JPH07301413A

JPH07301413A - ごみ焼却炉のごみ性状推定方法および推定装置

Info

Publication number: JPH07301413A
Application number: JP6114223A
Authority: JP
Inventors: Yasumitsu Kurosaki; 泰充黒崎; Yuichi Miyamoto; 裕一宮本; Kenichi Yokoyama; 賢一横山; Kenji Yuasa; 健司湯浅; Susumu Hashidera; 晋橋寺; Yoshinobu Mori; 芳信森; Satoshi Kurosaka; 聡黒坂
Original assignee: Kawasaki Heavy Industries Ltd
Current assignee: Kawasaki Heavy Industries Ltd
Priority date: 1994-04-29
Filing date: 1994-04-29
Publication date: 1995-11-14
Anticipated expiration: 2014-01-20
Also published as: JP2847468B2

Abstract

(57)【要約】【目的】種々雑多なごみがランダムに投入されている
ごみ焼却炉において、ごみ供給量、発熱量、滞留量等の
ごみ性状を精度よく推定できるごみ焼却炉におけるごみ
性状推定方法および推定装置を提供する。【構成】教示データ発生手段１、動特性モデル部２１
とニューラルネットワークからなる補償部２２とを有す
る動特性模擬手段２、およびニューラルネットワークか
らなるごみ性状推定手段３からなるもの用いて、動特性
模擬手段２の補償部２２にごみ性状の不確定性を集約さ
せて、その補償部２２の出力をもごみ性状推定手段３の
ニューラルネットワークの教示データとすることによ
り、ごみ性状推定手段３の入出力間に相関をもたせて、
同ニューラルネットワークの汎化機能を作用させ、それ
によりごみ性状推定値の精度向上を図るものである。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明はごみ焼却炉のごみ性状推
定方法および推定装置に関する。さらに詳しくは、ごみ
の焼却中におけるごみ性状を推定できるごみ焼却炉のご
み性状推定方法および推定装置に関する。

【０００２】

【従来の技術】ごみ焼却炉において燃焼制御を的確に行
うためには、燃焼中におけるごみの供給量、発熱量、滞
留量などのごみ性状を精度よく把握する必要がある。か
かる目的を達成するために、従来より種々の提案がなさ
れている。例えば、特開平５ー２７２７３０号公報に
は、単位ごみ量を、計量されたごみ量の単位時間当たり
の平均値として、設定回数のごみ投入手段の作動直後に
導出することにより、正確に設定焼却量を焼却すること
を目的として、燃焼制御手段は、記憶手段に投入時刻と
そのときのごみ重量と、投入後のごみセンサーの値を随
時格納し、約４０〜６０分間隔での時間平均ごみ量の導
出を目安として４回の投入回数を設定投入回数として設
定し、ついで、前回の時間平均値導出実施例の次の投入
から４回目の投入回数をカウントとした時点までの時間
を導出して、その間に投入された全ごみ量とその間の時
間から時間平均ごみ投入量を導出し、それにより、単位
時間当たりにホッパーに投入されたごみ量を正確に求め
ることができるようにされてなる焼却炉が提案されてい
る。

【０００３】しかしながら、ホッパー投入量と炉への投
入量間には時間遅れがある上に、投入されたごみの中に
はそのままホッパー中に残留してしまうものもあるの
で、その相関も強いとはいえない。したがって、前記提
案にかかわる焼却炉によっては、的確にごみの焼却がな
し得るとはいいがたい。

【０００４】また、ごみ焼却炉においては種々雑多なご
みがランダムに投入されて焼却処理されているので、焼
却処理されるごみの性状も一定しない。そのため、前記
提案のようにごみ投入量の推定のみでは、ごみ焼却炉に
おいて的確に燃焼制御を行うことはできないという問題
がある。

【０００５】

【発明が解決しようとする課題】本発明はかかる従来技
術の問題点に鑑みなされたものであって、種々雑多なご
みがランダムに投入されているごみ焼却炉において、ご
み供給量、発熱量、滞留量等のごみ性状を精度よく推定
できるごみ焼却炉におけるごみ性状推定方法および推定
装置を提供することを主たる目的とし、さらに、その推
定方法および装置を用いたごみ焼却炉の燃焼制御方法お
よび制御装置をも提供することを目的としている。

【０００６】

【課題を解決するための手段】本発明のごみ焼却炉のご
み性状推定方法は、教示データ発生手段、動特性モデル
部とニューラルネットワークからなる補償部とを有する
動特性模擬手段、およびニューラルネットワークからな
るごみ性状推定手段を用いるごみ焼却炉のごみ性状推定
方法であって、動特性モデルのパラメータ調整を行う手
順と、補償部のニューラルネットワークに学習をさせる
手順と、ごみ性状推定手段のニューラルネットワークに
学習をさせる手順と、前記学習に用いた以外のデータを
用いてごみ性状の推定を行う手順と、推定されたごみ性
状を動特性模擬手段に入力し、補償されたプロセス状態
量を得る手順と、得られたプロセス状態量を実機データ
により検証する手順とを含んでなることを特徴とする。

【０００７】ここで、前記プロセス量は、例えば、炉出
口ガス温度、主蒸気流量またはＯ₂濃度とされる。

【０００８】本発明のごみ焼却炉のごみ性状推定方法に
おいては、例えば、前記補償部のニューラルネットワー
クの学習が実機データを用いてなされ、また前記ごみ性
状推定手段のニューラルネットワークの学習が教示デー
タ発生手段からのＭ系列信号を用いてなされる。

【０００９】ここで、前記ニューラルネットワークは、
入力層と、少なくとも一層の中間層と、出力層とを備
え、前記入力層、中間層および出力層は複数の処理ユニ
ットからなり、前記各処理ユニットは、前層および次層
の間で学習により定められる重み値を持ったリンクで結
合されるとともに、学習により定められるしきい値を持
ったしきい値関数を有するものとされる。

【００１０】一方、本発明のごみ焼却炉のごみ性状推定
装置は、教示データ発生手段、動特性モデル部とニュー
ラルネットワークからなる補償部とを有する動特性模擬
手段、およびニューラルネットワークからなるごみ性状
推定手段を備えてなることを特徴とする。

【００１１】本発明のごみ焼却炉のごみ性状推定装置に
おいては、前記教示データ発生手段がＭ系列発生器とさ
れてなるのが好ましい。

【００１２】ここで、前記ニューラルネットワークは、
入力層と、少なくとも一層の中間層と、出力層とを備
え、前記入力層、中間層および出力層は複数の処理ユニ
ットからなり、前記各処理ユニットは、前層および次層
の間で学習により定められる重み値を持ったリンクで結
合されるとともに、学習により定められるしきい値を持
ったしきい値関数を有するものとされる。

【００１３】

【作用】本発明においては、まず動特性モデル部のパラ
メータ調整を行い、ついで補償部のニューラルネットワ
ークの学習がなされて、動特性モデルの不備な点が補償
される。しかるのち、この学習後のニューラルネットワ
ークの出力も用いてごみ性状推定手段のニューラルネッ
トワークの学習がなされる。その一方で、実機データを
用いてごみ性状の推定がなされる。ついで、得られたご
み性状の推定値を用いて動特性模擬手段により、プロセ
ス状態量が算出される。この算出されたプロセス状態量
が実機データと比較されて、ごみ性状推定手段からの推
定値が検証される。その結果、妥当と判断されると実用
運転に入る。

【００１４】ここで、ごみ性状推定手段のニューラルネ
ットワークの学習を動特性模擬手段からのデータを用い
て行っているため、学習回数を飛躍的に増加させること
ができるので、精度の高いごみ性状の推定値を得ること
ができる。

【００１５】

【実施例】以下、本発明を添付図面を参照しながら実施
例に基づいて説明するが、本発明はかかる実施例のみに
限定されるものではない。

【００１６】ここで、以下の説明の理解を容易にするた
めに、まずニューラルネットワークについて簡単に説明
しておく。

【００１７】図１にニューラルネットワークの基本構造
を示し、同ネットワークは入力層と中間層と出力層とか
ら構成されている。各層は複数の処理ユニットから構成
されており、各処理ユニットは次層および前層の間で学
習により定められる重み係数でもって結合されている。
各処理ユニットは前層からの入力の総和をとる加算器と
学習により定められるしきい値を持ったしきい値関数を
有している。このニューラルネットワークの学習におい
ては、入力パターン（教師入力）と目標出力パターン
（教師出力）対が提示される。この提示の直後に、ネッ
トワークの出力と目標出力との間の差が減少するように
重みとしきい値の調整がなされる。学習に際しては、入
力パターンと目標パターンの対の集合である学習用集合
を用い、ネットワークにはこれを繰返し提示する。この
学習が終了すると、ネットワークの動作テストがなされ
る。

【００１８】この学習においては、順伝搬ステップとそ
の後に実行される逆伝搬ステップとがある。この順伝搬
ステップおよび逆伝搬ステップはいずれも学習中にパタ
ーンの提示がなされるたびに実行される。順伝搬ステッ
プは、ネットワークの入力層への入力パターンの提示で
始まり、活性レベルの計算が中間層を通じて順伝搬して
いく間継続する。それぞれの層の全ての処理ユニット
（図１では〇印で示す）は、入力の総和を求めしきい値
関数により出力を計算する。それからユニットの出力層
がネットワークの出力を行う。

【００１９】ネットワークの出力パターンと目標出力パ
ターンとの比較がなされ、それに差異があるときに逆伝
搬ステップが開始される。逆伝搬ステップでは、各層の
ユニットのしきい値と重みの変化分の計算がなされる
が、これを出力層から始めて中間層へと順番に逆方向に
たどっていく。この逆伝搬ステップでは、ネットワーク
は観測された差異が減少されるように重みとしきい値の
調整がなされる。

【００２０】このような学習がなされるので、ネットワ
ークからの出力パターンは基本的には、最終的に目標出
力パターンに概ね一致するようになる。

【００２１】なお、具体的には、このニューラルネット
ワークは、コンピュータに前記演算処理に対応させたプ
ログラムを格納することにより構成される。

【００２２】図２に、かかるニューラルネットワークを
有する、本発明のごみ性状推定方法に用いる推定装置の
ブロック図が示されている。この推定装置は、動特性模
擬手段２とごみ性状推定手段３と教示用データ発生手段
１とを主要構成要素としている。この推定装置は、例え
ばプッシヤー速度、空気流量、ストーカ速度および負荷
蒸気弁開度が動特性模擬手段２に入力されと、ごみ性状
推定手段３から、例えばごみ供給量、ごみ発熱量および
ごみ滞留量推定値が出力されるようにされている。

【００２３】動特性模擬手段２は、図３に示すように、
動特性モデル部２１と、ニューラルネットワークにより
構成されている補償部２２とを主要部としている。

【００２４】動特性モデル部２１は、ごみ焼却炉の特性
をエネルギーバランス、モーメンタムバランス、マスバ
ランス、燃焼反応式、化学平衡式などを基本に、蓄熱容
量や側容量などをも考慮して作成された非線形連立微分
方程式群よりなる数式モデル、すなわち動特性モデルを
解析してプラントの特性を出力する機能を有するもので
あって、具体的には、例えばコンピュータに対応するプ
ログラムを格納することにより構成される。本実施例に
おいては、プッシャー速度、負荷蒸気弁開度、空気流量
およびストーカ速度が入力されると、プロセス状態量、
例えば、焼却炉出口ガス温度、主蒸気流量およびＯ₂濃
度が出力されるよう構成されている。

【００２５】補償部２２はニューラルネットワークから
なり、ニューラルネットワークの学習機能を利用するこ
とにより、数式モデルによる表現が不充分な点および動
特性モデルのパラメータ調整の不充分な点を補償する機
能を有するものである。すなわち、ごみ焼却炉において
は、種々雑多な性状のごみがランダムに焼却炉に投入さ
れて焼却処理されるので、厳密な解析がなし得ないため
に数式モデル化できない部分が存在するし、また数式モ
デル化の常として現象の簡略化を行い近似化して数式モ
デルの作成がなされている。そのため、かかる数式モデ
ルにより動特性模擬（以下、シミュレーションともい
う）を行うと、数式モデルの限界にともなう誤差が出力
に存在することになる。また、動特性モデルを稼動させ
る際にパラメータ調整が必要となるが、分布系として扱
う必要のあるごみ焼却プラントにおいてはパラメータ数
が千〜数千もあるので、これらのパラメータ全てを最適
に調整することは事実上不可能である。そのため、この
パラメータ調整の限界にともなう誤差も出力に存在す
る。そこで、補償部２２によりこれらの誤差を補償する
ものである。

【００２６】ここで、このニューラルネットワークの入
力層には動特性モデル部２１から焼却炉出口ガス温度、
主蒸気流量およびＯ₂濃度が分岐されて時系列的に入力
され（図４参照）、またプッシャー速度、負荷蒸気弁開
度、空気流量およびストーカ速度も入力される。そし
て、出力層からは動特性モデル部２１からのプロセス状
態量、例えば、焼却炉出口ガス温度、主蒸気流量および
Ｏ₂濃度の補償量が出力される。この補償量により動特
性モデルからの出力が補償された後、動特性模擬手段２
からプロセス状態量として出力される。図５および図６
に、かかる構成によりごみ焼却炉（プラント）のシミュ
レーションを行った結果を参考までに示す。図５は、学
習を１００回繰り返させたものであり、また図６は、学
習を１０００回繰り返させたものである。なお、比較の
ために、図７に、補償用ニューラルネットワークを用い
ないで動特性モデル部２１のみによるシミュレーション
結果を示す。

【００２７】ごみ性状推定手段３はニューラルネットワ
ークからなり、入力層にはプッシャー速度およびストー
カ速度が時系列的に入力され、また前記補償部２２から
の各補償量も分岐されて時系列的に入力される。そし
て、出力層からごみ供給量、ごみ発熱量およびごみ滞留
量の推定値が出力される。

【００２８】ここで、このごみ性状推定手段３の入力を
かかる構成としているのは、次のような理由による。

【００２９】一般論的にいえば、ごみ性状推定装置の構
成を簡略化するためには、本実施例において、前段的に
設けられている動特性モデル部２１や補償部２２がない
のが好ましい。しかしながら、学習後のニューラルネッ
トワークの汎化機能（補間機能）を有効に機能させるた
めには、その入出力間にある相関が存在することが必要
である。かかる事情のもとで、ごみ性状推定手段３のみ
で装置を構成すると、次のような問題を生ずる。すなわ
ち、このごみ性状推定手段３のニューラルネットワーク
の学習においては、入力側教示用データとして操作量、
例えばプッシャー速度、ストーカ速度に加えて、実機の
状態量、例えば炉出口ガス温度、主蒸気流量、およびＯ
₂濃度が必要であり、また出力側教示用データとしてご
み性状データ、例えばごみ供給量、ごみ発熱量、ごみ滞
留量が必要である。ちなみに、入力側教示データは実際
にプラントを稼動させることにより得られるデータであ
るため容易に得ることができるが、一方、出力側教示デ
ータは、計測不可能なデータであるため得ることができ
ない。

【００３０】そこで、本実施例のように、動特性モデル
部２１と補償用ニューラルネットワークからなる補償部
２２とを組合せた動特性模擬手段２を用いれば、学習後
は教示時における入出力間の相関関係を図６のように精
度良く模擬が可能となり、動特性モデル部２１を構成す
る水蒸気系統、通風系統が数式にて充分模擬可能である
との理由により、ごみ性状の不確定性を補償用ニューラ
ルネットワークに集約させることができる。そのため、
この補償用ニューラルネットワークの出力を分岐させて
推定用ニューラルネットワークの入力側教示用入力デー
タとすれば、出力側教示用データと相関をもたせること
ができる。また、動特性モデルを用いれば、動的シミュ
レーションにより教示用入出力データを、焼却炉を稼動
させることなく得ることができる。また、その数も多数
得ることができる。これは、種々雑多なごみがランダム
に焼却処理されているごみ焼却炉に用いられるニューラ
ルネットワークの学習にとっては好都合である。その
上、動特性モデルへの入力がランダムになされれば、ご
み焼却炉の運転状態に、より近い状態でニューラルネッ
トワークに学習させることができる。そのため、本実施
例では教示用データ発生手段１として、ランダムに教示
用データを出力するＭ系列発生器が用いられている。

【００３１】ここで、念のために、このＭ系列発生器の
構成および機能について簡単に説明しておく。

【００３２】Ｍ系列は計算機を用いて算法により発生す
る擬似乱数の一種であり、高次の漸化式を用いる。例え
ば、３項の漸化式では、Ｘ_n＝Ｘ_n-pｐｌｕｓＸ_n-q （ｐ＞ｑ）を用いる。ここでｐｌｕｓは排他的論理和（２進整数表
現での桁上がりなしの加算）を表す。例えば、ｎ＝１
１、ｐ＝９、ｑ＝１１の例では、図８に示すシフトレジ
スター回路により、周期Ｎ＝２¹¹−１＝２０４７のＭ系
列信号（０，１の時系列）を発生できる。さらに、Ｎと
素な数を間隔として、前述のＭ系列をサンプリングして
得られる系列もまた、周期ＮのＭ系列となるため、多重
のＭ系列群を得ることができる。

【００３３】しかして、教示用データ発生手段１は、前
述のように、例えば多重でランダムに教示用データを発
生するＭ系列発生器とされている。そのため、この教示
用データ発生手段１から、動特性モデル部２１にプッシ
ャー速度、負荷蒸気弁開度、空気流量およびストーカ速
度を入力側教示データ作成用の基礎データとしてランダ
ムに入力することができ、またごみ供給量および発熱量
を入出力側教示データとして入出力側にランダムに入力
することができる。なお、出力側教示データのごみ滞留
量は、前記入力に基づいて算出されたごみ滞留量が用い
られる。

【００３４】次に、このように構成されたごみ性状推定
装置より、ごみ性状の推定をなす場合の手順について説
明する。

【００３５】ステップ１：動特性モデルのパラメータ調
整を行う。これは従来と同様に試行錯誤的手法でもよ
く、本発明者等の先の提案にかかわる遺伝的アルゴリズ
ムを用いて行ってもよい（Ｔ．ＩＥＥＪａｐａｎＶ
ｏｌ．１１３−Ｄ，Ｎｏ．１２，’９３，１４１０〜１
４１５ページ）

【００３６】ステップ２：ステップ１にてパラメータ調
整済みの動特性モデルに補償用ニューラルネットワーク
を付加して学習をさせる。この場合、教示用データとし
ては実機データを用いる。

【００３７】ステップ３：ステップ２にて学習させた動
特性モデルと補償用ニューラルネットワークに推定用ニ
ューラルネットワークを付加して学習をさせる。この場
合、教示用データとしては教示データ発生手段（Ｍ系列
発生器）１よりのデータを用い、動特性モデル入力デー
タはステップ１および２で用いたデータを用いる。

【００３８】ステップ４：ステップ１、２、３で学習を
終えた動特性モデル、補償用ニューラルネットワーク群
に教示データ以外の実機データの動特性モデル入力デー
タのみを入力してごみ性状の推定を行う。

【００３９】ステップ５：推定されたごみ性状を動特性
モデルに入力して、プロセス状態量を得るとともに、そ
れを補償用ニューラルネットワークにより補償してプロ
セス状態量として出力する。

【００４０】ステップ６：出力されたプロセス状態量を
実機データにより検証する。

【００４１】ステップ７：前記検証において、ごみ性状
の推定値が妥当でないと判定されるとステップ１に戻り
前記手順を繰返す。一方、ごみ性状の推定値が妥当と判
定されると調整作業を終了する。

【００４２】このようにして調整がなされた後、教示デ
ータ発生手段（Ｍ系列発生器）１を切離して実用運転に
入る。この実用運転においては、例えば、この推定値を
用いて焼却炉の自動燃焼制御がなされる。

【００４３】以上説明したように、本ごみ性状推定方法
および推定装置によれば、ごみ供給量、ごみ発熱量およ
びごみ滞留量を精度よく推定することができる。

【００４４】以下、この推定値を用いたごみ焼却炉の自
動燃焼制御について説明する。

【００４５】図９に、このごみ焼却炉の自動燃焼制御に
用いる自動燃焼制御装置のブロック図を示す。この自動
燃焼制御装置は、自動燃焼制御装置本体（以下、単に本
体という）と、ごみ性状推定装置と、滞留量演算手段
と、補償用信号発生手段と、補償手段とを主要構成要素
としてなる。

【００４６】本体の構成は、ごみ供給量設定値およびご
み発熱量設定値が入力されると、プッシャー速度、スト
ーカ速度および空気流量等の操作量が出力される従来よ
り公知のものとされている。

【００４７】滞留量演算手段は、ごみ供給量設定値に基
づいて従来の算式によりごみ滞留量を算出するものであ
り、具体的には、コンピュータに前記算式に対応させた
プログラムを格納することにより構成される。

【００４８】補償用信号発生手段は、本体に入力されて
いるごみ供給量設定値信号の分岐信号とごみ性状推定装
置からのごみ供給量推定値とを演算処理して、プッシャ
ー速度設定値を補償するためのプッシャー速度設定値補
償信号、本体に入力されているごみ発熱量設定値信号の
分岐信号とごみ性状推定装置からのごみ発熱量推定値と
を演算処理して、空気流量設定値を補償するための空気
流量設定値補償信号、およびごみ供給量設定値からの分
岐信号に基づいて滞留量演算手段により算出された滞留
量算出値をごみ性状推定装置からのごみ滞留量推定値と
を演算処理して、ストーカ速度設定値を補償するための
ストーカ速度設定値補償信号を、補償回路に出力するも
のである。具体的には、コンピュータに前記演算処理に
対応させたプログラムを格納することにより構成され
る。

【００４９】補償手段は、前記補償信号発生手段からの
各補償信号と、各設定値とを演算処理して補償されたプ
ッシャー速度設定値、ストーカ速度設定値および空気流
量設定値をごみ焼却炉の各機器に出力してプッシャー速
度等を調整するものである。これも、具体的には、コン
ピュータに前記演算処理に対応させたプログラムを格納
することにより構成される。

【００５０】次に、このように構成された自動燃焼制御
装置による燃焼制御について説明する。

【００５１】ステップ１：図示しない入力手段によりご
み供給量およびごみ発熱量設定値が本体に入力される。

【００５２】ステップ２：本体は入力されたごみ供給量
およびごみ発熱量設定値に対応した、プッシャー速度設
定値、ストーカ速度設定値および空気流量設定値を出力
する。

【００５３】ステップ３：ごみ焼却炉からごみ性状推定
装置に、プッシヤー速度、空気流量、ストーカ速度、負
荷蒸気弁開度がフィードバックされる。

【００５４】ステップ４：ごみ性状推定装置は、フィー
ドバックされたプッシヤー速度、空気流量、ストーカ速
度および負荷蒸気弁開度に基づいて、ごみ供給量推定
値、ごみ発熱量推定値およびごみ滞留量推定値を出力す
る。

【００５５】ステップ５：ごみ性状推定装置から出力さ
れた各推定量は、補償用信号発生手段に入力される。

【００５６】ステップ６：補償用信号発生手段は前記処
理を行い、プッシャー速度設定値補償信号、ストーカ速
度設定値補償信号および空気流量設定値補償信号を補償
手段に出力する。

【００５７】ステップ７：補償手段は前記処理を行い、
補償されたプッシャー速度設定値、ストーカ速度設定値
および空気流量設定値をごみ焼却炉に出力する。

【００５８】ステップ８：プッシャー速度等がこの補償
された設定値に修正されて、ごみの焼却処理がなされ
る。

【００５９】このように、本自動燃焼制御装置によれ
ば、精度の高い燃焼時のごみ供給量推定値、ごみ発熱量
推定値およびごみ滞留量推定値を用いて、プッシャー速
度設定値、ストーカ速度設定値および空気流量設定値を
調整しているので、低公害で最適な燃焼を維持すること
ができる。

【００６０】以上、本発明をシミュレーション実施例に
基づいて説明してきたが、本発明はかかる実施例のみに
限定されるものではなく、種々改変が可能である。例え
ば、入出力の相関によっては、動特性モデルと補償用ニ
ューラルネットワークとを直列として動特性模擬装置を
構成することもできる。

【００６１】

【発明の効果】以上詳述したように、本発明のごみ性状
推定方法および推定装置によれば、動特性模擬手段の補
償部からの出力も用いてごみ性状推定手段のニューラル
ネットワークの学習を行っているので、精度良くごみ性
状の推定がなし得るという優れた効果が得られる。

【００６２】また、この推定値を用いてごみ焼却炉の燃
焼制御を行えば、実際の運転状態にマッチした燃焼制御
がなし得、有害物質の排出を極力抑制できるという優れ
た効果が得られる。

【図面の簡単な説明】

【図１】ニューラルネットワークの説明図である。

【図２】本発明のごみ焼却炉のごみ性状推定方法に用い
るごみ性状推定装置のブロック図である。

【図３】同ごみ性状推定装置の概略構成図である。

【図４】ニューラルネットワークにおける入力と出力の
関係を示す説明図である。

【図５】動特性模擬手段の補償部のニューラルネットワ
ークに１００回学習させた後のごみ焼却炉のシミュレー
ション結果を示すグラフである。

【図６】動特性模擬手段の補償部のニューラルネットワ
ークに１０００回学習させた後のごみ焼却炉のシミュレ
ーション結果を示すグラフである。

【図７】動特性模擬手段の動特性モデル部のみによるご
み焼却炉のシミュレーション結果を示すグラフである。

【図８】Ｍ系列発生器に用いられているシフトレジスタ
ーのブロック図である。

【図９】ごみ焼却炉の自動燃焼制御に用いる自動燃焼制
御装置のブロック図である。

【符号の説明】

１教示データ発生手段２動特性模擬手段２１動特性モデル部２２補償部３ごみ性状推定手段

フロントページの続き (72)発明者横山賢一神戸市中央区東川崎町１丁目１番３号川崎重工業株式会社神戸本社内 (72)発明者湯浅健司神戸市中央区東川崎町１丁目１番３号川崎重工業株式会社神戸本社内 (72)発明者橋寺晋明石市川崎町１番１号川崎重工業株式会社明石工場内 (72)発明者森芳信明石市川崎町１番１号川崎重工業株式会社明石工場内 (72)発明者黒坂聡神戸市中央区東川崎町１丁目１番３号川崎重工業株式会社神戸本社内

Claims

【特許請求の範囲】

【請求項１】教示データ発生手段、動特性モデル部と
ニューラルネットワークからなる補償部とを有する動特
性模擬手段、およびニューラルネットワークからなるご
み性状推定手段を用いるごみ焼却炉のごみ性状推定方法
であって、動特性モデルのパラメータ調整を行う手順
と、補償部のニューラルネットワークに学習をさせる手
順と、ごみ性状推定手段のニューラルネットワークに学
習をさせる手順と、前記学習に用いた以外のデータを用
いてごみ性状の推定を行う手順と、推定されたごみ性状
を動特性模擬手段に入力し、補償されたプロセス状態量
を得る手順と、得られたプロセス状態量を実機データに
より検証する手順とを含んでなることを特徴とするごみ
焼却炉のごみ性状推定方法。
【請求項２】前記プロセス量が、炉出口ガス温度、主
蒸気流量、Ｏ₂濃度などであることを特徴とする請求項
１記載のごみ焼却炉のごみ性状推定方法。
【請求項３】前記補償部のニューラルネットワークの
学習が、実機データを用いてなされることを特徴とする
請求項１または２記載のごみ焼却炉のごみ性状推定方
法。
【請求項４】前記ごみ性状推定手段のニューラルネッ
トワークの学習が、前記動特性模擬手段に、教示データ
発生手段からのＭ系列信号を入力して作成されたデータ
を用いてなされることを特徴とする請求項１または２記
載のごみ焼却炉のごみ性状推定方法。
【請求項５】前記ニューラルネットワークが、入力層
と、少なくとも一層の中間層と、出力層とを備え、前記
入力層、中間層および出力層は複数の処理ユニットから
なり、前記各処理ユニットは、前層および次層の間で学
習により定められる重み値を持ったリンクで結合される
とともに、学習により定められるしきい値を持ったしき
い値関数を有することを特徴とする請求項１、２、３ま
たは４記載のごみ焼却炉のごみ性状推定方法。
【請求項６】請求項１、２、３、４または５記載のご
み性状推定方法により得られた推定値を用いてごみ焼却
炉の燃焼制御を行うことを特徴とするごみ焼却炉の燃焼
制御方法。
【請求項７】前記推定値により燃焼制御装置の操作量
が補償されてなることを特徴とする請求項６記載のごみ
焼却炉の燃焼制御方法。
【請求項８】前記操作量が、プッシャー速度設定値、
ストーカ速度設定値、空気流量設定値などであることを
特徴とする請求項７記載のごみ焼却炉の燃焼制御方法。
【請求項９】教示データ発生手段、動特性モデル部と
ニューラルネットワークからなる補償部とを有する動特
性模擬手段、およびニューラルネットワークからなるご
み性状推定手段を備えてなることを特徴とするごみ焼却
炉のごみ性状推定装置。
【請求項１０】前記教示データ発生手段がＭ系列発生
器であることを特徴とする請求項９記載のごみ焼却炉の
ごみ性状推定装置。
【請求項１１】前記ニューラルネットワークが、入力
層と、少なくとも一層の中間層と、出力層とを備え、前
記入力層、中間層および出力層は複数の処理ユニットか
らなり、前記各処理ユニットは、前層および次層の間で
学習により定められる重み値を持ったリンクで結合され
るとともに、学習により定められるしきい値を持ったし
きい値関数を有することを特徴とする請求項９または１
０記載のごみ焼却炉のごみ性状推定装置。
【請求項１２】請求項９、１０または１１記載のごみ
性状推定装置を備えてなることを特徴とするごみ焼却炉
の燃焼制御装置。
【請求項１３】前記ごみ性状推定装置からの推定値に
より操作量を補償する補償手段が備えられてなることを
特徴とする請求項１２記載のごみ焼却炉の燃焼制御装
置。
【請求項１４】前記操作量が、プッシャー速度設定
値、ストーカ速度設定値、空気流量設定値などであるこ
とを特徴とする請求項１２記載のごみ焼却炉の燃焼制御
装置。