰ_r2＋ΔＰ_c1＋ΔＰ_c2＋ΔＰ_B ＋ΔＰ_JF＝０ …（３８） ΔＰ_t1＝ｆ１（Ｎ_L，Ｎ_S，Ｘ₅） …（３９−１） ΔＰ_t2＝ｆ２（Ｎ_L，Ｎ_S，Ｘ₆） …（３９−２） ΔＰ_r1＝ｆ３（Ｘ₅） …（３９−３） ΔＰ_r2＝ｆ４（Ｘ₆） …（３９−４） ΔＰ_c1＝ｆ５（Ｘ₁，Ｘ₅） …（３９−５） ΔＰ_c2＝ｆ６（Ｘ₂，Ｘ₆） …（３９−６） ΔＰ_B＝ｆ７（Ｘ₄，Ｘ₆） …（３９−７） ΔＰ_JF＝ｆ８（Ｘ₇） …（３９−８） ΔＰ_t1：立坑より坑口１ａ側の交通換気力［mmAq］ ΔＰ_t2：立坑より坑口１ｂ側の交通換気力［mmAq］ ΔＰ_m：両坑口間気圧差［mmAq］ ΔＰ_r1：立坑より坑口１ａ側の車道抵抗［mmAq］ ΔＰ_r2：立坑より坑口１ｂ側の車道抵抗［mmAq］ ΔＰ_c1：第１集塵機の昇圧力［mmAq］ ΔＰ_c2：第２集塵機の昇圧力［mmAq］ ΔＰ_B：送風機の昇圧力［mmAq］ ΔＰ_JF：ジェットファンの昇圧力［mmAq］ここで、ｆ１〜ｆ８は関数である。

【００６０】風量バランスＸ₅−Ｘ₃＋Ｘ₄＝Ｘ₆ …（４０）非線形計画法では、制約条件（２４）〜（４０）式を満
たしかつ目的関数（２３）式を最小にする変数Ｘ₁〜Ｘ
₇が求められる。

【００６１】尚、非線形計画法は一般に知られた手法で
あり、例えば下記の文献に記載されている。「今野、山
下：「非線形計画法」、日科技連（Ｓ５３）」

【００６２】また、（３３）〜（３６）の煤煙濃度の計
算式や、（３９−１）〜（３９−８）の圧力の計算式は
下記の文献等に記載されている。「日本道路協会：「道
路トンネル技術基準（換気編）・同解説」、日本道路協
会（Ｓ６０）」

【００６３】次に、運転組合せ切替手段２２では、前記
の換気量配分手段２１の演算結果（電気集塵機の運転風
量、排風機の運転風量、送風機の運転風量）に従い、各
換気機に対して運転風量指令出力し、運転組合せの切り
替えが実行される。

【００６４】また、換気機の運転実績は、換気機実績デ
ータ記憶手段３０に保存される。この保存されるデータ
は、各換気機の運転風量である。また、汚染濃度計から
の計測値は、汚染濃度データ記憶手段２９に保存され
る。本実施例の場合には、ＶＩ計９〜１２からの計測値
が保存される。

【００６５】一方、トンネルのプロセス特性が時間の経
過と共に変化する場合には、換気機運転組合せ決定手段
２０で使用されているニューラルネットワークの重み係
数を固定にしたままだと、決定される運転組合せが実状
に合わなくなることがある。そこで、教示データ作成手
段２７において、重み係数を学習するための教示データ
が作成される。

【００６６】すなわち、教示データ作成手段２７では、
交通量記憶手段２４と気圧データ記憶手段２５と汚染濃
度記憶手段２９と換気機運転実績記憶手段３０に記憶さ
れているデータを基に、前記ニューラルネットワークの
重み係数を学習するための教示データが作成される。こ
の教示データは、図３に示した入力変数（ｘ₁〜ｘ₅）
と出力変数（ｚ₁〜ｚ₈）をペアとして複数個作成され
る。教示データとは、ある入力デーダ与えられた時に、
それに対する望ましい出力値を示すものである。出力変
数ｚ₁〜ｚ₈は、運転パターンを選定するための変数で
あり、値が最も１に近い変数に対応した運転パターンが
選択される。従って、教示データにおける出力変数は、
１個のみ値が１で、他は全て０である。次に、教示デー
タの作成例について、図５を用いて説明する。

【００６７】図５の上段のグラフは、ＶＩ値の変化を表
わすもので、汚染濃度記憶手段２９に保存されているデ
ータである。また、下段のグラフは、換気機運転パター
ンの変化を表わすもので、換気機運転実績記憶手段３０
に記憶されているデータから作成されるグラフである。
換気機の運転実績データとしては、各換気機の運転風量
が保存されているが、その運転風量データから運転され
ている換気機が分かるので、それから運転組合せのパタ
ーン番号に変換して図５の下段のようなグラフが作成さ
れる。

【００６８】通常、換気機は、上記の換気機運転組合せ
決定手段２０で決められた運転パターンで運転される
が、ＶＩ値が異常に低下した場合や過剰換気の場合に
は、非常値制御や手動制御で換気機の運転組合せが変更
される。図５では、ｔ₂の時点で手動制御により運転パ
ターンが５から８に変更されている。

【００６９】また、教示データとしては、ＶＩ値の異常
低下や過剰換気がなく、ＶＩ値がある範囲に収まってい
ることが望ましい。図５の上段のグラフに示すように、
ここではＶＩ値の範囲として、下限値ＶＩ_MINと上限値
ＶＩ_MAXが設定されている。そして、この上下限の範囲
から外れる頻度の高い時間帯の運転パターンは、教示デ
ータとして採用されない。本例では、ｔ₁〜ｔ₂の時間
帯の運転パターンは、教示データから除外されている。
教示データの対象とするのは、０〜ｔ₁とｔ₂〜ｔ₃の
時間帯である。その対象とする時間帯については、交通
量データ記憶手段２４に記憶されているデータの平均値
と、気圧データ記憶手段２５に記憶されているデータの
平均値が計算されて、教示データの入力変数（ｘ₁〜ｘ
₆）が作成される。また、出力変数に対する教示データ
は、下記の通りである。０〜ｔ₁の時間帯：ｚ₃＝１，ｚ_k＝０（ｋ≠３）ｔ₂〜ｔ₃の時間帯：ｚ₈＝１，ｚ_k＝０（ｋ≠８）

【００７０】さらに、本実施例においては、入出力装置
２６を用いて、手動でも教示データの修正や追加が行え
るようになっている。そして、作成された教示データ
は、教示データ記憶手段２８に記憶される。なお、教示
データ作成手段２７における教示データの作成に当たっ
ては、上記各データ以外に、入出力装置２６から例えば
天候データも入力して、教示データ作成の一要素とする
ようにしてもよい。

【００７１】次に、ニューラルネットワーク学習手段３
１では、教示データ記憶手段２８に保存された教示デー
タを基に、換気機運転組合せ決定手段２０で使用してい
るニューラルネットワークの重み係数の学習が行なわれ
る。この場合、学習方法は、バックプロパゲーションで
ある。このバックプロパゲーションの方法は、換気機運
転組合せ決定手段２０の説明のところで述べた通りであ
る。そして、このニューラルネットワーク学習手段３１
によって求められた重み係数が、換気機組合せ決定手段
２０のニューラルネットワークで使用される。

【００７２】上述したように、本実施例のトンネル換気
制御装置においては、交通量と気圧計のデータを入力し
て、３層のニューラルネットワークを用いて換気機（電
気集塵機と送・排風機）の運転組合せを決定するように
し、かつオンラインの運用データから教示データを作成
して、ニューラルネットワークの重み係数をバックプロ
パゲーションにより自動的に学習するようにしているの
で、汚染濃度を許容値以下に維持するのに必要な換気機
の運転組合せを極めて短時間に決定することが可能とな
り、しかもトンネルプロセス特性の経年変化が大きい場
合でも、その特性変化に追随して適切な組合せ決定を実
行することが可能である。

【００７３】尚、上記実施例では、本発明を対面交通の
トンネルに適用した場合について説明したが、一方交通
のトンネルの場合には、ニューラルネットワークに入力
する交通量と大型車混入率を、一方向（上りまたは下
り）だけのデータにするようにすればよい。

【００７４】また、上記実施例では、気圧計が設置され
ている場合について説明したが、現実には両坑口に気圧
計の設置されていないトンネルも多いので、そのような
場合には、ニューラルネットワークの入力データから気
圧計の計測値を削除すればよい。すなわち、図３に示し
たニューラルネットワークにおいて、入力変数である両
坑口間気圧差ｘ₅を削除し、入力層のニューロン数を４
個に減らせばよいことになる。さらに、上記実施例で
は、運転組合せ切替手段２２を備えた場合について説明
したが、これは本発明に必要不可欠なものではない。

【００７５】

【発明の効果】以上説明したように本発明によれば、ト
ンネルの交通量のデータを入力して、ニューラルネット
ワークを用いて換気機の運転組合せを決定するように
し、かつオンラインの運用データから教示データを作成
して、ニューラルネットワークの重み係数をバックプロ
パゲーションにより自動的に学習するようにしたので、
汚染濃度を許容値以下に維持するのに必要な換気機の運
転組合せを短時間に決定することができ、しかもトンネ
ルプロセス特性の経年変化に対しても、その特性変化に
追随して適切な運転組合せ決定を実行することが可能な
極めて信頼性の高いトンネル換気制御装置が提供でき
る。

【図面の簡単な説明】

【図１】本発明による換気制御装置の一実施例を示す機
能ブロック図。

【図２】同実施例における道路トンネルの一例を示す概
略構成図。

【図３】同実施例におけるニューラルネットワークの一
例を示す図。

【図４】同実施例における換気機運転組合せのパターン
の一例を示す図。

【図５】同実施例における運用データの一例を示す図で
ある。

【符号の説明】

１…道路トンネル、２，３…電気集塵機、４…立坑、５
…排風機、６…送風機、７，８…交通量計測器、９〜１
２…煤煙透過率計（ＶＩ計）、１３…ジェットファン、
１４，１５…気圧計、１６…換気制御装置、１９…交通
量予測手段、２０…換気機運転組合せ決定手段、２１…
換気量配分手段、２２…運転組合せ切替手段、２４…交
通量データ記憶手段、２５…気圧データ記憶手段、２６
…入出力装置、２７…教示データ作成手段、２８…教示
データ記憶手段、２９…汚染濃度記憶手段、３０…換気
機運転実績記憶手段、３１…ニューラルネットワーク学
習手段。

Claims

【特許請求の範囲】

【請求項１】トンネル内に設置された複数の換気機を
操作して、前記トンネル内の汚染濃度を許容値以下に維
持するトンネル換気制御装置において、前記トンネルを通過する交通量を計測する交通量計測手
段と、前記交通量計測手段からの計測値を保存しておく交通量
データ記憶手段と、前記交通量データ記憶手段に保存されているデータに基
づいて、前記トンネルを通過する交通量を予測する交通
量予測手段と、前記交通量予測手段により予測された交通量を入力し、
前記換気機の運転組合せパターンをニューラルネットワ
ークにより決定する換気機運転組合せ決定手段と、前記交通量予測手段により予測された交通量と、前記換
気機運転組合せ決定手段により決定された換気機の運転
組合せパターンとに基づいて、前記トンネル内の汚染濃
度を許容値以下に維持するのに必要な各換気機の風量を
演算する換気量配分手段と、前記換気機の運転実績を保存しておくための換気機運転
実績記憶手段と、前記トンネル内に設置されている汚染濃度計からの計測
値を保存しておくための汚染濃度記憶手段と、前記交通量データ記憶手段に保存されている交通量計測
データと、前記換気機運転実績記憶手段に保存されてい
る換気機運転組合せの実績パターンと、前記汚染濃度記
憶手段に保存されている汚染濃度データとに基づいて、
前記換気機運転組合せ決定手段に使用されるニューラル
ネットワークの学習を行なうための教示データを作成す
る教示データ作成手段と、前記教示データ作成手段により作成された教示データに
基づいて、前記ニューラルネットワークのパラメータを
学習するニューラルネットワーク学習手段と、を備えて成ることを特徴とするトンネル換気制御装置。
【請求項２】請求項１に記載のトンネル換気制御装置
において、前記換気量配分手段により演算された配分換
気量に基づいて、前記換気機の運転組合せを切り替える
運転組合せ切替手段を付加して成ることを特徴とするト
ンネル換気制御装置。