JPH07182009A - 制御装置 - Google Patents

Abstract

(57)【要約】 【目的】 ２入力２出力制御により制御対象全体の制御
状態を適切に制御し得る制御装置。 【構成】 この装置Ａ３は，ごみ焼却炉２１の燃焼状態
を表わす炉内温度を検出する温度計２２と，炉内温度に
基づいて焼却炉２１に供給されるごみ供給量を演算する
ごみ供給量演算部２３と，焼却炉２１の燃焼状態を視覚
的に捕らえるカメラ２４と，炉内の燃焼状態に対応する
画像情報を作成する画像情報作成部２５と，画像情報の
中から特徴量を抽出する特徴量抽出部２６と，特徴量と
炉内の燃焼状態との関係を予め学習させておいたニュー
ラルネットワークに，特徴量抽出部２６により抽出され
た特徴量を入力することによって，炉内への水噴霧量を
演算する水噴霧量演算部２７と，各々演算されたごみ供
給量と水噴霧量とを非干渉化する補正部２８，２９とか
ら構成されている。上記構成により，２入力２出力制御
によって炉内全体の燃焼状態を適切に制御することがで
きる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は制御装置に係り，詳しく
は２入力２出力制御により制御対象を適切に制御するこ
とのできる制御装置に関するものである。

【０００２】

【従来の技術】従来より，制御対象を制御するための制
御装置としては種々のものが開発されている。例えば，
都市ごみ，産業廃棄物等を焼却又は熱分解する流動床式
ごみ焼却炉の燃焼制御装置もその１つである（特告平１
−３９００７号公報等）。図８はこのような従来のごみ
焼却炉の燃焼制御装置Ａ０の一例における概略構成を示
す模式図である。図８に示すごとく，従来のごみ焼却炉
の燃焼制御装置Ａ０では，ごみ焼却炉２１の燃焼状態を
表わす炉内温度を検出する温度計２２により検出された
炉内温度に基づいてごみ焼却炉２１に供給されるごみ供
給量を演算するごみ供給量演算部２３′を具備してい
た。従って，この従来装置Ａ０では，単一な入力データ
である炉内温度（制御量）に基づいて単一の出力データ
であるごみ供給量（操作量）を決定しており，いわゆる
１入力１出力制御を実現していた。

【０００３】

【発明が解決しようとする課題】従来のごみ焼却炉の燃
焼制御装置Ａ０では，単一のデータすなわち１入力１出
力だけで制御しようとするため，制御対象全体の制御状
態を適切に制御することが困難である。例えば，上記し
たような装置Ａ０では，温度計２２として通常用いられ
る熱電対は時定数が大きく，また炉内のある一点だけの
温度を計測しているにすぎない。従って，１入力１出力
だけで制御しようとすると炉内全体の燃焼を適切に行う
ことができない。そのため焼却炉全体の温度情報を例え
ば高速で検出することのできる画像情報等の形で検出
し，炉内への噴水量のような応答性の高い操作量を制御
することも考えられるが，これのみではハンチング等の
生じる問題があり，やはり理想に近い制御を行うことが
できない。そのため本願は上記のような制御量，操作量
が共に時定数に開きのある２入力２出力の制御系を合理
的に組み合わせて制御性の良いシステムを提供すること
を目的とする。上記のような２入力２出力で，各入力
間，各出力間の応答性に差がある系は焼却炉以外の種々
のシステムに取り入れられており，制御性に関する共通
の課題を有している。従って本発明は，このような従来
の技術における課題を解決するために，制御装置を改良
し，２入力２出力制御を行うことにより制御対象全体の
制御状態を適切に制御し得る制御装置を提供することを
目的とするものである。

【０００４】

【課題を解決するための手段】上記目的を達成するため
に第１の発明は，制御対象の制御状態におけるある状態
量を表す第１の制御量を検出する第１の検出手段と，上
記第１の検出手段により検出される第１の制御量に対
し，応答時間に差のある他の状態量を表す第２の制御量
を検出する第２の検出手段と，上記第１の検出手段によ
り検出された第１の制御量に基づいて上記制御対象の制
御を行うための第１の操作量を演算する第１の演算手段
と，上記第２の検出手段により検出された第２の制御量
に基づいて上記第１の演算手段により演算される第１の
操作量に対し，反応時間に差のある第２の操作量を演算
する第２の演算手段と，上記第１の演算手段により演算
された第１の操作量と，上記第２の演算手段により演算
された第２の操作量とを互いに非干渉化する第１の非干
渉化手段とを具備し，上記第１の非干渉手段により互い
に非干渉化された第１，第２の操作量を用いて上記制御
対象を制御してなる制御装置として構成されている。さ
らには，上記第１の制御量よりも上記第２の制御量の検
出時の応答が速く，かつ上記第１の操作量よりも上記第
２の操作量による制御時の反応が速い場合に，上記第２
の演算手段が高速演算を行う制御装置である。さらに
は，上記第２の演算手段による演算にニューラルネット
ワークを用いる制御装置である。さらには，上記ニュー
ラルネットワークがバックプロパゲーションモデルであ
る制御装置である。さらには，上記第１の非干渉化手段
が上記第１の演算手段により演算された第１の操作量を
上記第２の検出手段により検出された第２の制御量に基
づいて補正する制御装置である。さらには，上記第１の
非干渉化手段が上記第２の演算手段により演算された第
２の操作量を上記第１の検出手段により検出された第１
の制御量に基づいて補正する制御装置である。

【０００５】第２の発明は，燃焼装置の燃焼状態におけ
るある状態量を表す第３の制御量を検出する第３の検出
手段と，上記第３の検出手段により検出される第３の制
御量に対し，応答時間に差のある他の状態量を表す第４
の制御量を検出する第４の検出手段と，上記第３の検出
手段により検出された第３の制御量に基づいて上記燃焼
装置の制御を行うための第３の操作量を演算する第３の
演算手段と，上記第４の検出手段により検出された第４
の制御量に基づいて上記第３の演算手段により演算され
る第３の操作量に対し，反応時間に差のある第４の操作
量を演算する第４の演算手段と，上記第３の演算手段に
より演算された第３の操作量と，上記第４の演算手段に
より演算された第４の操作量とを互いに非干渉化する第
２の非干渉手段とを具備し，上記第２の非干渉化手段に
より互いに非干渉化された第３，第４の操作量を用いて
上記燃焼装置を制御してなる燃焼制御装置として構成さ
れている。さらには，上記第３の制御量よりも上記第４
の制御量の検出時の応答が速く，かつ上記第３の操作量
よりも上記第４の操作量による制御時の反応が速い場合
に，上記第４の演算手段が高速演算を行う燃焼制御装置
である。さらには，上記第４の演算手段による演算にニ
ューラルネットワークを用いる燃焼制御装置である。さ
らには，上記ニューラルネットワークがバックプロパゲ
ーションモデルである燃焼制御装置である。さらには，
上記第２の非干渉化手段が上記第３の演算手段により演
算された第３の操作量を上記第４の検出手段により検出
された第４の制御量に基づいて補正する燃焼制御装置で
ある。さらには，上記第２の非干渉化手段が上記第４の
演算手段により演算された第４の操作量を上記第３の検
出手段により検出された第３の制御量に基づいて補正す
る燃焼制御装置である。さらには，上記燃焼装置がごみ
焼却炉である燃焼制御装置である。さらには，上記第３
の制御量が炉内温度で，かつ上記第４の制御量が炉内の
燃焼状態に応じた画像情報である燃焼制御装置である。
さらには，上記第３の操作量がごみ供給量で，かつ上記
第４の操作量が炉内への水噴霧量である燃焼制御装置で
ある。

【０００６】第３の発明は，ごみ焼却炉の燃焼状態を表
す炉内温度を検出する温度計と，上記温度計により検出
された炉内温度に基づいて上記焼却炉に供給されるごみ
供給量を演算するごみ供給量演算部とを具備したごみ焼
却炉の燃焼制御装置において，上記焼却炉の燃焼状態を
視覚的にとらえるカメラと，上記カメラでとらえられた
炉内の燃焼状態に対応する画像情報を作成する画像情報
作成部と，上記画像情報作成部により作成された画像情
報の中から特徴量を抽出する特徴量抽出部と，上記特徴
量と炉内の燃焼状態との関係を予め学習させておいたニ
ューラルネットワークに，上記特徴量抽出部により抽出
された特徴量を入力することによって，焼却炉の燃焼状
態を制御するために炉内に噴霧される水噴霧量を演算す
る水噴霧量演算部と，上記ごみ供給量演算部により演算
されたごみ供給量を上記カメラにより捕らえられた炉内
の燃焼状態に対応する画像情報に基づいて補正するごみ
供給量補正部と，上記水噴霧量演算部により演算された
水噴霧量を上記温度計により検出された炉内温度に基づ
いて補正する水噴霧量補正部とを具備し，上記ごみ供給
量補正部により補正されたごみ供給量と，上記水噴霧量
補正部により補正された水噴霧量とを用いて上記焼却炉
を制御してなることを特徴とするごみ焼却炉の燃焼制御
装置として構成されている。さらには，上記特徴量が所
定の曲線で表わされるごみ焼却炉の燃焼制御装置であ
る。さらには，上記所定の曲線が上記焼却炉内横方向の
輝度分布曲線であるごみ焼却炉の燃焼制御装置である。

【０００７】

【作用】第１の発明によれば，制御対象の制御状態にお
けるある状態量を表わす第１の制御量が第１の制御手段
により検出される。上記第１の検出手段により検出され
る第１の制御量に対し，応答時間に差のある他の状態量
を表わす第２の制御量が第２の検出手段により検出され
る。上記第１の検出手段により検出された第１の制御量
に基づいて上記制御対象の制御を行うための第１の操作
量が第１の演算手段により演算される。上記第２の検出
手段により検出された第２の制御量に基づいて上記第１
の演算手段により演算される第１の操作量に対し，反応
時間に差のある第２の操作量が第２の演算手段により演
算される。上記第１の演算手段により演算された第１の
操作量と上記第２の演算手段により演算された第２の操
作量とが第１の非干渉化手段により互いに非干渉化され
る。上記第１の非干渉化手段により互いに非干渉化され
た第１，第２の操作量を用いて上記制御対象が制御され
る。このように，互いに応答時間の異なる第１の制御量
と第２の制御量，及び互いに反応時間の異なる第１の操
作量と第２の操作量を用いて２入力２出力制御を実行す
ることにより，従来の１入力１出力制御に較べて幅広い
制御を行えるため制御対象全体の制御状態を適切に制御
することができる。さらに，上記第１の制御量よりも上
記第２の制御量の検出時の応答が速く，かつ上記第１の
操作量よりも上記第２の操作量による制御時の反応が速
い場合に，上記第２の演算手段により高速演算を行え
ば，高速の制御系と低速の制御系とが得られ，これらが
互いに補完しあってより幅広い制御を行えるため，制御
対象全体の制御状態をより適切に制御することができ
る。さらに，上記第２の演算手段による演算にニューラ
ルネットワークを用いた場合，上記第２の制御量が速い
変動等を伴う場合であっても，第２の制御量の変化を確
実に捕らえることができてしかも高速演算を行うことが
できる。さらに，上記ニューラルネットワークに信頼性
のあるバックプロパゲーションモデルを用いた場合，学
習内容に基づいて上記第２の制御量から上記第２の操作
量を精度よく決定することができる。

【０００８】さらに，上記第１の非干渉化手段が上記第
１の演算手段により演算された第１の操作量を上記第２
の検出手段により検出された第２の制御量に基づいて補
正するものとすれば，上記第１の操作量による制御命令
が上記第２の操作量による制御命令と矛盾したものとな
ることを避けることができる。さらに，上記第１の非干
渉化手段が上記第２の演算手段により演算された第２の
操作量を上記第１の検出手段により検出された第１の制
御量に基づいて補正するものとすれば，上記第２の操作
量による制御命令が上記第１の操作量による制御命令と
矛盾したものとなることを避けることができる。従っ
て，上記第１の操作量と第２の操作量とを両方共補正す
ることにより互いに矛盾した制御命令を発することがな
くなる。又，第２の発明によれば，燃焼装置の燃焼状態
におけるある状態量を示す第３の制御量が第３の検出手
段により検出される。上記第３の検出により検出される
第３の制御量に対し，応答時間に差のある他の状態量を
表す第４の制御量が第４の検出により検出される。上記
第３の検出手段により検出された第３の制御量に基づい
て上記燃焼装置の制御を行うための第３の操作量が第３
の演算手段により演算される。上記第４の検出手段によ
り検出された第４の制御量に基づいて上記上記第３の演
算手段により演算される第３の操作量に対し，反応時間
に差がある第４の操作量が第４の演算手段により演算さ
れる。上記第３の演算手段により演算された第３の操作
量と，上記第４の演算手段により演算された第４の操作
量とが第２の非干渉化手段により互いに非干渉化され
る。上記第２の非干渉化手段により互いに非干渉化され
た第３，第４の操作量を用いて上記燃焼装置が制御され
る。このように，上記第１の発明における制御対象を燃
焼装置とした場合にも，上記第１の発明と同様，２入力
２出力制御により燃焼装置全体の燃焼状態を適切に制御
することができる。さらに，上記燃焼装置がごみ焼却炉
とされる。さらに，上記第３の制御量が炉内温度で，か
つ上記第４の制御量が炉内の燃焼状態に応じた画像情報
とされる。さらに，上記第３の操作量がごみ供給量で，
かつ上記第４の操作量が炉内への水噴霧量とされる。

【０００９】炉内への水噴霧は，炉内温度を下げるだけ
の一方向の制御しか行えず，しかも反応速度が速いた
め，従来は制御の対象外とされていた。しかしここで
は，上記水噴霧を前記第１の発明で述べた高速の制御系
に組みこむことにより，燃焼状態の速い変動にも追従し
た制御を可能とした。これにより，ごみ焼却炉の幅広い
制御が可能となり，その結果，炉内全体の燃焼状態を適
切に制御することができる。又，第３の発明によれば，
ごみ焼却炉の燃焼状態を表わす炉内温度が温度計により
検出され，上記温度計により検出された炉内温度に基づ
いて上記焼却炉に供給されるごみ供給量がごみ供給量演
算部により演算されるに際し，上記焼却炉の燃焼状態が
カメラにより視覚的に捕らえられる。上記カメラで捕ら
えられた炉内の燃焼状態に対応する画像情報が画像情報
作成部により作成される。上記画像情報作成部により作
成された画像情報の中から特徴量が特徴量抽出部により
抽出される。上記特徴量と炉内の燃焼状態との関係を予
め学習させておいたニューラルネットワークに，上記特
徴量抽出部により抽出された特徴量が入力されることに
よって，焼却炉の燃焼状態を制御するために炉内に噴霧
される水噴霧量が水噴霧量演算部により演算される。上
記ごみ供給量演算部により演算されたごみ供給量が上記
カメラにより捕らえられた炉内の燃焼状態に対応する画
像情報に基づいてごみ供給量補正部により補正される。
上記水噴霧量演算部により演算された水噴霧量が上記温
度計により検出された炉内温度に基づいて水噴霧量補正
部により補正される。上記ごみ供給量補正部により補正
されたごみ供給量と，上記水噴霧量補正部により補正さ
れた水噴霧量とを用いて上記焼却炉が制御される。この
ように，炉内の燃焼状態に対応する画像情報の中から抽
出された特徴量を学習後のニューラルネットワークに入
力することにより，最適な水噴霧量を得ることができ
る。従って，この場合ごみ焼却炉の全体の燃焼状態をよ
り適切に制御することができる。さらに，上記特徴量を
所定の曲線で表わされるものとした場合，上記特徴量の
パターン化が容易となり抽出しやすくなる。さらに，上
記所定の曲線を上記焼却炉内横方向の輝度分布曲線とし
た場合，カメラによって確実に捕らえることができる。
よってその画像情報から特徴量抽出，操作量演算に至る
までの一連の演算を精度よく行うことができる。その結
果，いずれの場合も，２入力２出力制御によって制御対
象全体の制御状態を適切に制御することができる。

【００１０】

【実施例】以下添付図面を参照して，本発明（第１〜第
３の発明）を具体化した実施例につき説明し，本発明の
理解に供する。尚，以下の実施例は，本発明を具体化し
た一例であって，本発明の技術的範囲を限定する性格の
ものではない。ここに，図１は，第１（第２）の発明の
一実施例に係る制御装置Ａ１（燃焼制御装置Ａ２）の概
略構成を示すブロック図，図２は３層ニューラルネット
ワークのバックプロパゲーションモデルを示す模式図，
図３は第３発明の一実施例に係るごみ焼却炉の燃焼制御
装置Ａ３の概略構成を示す模式図，図４は画像情報マト
リクスを示す例図，図５は曲線状の特徴量を示す例図，
図６は炉内温度のみに基づく炉内燃焼状態の制御系を示
すブロック線図，図７は炉内温度と画像情報とに基づく
炉内燃焼状態の制御系を示すブロック線図である。尚，
前記図８に示した従来のごみ焼却炉の燃焼制御装置Ａ０
の一例における概略構成を示す模式図と共通する要素に
は同一符号を使用する。図１に示す如く，第１の発明の
一実施例に係る制御装置Ａ１では，制御対象１の制御状
態におけるある状態量を表わす第１の制御量Ｘ１を検出
する第１のセンサ２（第１の検出手段に相当）と，第１
のセンサ２により検出される第１の制御量Ｘ１に対し応
答時間に差のある他の状態量を表わす第２の制御量Ｘ２
を検出する第２のセンサ３（第２の検出手段に相当）
と，第１のセンサ３により検出された第１の制御量Ｘ１
に基づいて制御対象１の制御を行うための第１の操作量
Ｙ１を演算する第１の演算部４（第１の演算手段に相
当）と，第２のセンサ３により検出された第２の制御量
Ｘ２に基づいて第１の演算部４により演算される第１の
操作量Ｙ１に対して反応時間に差のある第２の操作量Ｙ
２を演算する第２の演算部５（第２の演算手段に相当）
と，第１の演算部４により演算された第１の操作量Ｙ１
と，第２の演算部５により演算された第２の操作量Ｙ２
とを，互いに非干渉化する第１の非干渉化演算部６（第
１の非干渉化手段に相当）とを具備し，第１の非干渉化
演算部６により互いに非干渉化された第１，第２の操作
量Ｙ１′，Ｙ２′を用いて制御対象１を制御するように
構成されている。

【００１１】第１，第２の演算部４，５及び第１の非干
渉化演算部６は例えばコンピュータのメモリ（不図示）
内部に構築されたソフトウエアの各工程して具現化され
る。制御対象１としては，温度，輝度等の少なくとも２
種類の状態量の変化を伴うものであればよく，また第
１，第２のセンサ２，３はそれらの変化を検出しうるタ
イプのものが用いられる。以下，この装置Ａ１の動作に
ついて略述する。まず，制御対象１について，第１，第
２のセンサ２，３により第１，第２の制御量Ｘ１，Ｘ２
をそれぞれ検出する。検出された第１の制御量Ｘ１を第
１の演算部４に入力し，第２の制御量Ｘ２を第２の演算
部５に入力する。そして，第１，第２の演算部４，５の
各出力である第１，第２の操作量Ｙ１，Ｙ２を用いて制
御対象１を制御する。しかし，このままでは従来例にて
述べた１入力１出力制御を単に二重化しているにすぎ
ず，２つの操作量Ｙ１，Ｙ２が互いに矛盾した制御を命
ずる場合がある。これは，制御対象１→第１のセンサ２
→第１の演算部４→制御対象１で構成される第１の制御
ループＬ１と，制御対象１→第２のセンサ３→第２の演
算部５→制御対象１で構成される第２の制御ループＬ２
との間で情報伝達速度に差があるためである。そこで，
この装置Ａ１では，第１，第２の演算部４，５と制御対
象１との間に第１の非干渉化演算部６を設けて，２つの
操作量Ｙ１′，Ｙ２′が互いに矛盾した制御命令となら
ないようにしている。このように互いに応答時間の異な
る第１の制御量Ｘ１と第２の制御量Ｘ２，及び互いに反
応時間の異なる第１の操作量Ｙ１′と第２の操作量Ｙ
２′を用いていわゆる２入力２出力制御を実行すること
により従来例の１入力１出力制御に較べて幅広い制御を
行なえる。これにより制御対象１の制御状態を適切に制
御できる。

【００１２】さらに，第１の制御量Ｘ１よりも第２の制
御量Ｘ２の検出時の応答が速く，かつ第１の操作量Ｙ
１′よりも第２の操作量Ｙ２′による制御時の反応が速
い場合に，第２の演算部５により高速演算を行えば，第
１の制御ループＬ１は低速ループ，第２の制御ループＬ
２は高速ループとなる。この場合，両ループＬ１，Ｌ２
が互いに補完しあってより幅広い制御を行なえるため，
制御対象１全体の制御状態をより適切に制御することが
できる。第１の演算部４としては，例えば一般的なフィ
ードバック制御を用いる。ただし，制御精度の観点から
周知の最適制御理論を用いてもよい。また，第２の演算
部５としては，上記の如く演算速度が要求される場合に
は，ニューラルネットワークやエキスパートシステム等
を用いる。ここでは，ニューラルネットワークの，例え
ば図２に示すような３層のニューロンからなるバックプ
ロパゲーションモデルを用いる。ただし，更に多層のモ
デルを用いてもよい。このバックプロパゲーションモデ
ルでは，覚えさせたい情報である教師情報を出力層に与
えて学習させることにより各層間の結合荷重を自動改変
する。つまり，中間層が出力層の誤差に関与している度
合いをニューロン間における誤差とし，その誤差が少く
なるように入力層のニューロンの入力に掛ける加重を改
変して最適化する。従って，予め第２の制御量Ｘ２と第
２の操作量Ｙ２との必ずしも一律でない関係を一定量教
師情報として与えて学習させておいたバックプロパゲー
ションモデルに，第２のセンサ３により検出された第２
の制御量Ｘ２を入力すると，これに対応する第２の操作
量Ｙ２が一意に出力される。これにより，第２の制御量
Ｘ２が速い変動を伴う場合であっても，この第２の制御
量Ｘ２を確実に捕らえることができて，しかも高速演算
を行うことができる。特に，バックプロパゲーションモ
デルは信頼性が優れていることから，第２の操作量Ｙ２
を精度よく決定できる。以下，第１の非干渉化演算部６
について，さらに具体化する。第１の非干渉化演算部６
は，図１に示すように，第１の補正部７と第２の補正部
８とからなる。

【００１３】第１の補正部７は第１の演算部４により演
算された第１の操作量Ｙ１を第２のセンサ３により検出
された第２の制御量Ｘ２に基づいて補正するものであ
る。ここでは，第１の操作量Ｙ１と第２の制御量Ｘ２と
の関係（例えば温度が上がれば水をかける等）を予め経
験的なルールもしくはそれに代わる数式にて表現してお
き，このルールもしくは数式を用いて第１の補正部７の
ゲインを修正する。これにより，第１の操作量Ｙ１によ
る制御命令が第２の操作量による制御命令と矛盾したも
のとなることを避けることができる。第２の補正部８は
第２の演算部５により演算された第２の操作量Ｘ２を第
１のセンサ２により検出された第１の制御量Ｘ１に基づ
いて補正する。ここでも第１の補正部７と同様のルール
もしくは数式を用いて第２の補正部８のゲインを修正す
る。これにより，第２の操作量Ｙ２による制御命令が第
１の操作量Ｙ１による制御命令と矛盾したものとなるこ
とを避けることができる。従って，両補正部７，８によ
り第１の操作量Ｙ１と第２の操作量Ｙ２とを両方共補正
することによって，互いに矛盾した制御命令を発するこ
とがなくなる。ただし，いずれかの制御命令が支配的で
あるような場合には，この支配的な制御命令となる方の
操作量（Ｙ１又はＹ２）のみを補正することとすればよ
く，その場合には，装置の簡略化を図ることもできる。
ところで，上記第１の発明の制御装置Ａ１における制御
対象１としては種々のものが考えられるが，例えばボイ
ラやごみ焼却炉等の燃焼装置とした場合が第２の発明で
ある。以下，第２の発明について略述する。

【００１４】図１のかっこ内に示す如く，第２の発明の
一実施例に係る燃焼装置Ａ２は，燃焼装置１１の燃焼状
態におけるある状態量を表わす第３の制御量Ｘ１１を検
出する第３のセンサ１２（第３の検出手段に相当）と，
第３のセンサ１２により検出される第３の制御量Ｘ１１
に対し，応答時間に差のある他の状態量を表わす第４の
制御量Ｘ１２を検出する第４のセンサ１３（第４の検出
手段に相当）と，第３のセンサ１２により検出された第
３の制御量Ｘ１１に基づいて燃焼装置１１の制御を行う
ための第３の操作量Ｙ１１を演算する第３の演算部１４
（第３の演算手段に相当）と，第４のセンサ１３により
検出された第４の制御量Ｘ１２に基づいて第３の演算部
１４により演算される第３の操作量Ｙ１１に対し，反応
時間に差のある第４の操作量Ｙ１２を演算する第４の演
算部１５（第４の演算手段に相当）と，第３の演算部１
４により演算された第３の操作量Ｙ１１と，第４の演算
部１５により演算された第４の操作量Ｙ１２とを互いに
非干渉化する第２の非干渉化演算部１６（第２の非干渉
化手段に相当）とを具備し，第２の非干渉化演算部１６
により互いに非干渉化された第３，第４の操作量Ｙ１
１′，Ｙ１２′を用いて燃焼装置１１を制御するように
構成されており，上記装置Ａ１と同様に動作する。従っ
て，この装置Ａ２についても，互いに応答時間の異なる
第３の制御量Ｘ１１と第４の制御量Ｘ１２，及び互いに
反応時間の異なる第３の操作量Ｙ１１′と第４の操作量
Ｙ１２′を用いて２入力２出力制御を行うことにより，
燃焼装置１１全体の燃焼状態を適切に制御することがで
きる。さらに，第３の制御量Ｘ１１よりも第４の制御量
Ｘ１２の検出時の応答が速く，かつ第３の操作量Ｙ１１
よりも第４の操作量Ｙ１２による制御時の反応が速い場
合には，第４の演算部１５により高速演算を行う。第２
の演算部１５としてニューラルネットワーク（例えばバ
ックプロパゲーションモデル）を用いる。第２の非干渉
化演算部１６としては，第３の演算部１４により演算さ
れた第３の操作量Ｙ１１を第４のセンサ１３により検出
された第２の制御量Ｘ１２に基づいて補正する第３の補
正部１７と，第４の演算部１５により演算された第４の
操作量Ｙ１２を第３のセンサ１２により検出された第３
の制御量Ｘ１１に基づいて補正する第４の補正部１８と
を設ける。これらによっても上記装置Ａ１と同様の作用
効果が得られる。

【００１５】さらに，この装置Ａ２における燃焼装置１
１をごみ焼却炉に適用する。その場合，さらに，第３の
制御量Ｘ１１を炉内温度とし，かつ第４の制御量Ｘ１２
を炉内の燃焼状態に応じた画像情報とする。さらに，第
３の操作量Ｙ１１をごみ供給量とし，かつ第４の操作量
Ｙ１２を炉内への水の噴霧量とする。炉内への水噴霧量
は，炉内温度を下げるだけの一方向の制御しか行えず，
しかも反応速度が速いため，従来は制御対象外とされて
いた。しかし，ここでは，その水噴霧を上述した両ルー
プＬ１，Ｌ２と同様の第３，第４の制御ループＬ１１，
Ｌ１２の内，高速の第３の制御ループＬ１１に組み込む
ことにより，燃焼状態の速い変動に追従した制御を可能
とした。これにより，ごみ焼却炉の幅広い制御が可能と
なり，その結果，炉内全体の燃焼状態を適切に制御する
ことができる。この装置Ａ２のごみ焼却炉への適用例を
さらに発展させたものが第３の発明であり，以下，第３
の発明について述べる。図３に示す如く，第３の発明の
一実施例に係るごみ焼却炉の燃焼制御装置Ａ３は，ごみ
焼却炉２１の燃焼状態を表わす炉内温度を検出する温度
計２２と，この温度計２２により検出された炉内温度に
基づいて焼却炉２１に供給されるごみ供給量を演算する
ごみ供給量演算部２３とを具備している点で従来例（装
置Ａ０）と同様である。しかし，この実施例では，焼却
炉２１の燃焼状態を視覚的に捕らえるカメラ２４と，カ
メラ２４で捕らえられた炉内の燃焼状態に対応する画像
情報を作成する画像情報作成部２５と，画像情報作成部
２５により作成された画像情報の中から特徴量を抽出す
る特徴量抽出部２６と，上記特徴量と炉内の燃焼状態と
の関係を予め学習させておいたニューラルネットワーク
に，特徴量抽出部２６により抽出された特徴量を入力す
ることによって，焼却炉２１の燃焼状態を制御するため
に炉内に噴霧される水噴霧量を演算する水噴霧量演算部
２７と，ごみ供給量演算部２３により演算されたごみ供
給量をカメラ２４により捕らえられた炉内の燃焼状態に
対応する画像情報基づいて補正するごみ供給量補正部２
８と，水噴霧量演算部２７により演算された水噴霧量を
温度計２２により検出された炉内温度に基づいて補正す
る水噴霧量補正部２９とを具備し，ごみ供給量補正部２
８により補正されたごみ供給量と，水噴霧量補正部２９
により補正された水噴霧量とを用いて焼却炉２１を制御
する点で従来例と異なる。

【００１６】以下，この装置Ａ３の動作について述べ
る。先ず，ごみ焼却炉２１内にセンサ部分を取り付けた
温度計２２により炉内温度を検出する。温度計２２とし
ては，ここでは一般的な熱電対を用いる。次に，炉内の
燃焼状態を観測できる窓（不図示）に取り付けられたカ
メラ２４により炉内の燃焼状況を捕らえる。カメラ２４
としてはここではカラー画像を得ることのできるＣＣＤ
カメラを用いる。カメラ２４から得られるビデオ信号を
例えばコンピュータ内部に構築された画像情報処理部２
５に取り込む。画像情報処理部２５ではカメラ２４によ
り撮像されたカラー画像を基に必要な画像処理をほどこ
す。画像処理をほどこされた画像情報は，特徴量抽出部
２６に送られ，ここで炉内状況を表す物理的特徴量を抽
出する。ここでは炉内横方向での輝度分布を特徴量とし
て抽出する。具体的には，図４に示したような画像情報
マトリクスの各列または各行毎に全ての画像の輝度を加
算する。その結果を基に，最大値で正規化すると図５に
示すような曲線状の特徴量を抽出することができる。予
めこのような曲線状の特徴量とその時のオペレータの判
断による水噴霧量との関係を教師情報として学習させて
あるニューラルネットワークに特徴量抽出部２６から送
られてきた特徴量の値を入力することにより，その出力
結果として適切な水噴霧量が得られる。この為の演算
は，水噴霧量演算部２７が受け持つ。一方，温度計２２
により検出される炉内温度は，図６のブロック線図で表
わされるように，ごみ供給量演算部２３によりごみ供給
量を決定するために用いられる。図中のゲインＫＩやＫ
は燃焼現象をモデル化し，最適制御理論に基づいて決定
される。最適制御理論としては例えば周知の適応制御理
論などが用いられる。上記ブロック線図では，炉内温度
のみに基づく炉内燃焼状態の制御系を示しているが，本
実施例の特徴である画像情報をも考慮した炉内燃焼状態
の制御系を図７に示した。ただし，図中のゲインＫ１，
Ｋ２は炉内温度と画像情報とに基づく炉内燃焼状態の干
渉を防ぐ為の非干渉ゲインであり，それぞれごみ供給量
補正部２８，水噴霧量補正部２９の各ゲインを表わすも
のである。ここで，ゲインＫ２については，補正命令が
ニューラルネットワークから発せられているが，これは
カメラ２４によって捕らえられた燃焼状態を処理して得
られた画像情報を用いるために同ネットワークを経由さ
せているものである。

【００１７】以上のように，本実施例によれば，カメラ
２４から得られる炉内の画像情報と，温度計２２から得
られる温度情報とを利用して，炉内全体の燃焼状態を把
握し，その状態に基づいて炉内への水噴霧量とごみの供
給量とを適切に操作するものである。これにより，炉内
全体の燃焼を安定に行うことができ，低公害化を図るこ
とができる。あるいは温度変動を減少させることにより
排熱の熱回収の効率を増加させることができる。ここ
で，カメラ２４から得られる炉内の画像情報は，通常，
温度計２２から得られる温度情報に比べて応答時間が速
い。一方，炉内への水噴霧量は，ごみ供給量に比べて燃
焼状態の反応時間が短い。又，水噴霧は温度を下げるこ
としかできず，最適制御理論では取り扱いはむずかいた
め，ここではニューラルネットワークを用いることによ
り解決している。ニューラルネットワークとしては基本
的な３層のニューラルネットワークを用い，具体的には
バックプロパゲーションモデルが用いられる。これによ
り確実に操作量を演算させることができる。これらの点
については第１，第２の発明において既に述べた通りで
ある。また，水噴霧量と画像情報と，またごみ供給量と
炉内温度とをそれぞれ組み合わせた理由は，例えば炎が
強すぎる場合，水で冷やすといったように速い応答が可
能であるためである。もし，逆の組み合せとした場合
は，炉内温度が上がりだしてから水をかけることにな
り，応答が遅くなるため不具合いである。次に，ゲイン
Ｋ１，Ｋ２を変化させているのは，例えば温度がｘｘな
らば，水はできるだけかけたくないなどの経験的知識を
反映するものである。従ってここでも，第１，第２の発
明と同様に経験的ルールあるいはそれに変わる数式によ
り変化させるものとしている。以上のように，上記各実
施例によれば，いずれの場合も，２入力２出力制御を行
うことにより，制御対象全体の制御状態を適切に制御す
ることのできる制御装置を得ることができる。尚，上記
実施例装置Ａ１〜Ａ３では，ニューラルネットワークと
してはバックプロパゲーションモデルを用いたが，実使
用に際しては教師情報の必要のないコホーネン型のニュ
ーラルネットワークを用いてもよい。その場合は，予め
学習させておくことが不要となるため，予め有用なデー
タを得ることが困難な制御装置に好適である。

【００１８】また，上記実施例装置Ａ３では，画像情報
を得るべくカメラを使用しているが，実使用に際しては
カメラの替わりに例えば輻射型温度計を用いてよい。そ
の場合は熱電対などの温度計に比べて，時定数を小さく
とることができるため，応答時間を短くして上記対応を
行うことができる。また，熱電対などの温度計について
は，実施例装置Ａ３では炉頂部に１個設けているが，炉
の周囲に複数個設けてもよい。複数個設けた場合には，
炉全体にわたっての燃焼状態を知ることができる。この
為，前記輻射型温度計により応答時間の速い情報を得る
と共に，炉全体の情報については複数の熱電対により得
ることも考えられる。尚，上記実施例装置Ａ３では，焼
却炉の操作量としてごみ供給量と水噴霧量とを用いるこ
ととしたが，実使用に際しては，例えば流動床式焼却炉
の場合には，ごみ供給量や水噴霧量に代えて，もしくは
これらに加えて１次空気量・温度や２空気量・温度を用
いることも考えられる。尚，上記実施例装置Ａ１では，
第１，第２の演算部４，５及び第１の非干渉化演算部６
を，上記実施例装置Ａ２では，第３，第４の演算部１
４，１５及び第２の非干渉化演算部１６を，また，上記
実施例装置Ａ３では，ごみ供給量演算部２３，画像情報
作成部２５，特徴量抽出部２６，水噴霧量演算部２７，
ごみ供給量補正部２８及び水噴霧量補正部２９をそれぞ
れコンピュータ内部に構築されたソフトウエアの各工程
として想定しているが，実使用に際しては，これらの全
部又は一部をハードウエアにて構成してもなんら支障は
ない。

【００１９】

【発明の効果】第１の発明に係る制御装置は上記したよ
うに構成されており，互いに応答時間の異なる第１の制
御量と第２の制御量，及び互いに反応時間の異なる第１
の操作量と第２の操作量を用いて２入力２出力制御を実
行することにより，従来の１入力１出力制御に較べて幅
広い制御を行えるため，制御対象全体の制御状態を適切
に制御することができる。さらに，上記第１の制御量よ
りも上記第２の制御量の検出時の応答が速く，かつ上記
第１の操作量よりも上記第２の操作量による制御時の反
応が速い場合に，上記第２の演算手段により高速演算を
行えば，高速の制御系と低速の制御系とが得られ，これ
らが互いに補完しあってより幅広い制御を行えるため，
制御対象全体の制御状態をより適切に制御することがで
きる。さらに，上記第２の演算手段による演算にニュー
ラルネットワークを用いた場合，上記第２の制御量が速
い変動等を伴う場合であっても，第２の制御量の変化を
確実に捕らえることができてしかも高速演算を行うこと
ができる。さらに，上記ニューラルネットワークに信頼
性のあるバックプロパゲーションモデルを用いた場合，
学習内容に基づいて上記第２の制御量から上記第２の操
作量を精度よく決定することができる。さらに，上記第
１の非干渉化手段が上記第１の演算手段により演算され
た第１の操作量を上記第２の検出手段により検出された
第２の制御量に基づいて補正するものとすれば，上記第
１の操作量による制御命令が上記第２の操作量による制
御命令と矛盾したものとなることを避けることができ
る。さらに，上記第１の非干渉化手段が上記第２の演算
手段により演算された第２の操作量を上記第１の検出手
段により検出された第１の制御量に基づいて補正するも
のとすれば，上記第２の操作量による制御命令が上記第
１の操作量による制御命令と矛盾したものとなることを
避けることができる。

【００２０】従って，上記第１の操作量と第２の操作量
とを両方共補正することにより互いに矛盾した制御命令
を発することがなくなる。又，第２の発明によれば，上
記第１の発明における制御対象を燃焼装置とした場合に
も，上記第１の発明と同様，２入力２出力制御により燃
焼装置全体の燃焼状態を適切に制御することができる。
さらに，上記燃焼装置がごみ焼却炉とされ，上記第３の
制御量が炉内温度で，かつ上記第４の制御量が炉内の燃
焼状態に応じた画像情報とされ，上記第３の操作量がご
み供給量で，かつ上記第４の操作量が炉内への水噴霧量
とされる場合，水噴霧を前記第１の発明で述べた高速の
制御系に組みこむことにより，燃焼状態の速い変動に追
従した制御が可能となる。これにより，ごみ焼却炉の炉
内全体の燃焼状態を適切に制御することができる。又，
第３の発明によれば，ごみ焼却炉内の燃焼状態に対応す
る画像情報の中から抽出された特徴量を学習後のニュー
ラルネットワークに入力することにより，最適な水噴霧
量を得ることができる。従って，この場合ごみ焼却炉の
全体の燃焼状態をより適切に制御することができる。さ
らに，上記特徴量を所定の曲線で表わされるものとした
場合，上記特徴量のパターン化が容易となり抽出しやす
くなる。さらに，上記所定の曲線を上記焼却炉内横方向
の輝度分布曲線とした場合，カメラによって確実に捕ら
えることができる。よって，その画像情報から特徴量抽
出，操作量演算に至るまでの一連の演算を精度よく行う
ことができる。その結果，いずれの場合も，２入力２出
力制御によって制御対象全体の制御状態を適切に制御す
ることができる。

【図面の簡単な説明】

【図１】 第１（第２）の発明の一実施例に係る制御装
置Ａ１（燃焼制御装置Ａ２）の概略構成を示すブロック
図。

【図２】 ３層ニューラルネットワークのバックプロパ
ゲーションモデルを示す模式図。

【図３】 第３発明の一実施例に係るごみ焼却炉の燃焼
制御装置Ａ３の概略構成を示す模式図。

【図４】 画像情報マトリクスを示す例図。

【図５】 曲線状の特徴量を示す例図。

【図６】 炉内温度のみに基づく炉内燃焼状態の制御系
を示すブロック線図。

【図７】 炉内温度と画像情報とに基づく炉内燃焼状態
の制御系を示すブロック線図。

【図８】 従来のごみ焼却炉の燃焼制御装置Ａ０の一例
における概略構成を示す模式図。

【符号の説明】

Ａ１…制御装置 １…制御対象 ２…第１のセンサ（第１の検出手段に相当） ３…第２のセンサ（第２の検出手段に相当） ４…第１の演算部（第１の演算手段に相当） ５…第２の演算部（第２の演算手段に相当） ６…第１の非干渉化演算部（第１の非干渉化手段に相
当） Ａ２…燃焼制御装置 １１…燃焼装置 １２…第３のセンサ（第３の検出手段に相当） １３…第４のセンサ（第４の検出手段に相当） １４…第３の演算部（第３の演算手段に相当） １５…第４の演算部（第４の演算手段に相当） １６…第２の非干渉化演算部（第２の非干渉化手段に相
当） Ａ３…ごみ焼却炉の燃焼制御装置 ２１…ごみ焼却炉 ２２…温度計 ２３…ごみ供給量演算部 ２４…カメラ ２５…画像情報演算部 ２６…特徴量抽出部 ２７…水噴霧量演算部 ２８…ごみ供給量補正部 ２９…水噴霧量補正部

Claims (18)

【特許請求の範囲】
1. 【請求項１】 制御対象の制御状態におけるある状態量
   を表す第１の制御量を検出する第１の検出手段と，上記
   第１の検出手段により検出される第１の制御量に対し，
   応答時間に差のある他の状態量を表す第２の制御量を検
   出する第２の検出手段と，上記第１の検出手段により検
   出された第１の制御量に基づいて上記制御対象の制御を
   行うための第１の操作量を演算する第１の演算手段と，
   上記第２の検出手段により検出された第２の制御量に基
   づいて上記第１の演算手段により演算される第１の操作
   量に対し，反応時間に差のある第２の操作量を演算する
   第２の演算手段と，上記第１の演算手段により演算され
   た第１の操作量と，上記第２の演算手段により演算され
   た第２の操作量とを互いに非干渉化する第１の非干渉化
   手段とを具備し，上記第１の非干渉手段により互いに非
   干渉化された第１，第２の操作量を用いて上記制御対象
   を制御してなる制御装置。
2. 【請求項２】 上記第１の制御量よりも上記第２の制御
   量の検出時の応答が速く，かつ上記第１の操作量よりも
   上記第２の操作量による制御時の反応が速い場合に，上
   記第２の演算手段が高速演算を行う請求項１記載の制御
   装置。
3. 【請求項３】 上記第２の演算手段による演算にニュー
   ラルネットワークを用いる請求項２記載の制御装置。
4. 【請求項４】 上記ニューラルネットワークがバックプ
   ロパゲーションモデルである請求項３記載の制御装置。
5. 【請求項５】 上記第１の非干渉化手段が上記第１の演
   算手段により演算された第１の操作量を上記第２の検出
   手段により検出された第２の制御量に基づいて補正する
   請求項１〜４のいずれかに記載の制御装置。
6. 【請求項６】 上記第１の非干渉化手段が上記第２の演
   算手段により演算された第２の操作量を上記第１の検出
   手段により検出された第１の制御量に基づいて補正する
   請求項１〜５のいずれかに記載の制御装置。
7. 【請求項７】 燃焼装置の燃焼状態におけるある状態量
   を表す第３の制御量を検出する第３の検出手段と，上記
   第３の検出手段により検出される第３の制御量に対し，
   応答時間に差のある他の状態量を表す第４の制御量を検
   出する第４の検出手段と，上記第３の検出手段により検
   出された第３の制御量に基づいて上記燃焼装置の制御を
   行うための第３の操作量を演算する第３の演算手段と，
   上記第４の検出手段により検出された第４の制御量に基
   づいて上記第３の演算手段により演算される第３の操作
   量に対し，反応時間に差のある第４の操作量を演算する
   第４の演算手段と，上記第３の演算手段により演算され
   た第３の操作量と，上記第４の演算手段により演算され
   た第４の操作量とを互いに非干渉化する第２の非干渉手
   段とを具備し，上記第２の非干渉化手段により互いに非
   干渉化された第３，第４の操作量を用いて上記燃焼装置
   を制御してなる燃焼制御装置。
8. 【請求項８】 上記第３の制御量よりも上記第４の制御
   量の検出時の応答が速く，かつ上記第３の操作量よりも
   上記第４の操作量による制御時の反応が速い場合に，上
   記第４の演算手段が高速演算を行う請求項７記載の燃焼
   制御装置。
9. 【請求項９】 上記第４の演算手段による演算にニュー
   ラルネットワークを用いる請求項８記載の燃焼制御装
   置。
10. 【請求項１０】 上記ニューラルネットワークがバック
    プロパゲーションモデルである請求項９記載の燃焼制御
    装置。
11. 【請求項１１】 上記第２の非干渉化手段が上記第３の
    演算手段により演算された第３の操作量を上記第４の検
    出手段により検出された第４の制御量に基づいて補正す
    る請求項７〜１０のいずれかに記載の燃焼制御装置。
12. 【請求項１２】 上記第２の非干渉化手段が上記第４の
    演算手段により演算された第４の操作量を上記第３の検
    出手段により検出された第３の制御量に基づいて補正す
    る請求項７〜１１のいずれかに記載の燃焼制御装置。
13. 【請求項１３】 上記燃焼装置がごみ焼却炉である請求
    項７〜１２のいずれかに記載の燃焼制御装置。
14. 【請求項１４】 上記第３の制御量が炉内温度で，かつ
    上記第４の制御量が炉内の燃焼状態に応じた画像情報で
    ある請求項１３記載の燃焼制御装置。
15. 【請求項１５】 上記第３の操作量がごみ供給量で，か
    つ上記第４の操作量が炉内への水噴霧量である請求項１
    ３又は１４記載の燃焼制御装置。
16. 【請求項１６】 ごみ焼却炉の燃焼状態を表す炉内温度
    を検出する温度計と，上記温度計により検出された炉内
    温度に基づいて上記焼却炉に供給されるごみ供給量を演
    算するごみ供給量演算部とを具備したごみ焼却炉の燃焼
    制御装置において，上記焼却炉の燃焼状態を視覚的にと
    らえるカメラと，上記カメラでとらえられた炉内の燃焼
    状態に対応する画像情報を作成する画像情報作成部と，
    上記画像情報作成部により作成された画像情報の中から
    特徴量を抽出する特徴量抽出部と，上記特徴量と炉内の
    燃焼状態との関係を予め学習させておいたニューラルネ
    ットワークに，上記特徴量抽出部により抽出された特徴
    量を入力することによって，焼却炉の燃焼状態を制御す
    るために炉内に噴霧される水噴霧量を演算する水噴霧量
    演算部と，上記ごみ供給量演算部により演算されたごみ
    供給量を上記カメラにより捕らえられた炉内の燃焼状態
    に対応する画像情報に基づいて補正するごみ供給量補正
    部と，上記水噴霧量演算部により演算された水噴霧量を
    上記温度計により検出された炉内温度に基づいて補正す
    る水噴霧量補正部とを具備し，上記ごみ供給量補正部に
    より補正されたごみ供給量と，上記水噴霧量補正部によ
    り補正された水噴霧量とを用いて上記焼却炉を制御して
    なることを特徴とするごみ焼却炉の燃焼制御装置。
17. 【請求項１７】 上記特徴量が所定の曲線で表わされる
    請求項１６記載のごみ焼却炉の燃焼制御装置。
18. 【請求項１８】 上記所定の曲線が上記焼却炉内横方向
    の輝度分布曲線である請求項１７記載のごみ焼却炉の燃
    焼制御装置。