JPH08165900A - 道路トンネル換気制御装置 - Google Patents

道路トンネル換気制御装置

Info

Publication number
JPH08165900A
JPH08165900A JP21508494A JP21508494A JPH08165900A JP H08165900 A JPH08165900 A JP H08165900A JP 21508494 A JP21508494 A JP 21508494A JP 21508494 A JP21508494 A JP 21508494A JP H08165900 A JPH08165900 A JP H08165900A
Authority
JP
Japan
Prior art keywords
value
tunnel
ventilation
traffic volume
road tunnel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
JP21508494A
Other languages
English (en)
Inventor
Toshihiro Koyama
山 敏 博 小
Original Assignee
Toshiba Corp
株式会社東芝
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toshiba Corp, 株式会社東芝 filed Critical Toshiba Corp
Priority to JP21508494A priority Critical patent/JPH08165900A/ja
Publication of JPH08165900A publication Critical patent/JPH08165900A/ja
Withdrawn legal-status Critical Current

Links

Abstract

(57)【要約】 (修正有) 【目的】 混合構造形ニューラルネットワークを応用し
て道路トンネル換気制御を行うトンネル換気装置を提供
する。 【構成】 道路トンネル内の交通量に応じて汚染される
トンネル内空気のトンネル内汚染濃度を所定範囲に制御
するために道路トンネル内に配設された複数の換気機で
トンネル外へ送風して制御する道路トンネル換気制御装
置における、トンネル内汚染濃度を予測する道路トンネ
ル換気状態予測装置であって、 (a) 現在からy[min]先までの交通量予測値と、平
均値としての各換気機の運転風量・運転台数計画値とを
入力とし、トンネル内汚染濃度予測値を出力とする混合
構造形ニューラルネットワーク手段(5)と、 (b) 過去z[min]の交通量実績値と、平均値として
の各換気機の運転風量・運転台数実績値とを入力とし、
トンネル内汚染濃度実績値を教師信号とする混合構造形
ニューラルネットワーク学習手段(6)と、を備える。

Description

【発明の詳細な説明】
【0001】
【産業上の利用分野】本発明は道路トンネル換気制御装
置に係り、特にニューラルネットワークを応用した道路
トンネル換気制御装置に関する。
【0002】
【従来の技術】最近、プラント制御にニューラルネット
ワークを応用する場合に、従来に適用されていた階層構
造形ニューラルネットワークの代わりに、混合構造形ニ
ューラルネットワークを適用することが提案されている
(計測自動制御学会論文集 Vol.29,No.3,
340/346(1993)、横山恭、幸田武久、井上
紘一)。
【0003】一方、道路トンネル換気制御装置は以下の
ように構成されている。図4および図5に示すように、
対面通行のトンネル3内を換気するために、トンネル内
には空気をトンネル外へ送り出すための換気機として複
数のジェットファン1と1台の集塵機2が配設されてい
る(換気方向は、矢印3Aで示した方向とする)。
【0004】トンネル内には、VI(visibility=煙霧
透過率)を計測するVI計(煙霧透過率計測装置)がV
I1とVI2の2台、車道内風速を計測する風向風速計
WSが1台設置されている。なお、煙霧透過率を計測す
ることに代えてトンネル内汚染濃度を直接計測してもよ
い。
【0005】従来、道路トンネルを換気する場合におい
ては、 ・交通量予測の結果に基き、30分から1時間毎に各換
気機1の基本的な運用方法を決める換気機運用計画機能
により予測制御を行い、 ・VI計(煙霧透過率計)、CO計(一酸化炭素濃度
計)、WS計(トンネル内風向風速計)の出力に基き、
上記換気機運用計画の誤差を補正する計画補正機能によ
り、フィードバック制御を行うというふうに、二種類の
機能を主体として、トンネル内の汚染濃度の制御を行っ
てきた。
【0006】
【発明が解決しようとする課題】しかしながら、上述の
予測制御の制御精度は、 ・換気機運用計画において使用している制御対象プロセ
スモデルの誤差 ・交通量予測誤差 の影響を強く受ける。これらの誤差の影響を補正するの
が、上述のフィードバック制御であるが、これはあくま
でも予測制御の結果をセンサにて検出した後、動作する
ことになるため、制御応答の面で限界がある。
【0007】したがって、道路トンネル換気制御の制御
性能改善のためには予測制御の制御精度の改善が必要で
あり、特に、 ・制御対象プロセスモデルの自動学習 が必要となる。
【0008】そこで本発明の目的は、上記従来技術の有
する問題点を解消し、道路トンネル換気制御における予
測制御の制御性能の改善により、トンネル内汚染状態を
許容範囲に安定に精度よく維持するとともに、所要電力
の低減化を図る道路トンネル換気装置を提供することに
ある。
【0009】特に、本発明の主要なポイントは、プロセ
スの動特性の学習や予測精度の向上に効果があるとされ
る混合構造形ニューラルネットワークを応用することに
ある。
【0010】
【課題を解決するための手段】上記目的を達成するた
め、本発明の道路トンネル換気状態予測装置は、道路ト
ンネル内の交通量に応じて汚染されるトンネル内空気の
トンネル内汚染濃度を所定範囲に制御するために道路ト
ンネル内に配設された複数の換気機でトンネル外へ送風
して制御する道路トンネル換気制御装置における、トン
ネル内汚染濃度を予測する道路トンネル換気状態予測装
置であって、(a) 現在からy[min]先までの積算値
としての交通量予測値と、現在からy[min]先まで
の平均値としての各換気機の運転風量・運転台数計画値
とを入力とし、トンネル内汚染濃度予測値を出力とする
混合構造形ニューラルネットワーク手段と、(b) 過去z
[min]の積算値としての交通量実績値と、過去z
[min]の平均値としての各換気機の運転風量・運転
台数実績値とを入力とし、トンネル内汚染濃度実績値を
教師信号とする混合構造形ニューラルネットワーク学習
手段と、を備えることを特徴とする。
【0011】また、本発明の道路トンネル車道風速予測
装置は、道路トンネル内の交通量に応じて汚染されるト
ンネル内空気のトンネル内汚染濃度を所定範囲に制御す
るために道路トンネル内に配設された複数の換気機でト
ンネル外へ送風して制御する道路トンネル換気制御装置
における、トンネル内の車道風速を予測する道路トンネ
ル車道風速予測装置であって、(a) 現在からy[mi
n]先までの積算値としての交通量予測値と、現在から
y[min]先までの平均値としての各換気機の運転風
量・運転台数計画値とを入力とし、トンネル内の車道風
速予測値を出力とする混合構造形ニューラルネットワー
ク手段と、(b) 過去z[min]の積算値としての交通
量実績値と、過去z[min]の平均値としての各換気
機の運転風量・運転台数実績値とを入力とし、トンネル
内の車道風速実測値を教師信号とする混合構造形ニュー
ラルネットワーク学習手段と、を備えることを特徴とす
る。
【0012】また、本発明の道路トンネル換気制御装置
は、道路トンネル内の交通量に応じて汚染されるトンネ
ル内空気のトンネル内汚染濃度を所定範囲に制御するた
めに道路トンネル内に配設された複数の換気機でトンネ
ル外へ送風して制御する道路トンネル換気制御装置にお
いて、(a) 請求項1または請求項2に記載の道路トンネ
ル換気状態予測装置と、(b) 前記道路トンネル換気状態
予測装置にN種類の各換気機の運転風量・運転台数計画
値を入力し、各計画値に対応するトンネル内汚染濃度予
測値を得る濃度演算手段と、(c) 前記濃度演算手段によ
る演算結果の中から、換気機の起動頻度制約条件と、ト
ンネル内汚染濃度制約条件とを満足し、且つ、換気機運
転所要電力が最小となる換気機運転風量・運転台数計画
値を選択する演算手段と、を備えることを特徴とする。
【0013】また、本発明の道路トンネル換気制御装置
は、道路トンネル内の交通量に応じて汚染されるトンネ
ル内空気のトンネル内汚染濃度を所定範囲に制御するた
めに道路トンネル内に配設された複数の換気機でトンネ
ル外へ送風して制御する道路トンネル換気制御装置にお
いて、(a) 請求項1または請求項2に記載の道路トンネ
ル換気状態予測装置と、(b) 請求項3または請求項4に
記載の道路トンネル車道風速予測装置と、(c) 前記道路
トンネル換気状態予測装置にN種類の各換気機の運転風
量・運転台数計画値を入力し、各計画値に対応するトン
ネル内汚染濃度予測値を得る濃度演算手段と、(d) 前記
道路トンネル車道風速予測装置にN種類の各換気機の運
転風量・運転台数計画値を入力し、各計画値に対応する
車道内風速予測値を得る風速演算手段と、(e) 前記濃度
演算手段と前記風速演算手段による演算結果の中から、
換気機の起動頻度制約条件と、トンネル内汚染濃度制約
条件と、車道内最低風速条件とを満足し、且つ、換気機
運転所要電力が最小となる換気機運転風量・運転台数計
画値を選択する演算手段と、を備えることを特徴とす
る。
【0014】本発明では、以下の各手段を構成の要件と
しており、これらの各手段(a)-(h)の作用については、
後述する。 (a) 交通量予測値と各換気機の運転風量・運転台数計画
値から混合構造形ニューラルネットワークによりトンネ
ル内汚染濃度を予測する手段。
【0015】(b) 交通量実績値、各換気機の運転実績
値、トンネル内汚染濃度の実績値から上記(a)の混合
構造形ニューラルネットワーク内の結合重み係数を学習
する手段。
【0016】(c) 交通量予測値と各換気機の運転風量台
数計画値から混合構造形ニューラルネットワークにより
車道内風速を予測する手段。
【0017】(d) 交通量実績値、各換気機の運転実績
値、車道内風速実績値から上記(c)の混合構造形ニュ
ーラルネットワーク内の結合重み係数を学習する手段。
【0018】(e) 上記(a)の混合構造形ニューラルネ
ットワークを用いて、N種類の換気機運転計画に対応す
るトンネル内汚染濃度を予測する手段。
【0019】(f) 上記(c)の混合構造形ニューラルネ
ットワークを用いて、N種類の換気機運転計画に対応す
る車道内風速を予測する手段。
【0020】(g) 上記(e)の結果から、 ・換気機の起動頻度制約条件 ・トンネル内汚染濃度制約条件 を満足し、且つ、換気機運転所要電力が最小となる換気
機運転風量・運転台数計画値を選択する演算手段。
【0021】(h) 上記(e)、(f)の結果から、 ・換気機の起動頻度制約条件 ・トンネル内汚染濃度制約条件 ・車道内最低風速条件 を満足し、且つ、換気機運転所要電力が最小となる換気
機運転風量・運転台数計画値を選択する演算手段。
【0022】
【作用】まず、本発明における混合構造形ニューラルネ
ットワークの概要について説明する。従来のニューラル
ネットワークは、図3に示すように信号の流れが入力層
→中間層→出力層というように一方向にのみ流れる構成
をとっていた。したがって、このような構成のニューラ
ルネットワークは瞬時瞬時の入出力間の写像関係を表し
ているに過ぎず、過去の入力信号が現在の出力信号に影
響を及ぼすことはない。しかしながら、道路の交通流の
ように時系列的に変化する対象を取り扱う際には、ニュ
ーラルネットワーク自身が時系列を認識できることが必
要となる。このような背景から本発明では図2に示すよ
うな混合構造形ニューラルネットワークを用いている。
【0023】混合構造形ニューラルネットワークでは、
従来の階層形ニューラルネットワークの構造に加え、中
間層の各素子間が相互に結合されているところに特徴が
ある。すなわち、ある中間層素子の1ステップ前の値
が、自分自身あるいは他の中間層素子の入力側にフィー
ドバックされている。このことにより、ニューラルネッ
トワーク自身が動特性を有することになり、時系列的な
変化を認識できることになる。
【0024】なお、混合構造形ニューラルネットワーク
の名称の由来は、このネットワークの構造が階層形ニュ
ーラルネットワークと相互結合形ニューラルネットワー
クとの混合構造となっているところにある。
【0025】このような混合構造形ニューラルネットワ
ーク内の結合重み係数の学習方法が問題となるが、これ
は次のようにして導かれる。
【0026】まず、混合構造形ニューラルネットワーク
の説明における主な変数を下記のように定義する。
【0027】t:時間 m:入力層の素子数 s:中間層の素子数 n:出力層の素子数 Ui(t) :入力層第i素子への入力(i=1〜m) Ii(t) :入力層第i素子からの出力(i=1〜m) NetHj(t) :中間層第j素子への入力(j=1〜s) Hj(t) :中間層第j素子からの出力(j=1〜s) Net0i(t) :出力層第i素子への入力(i=1〜n) Xi(t) :出力層第i素子からの出力(i=1〜n) ajk:入力層第k素子出力端から中間層第j素子入力端
への結合重み係数 bjr:中間層第r素子出力端から中間層第j素子入力端
への重み係数(bjrはリカレントループの結合重みを表
す。) cij:中間層第j素子出力端から出力層第i素子入力端
への結合重み係数 fH(・):中間層における入出力変換関数 f0(・):出力層における入出力変換関数 E:誤差評価関数 Vi(t) :出力層第i素子からの出力に対する教師信号 Δajk:重み係数ajkの修正量 Δbjr:重み係数bjrの修正量 Δcij:重み係数cijの修正量 ε:重み係数学習パラメータ α:重み係数学習パラメータ δpj:クロネッカのデルタ 以上の変数定義のもとに、まず、混合構造形ニューラル
ネットワークにおける各層の入出力は次のようになる。 (1) 入力層への入力:Ui(t) (i=1〜m) (2) 入力層からの出力:Ii(t) =Ui(t) (i=1〜m) (3) 中間層への入力:NetHj(t) (j=1〜s) 中間層からの出力:Hj(t) (j=1〜s) Hj(t) =fH(NetHj(t)) …(X.1) ただし、
【0028】
【数1】 ajk:入力層第k素子出力端から中間層第j素子入力端
への結合重み係数 bjr:中間層第r素子出力端から中間層第j素子入力端
への結合重み係数(bjrはリカレントループの結合重み
を表す。) (4) 出力層への入力:Net0i(t) (i=1〜n)
【0029】
【数2】 cij:中間層第j素子出力端から出力層第i素子入力端
への結合重み係数 (5) 出力層からの出力:Xi(t) (i=1〜n)
【0030】
【数3】 ここで、結合重み係数の学習の基準となる誤差評価関数
Eを
【0031】
【数4】 (Vi(t) :教師信号) とすると、結合重み係数学習の基本式は、 apq(t+Δt)=apq(t) +Δapq(t) …(X.6) bpq(t+Δt)=bpq(t) +Δbpq(t) …(X.7) cpq(t+Δt)=cpq(t) +Δcpq(t) …(X.8) となる。上式中の各重み係数修正量は、
【0032】
【数5】 [註]各式の第2項は、収束の安定化を図るための項で
ある。
【0033】ε,αは定数であり、通常1以下の値に設
定する場合が多い。で与えられる。
【0034】上式を実際に計算する際には、誤差評価関
数Eの重み係数cpq,bpq,apqに関する勾配
【0035】
【数6】 が必要となるが、これは次のようにして導出される。
【0036】
【数7】
【0037】
【数8】 となる。
【0038】但しδpjはクロネッカのデルタを示してい
る。
【0039】
【数9】 をbpqで偏微分すると、Hr(t−Δt)自身もbpqの
関数であるため、偏微分の第1項としては、
【0040】
【数10】 が導出される。また、偏微分の第2項は、
【0041】
【数11】 j=p以外のとき、上式は0となる。また、j=pであ
っても、r=q以外のとき、上式は0となる。
【0042】
【数12】 となる。
【0043】以上説明した混合構造形ニューラルネット
ワークの結合重み係数の学習方法を混合構造形ニューラ
ルネットワークの出力値演算を含めて整理すると以下の
ようなステップになる。 [STEP 0]時間tにおける演算開始。 [STEP 1]入力層の出力を演算する。
【0044】Ii(t) =Ui(t) (i=1〜m) [STEP 2]中間層への入力を演算する。
【0045】
【数13】 (ただし、Hr(0) =0とする。) [STEP 3]中間層からの出力を演算する。
【0046】 Hj(t) =fH(NetHj(t)) (j=1〜s) [STEP 4]出力層への入力を演算する。
【0047】
【数14】 [STEP 5]出力層からの出力を演算する。
【0048】 Xi(t) =f0(Net0i(t)) (i=1〜n) [STEP 6]学習を行うときは、「STEP 7]
へ。
【0049】学習を行わないときは、時間tにおける演
算終了(RETURN)。
【0050】
【数15】
【0051】
【数16】
【0052】
【数17】
【0053】
【数18】 [STEP 16]重み係数cpqの更新を行う。
【0054】cpq(t+Δt)=cpq(t) +Δcpq(t)
(p=1〜n,q=1〜s) [STEP 17]重み係数bpqの更新を行う。
【0055】bpq(t+Δt)=bpq(t) +Δbpq(t)
(p=1〜s,q=1〜s) [STEP 18]重み係数apqの更新を行う。
【0056】apq(t+Δt)=apq(t) +Δapq(t)
(p=1〜s,q=1〜m) [STEP 19]時間tにおける演算終了(RETU
RN)。
【0057】以上、混合構造形ニューラルネットワーク
について結合重み係数の学習方法を含めて説明した。
【0058】次に、前記(a)〜(h)の各手段の作用
について説明する。
【0059】手段(a)では、交通量予測値(今後y
[min]間に予想される積算通行量[台/h])と各
換気機の運転風量台数計画値(今後y[min]間に運
転を予定している各換気機の運転風量および運転台数の
平均値、例えば集塵機風量[m3 /s]、ジェットファ
ン運転台数[台]等)を上述の混合構造形ニューラルネ
ットワークに入力する事によりトンネル内汚染濃度
[−](または煙霧透過率[%])の混合y[min]
間の平均値を予測する。
【0060】手段(c)では、手段(a)と同様の入力
を混合構造形ニューラルネットワークに入力する事によ
り車道内風速の今後y[min]間の平均値を予測す
る。
【0061】手段(b)では、交通量実績値(過去z
[min]間の積算交通量[台/h])と各換気機の運
転風量台数実績値(過去z[min]間の各換気機の運
転風量および運転台数の平均値、例えば集塵機風量[m
3 /s]、ジェットファン運転台数[台]等)を手段
(a)で使用している混合構造形ニューラルネットワー
クに入力したときの出力とトンネル内汚染濃度[−]
(または煙霧透過率[%])の実績値(過去z[mi
n]間の平均値)とを比較し、上述の学習方法により手
段(a)で使用している混合構造形ニューラルネットワ
ーク内の重み係数を学習する。
【0062】手段(d)では、交通量実績値(過去z
[min]間の積算交通量[台/h])と各換気機の運
転風量台数実績値(過去z[min]間の各換気機の運
転風量および運転台数の平均値、例えば集塵機風量「m
3 /s]、ジェットファン運転台数[台]等)を手段
(c)で使用している混合構造形ニューラルネットワー
クに入力したときの出力と車道内風速[m/s]の実績
値(過去z[min]間の平均値)とを比較し、上述の
学習方法により手段(c)で使用している混合構造形ニ
ューラルネットワーク内の重み係数を学習する。
【0063】手段(e)では、手段(a)を用いてN種
類の換気機運転計画(今後y[min]間に運転を予定
している各換気機の運転風量および運転台数の平均値、
例えば集塵機風量「m3 /s]、ジェットファン運転台
数[台]等に関するN種類の組み合わせ)に対するトン
ネル内汚染濃度[−](または煙霧透過率[%])の今
後y[min]間の平均値を予測する。
【0064】手段(f)では、手段(c)を用いてN種
類の換気機運転計画(今後y[min]間に運転を予定
している各換気機の運転風量および運転台数の平均値、
例えば集塵機風量[m3 /s]、ジェットファン運転台
数[台]等に関するN種類の組み合わせ)に対する車道
内風速[m/s]の今後y[min]間の平均値を予測
する。
【0065】手段(g)では、手段(e)の結果から、 ・換気機の移動頻度制約条件(例えば、同じジェットフ
ァンを起動してから、再び起動するまでの制約時間など
に関する条件) ・トンネル内汚染濃度制約条件(例えば、煙霧透過率は
30[%]以上、一酸化炭素濃度は100[ppm]以
下などの制約条件) を満足し、且つ換気機運転所要電力が最小となる換気機
運転計画を選択する。
【0066】手段(h)では、手段(e)、(f)の結
果から、 ・換気機の移動頻度制約条件(例えば、同じジェットフ
ァンを起動してから、再び起動するまでの制約時間など
に関する条件) ・トンネル内汚染濃度制約条件(例えば、煙霧透過率は
30[%]以上、一酸化炭素濃度は100[ppm]以
下などの制約条件) ・車道内最低風速条件(例えば、トンネル内の換気風が
逆転しないよう、車道内風速は0.5[m/s]以上と
するなどの条件) を満足し、且つ換気機運転所要電力が最小となる換気機
運転計画を選択する。
【0067】
【実施例】以下、本発明による道路トンネル換気制御装
置の一実施例について説明する。
【0068】図1は、本発明の一実施例を示す機能ブロ
ック図である。今、換気設備として複数のジェットファ
ン1と1台の集塵機2を有する対面通行のトンネル3を
考える。換気方向は、矢印3Aで示した方向とする。ト
ンネル内には、VI(visibility=煙霧透過率)を計測
するVI計がVI1とVI2の2台、車道内風速を計測
する風向風速計WSが1台設置されている。
【0069】換気機運転風量・運転台数計画値発生手段
4は、ジェットファン運転台数計画値NJP[台]と集塵
機運転風量計画値QCP[m3 /s]との数種類の組み合
わせを出力する。
【0070】混合構造形ニューラルネットワーク手段5
は、上り線大型車交通量予測値ULP[台/h]、上り線
小型車交通量予測値USP[台/h]、下り線大型車交通
量予測値DLP[台/h]、下り線小型車交通量予測値D
SP[台/h]と上述のNJP,QCPを入力されることによ
り、VIの予測値VIP[%]を出力する。ここで、上り
線か下り線かは喚起方向3Aと同方向か逆方向かで換気
性能に関係し、大型車か小型車かで排気量が異なるので
空気の塵量に関係する。
【0071】混合構造形ニューラルネットワーク学習手
段6では、上り線大型車交通量計測値ULA[台/h]、
上り線小型車交通量計測値USA[台/h]、下り線大型
車交通量計測値DLA[台/h]、下り線小型車交通量計
測値DSA[台/h]とジェットファン運転台数実績値N
JA[台]、集塵機風量実績値QCA[m3 /s]、VIの
実績値VIA[%]、VIの予測値VIP[%]を入力とし
て、混合構造形ニューラルネットワーク内の結合重み係
数群7を学習し、混合構造形ニューラルネットワーク手
段5に送っている。
【0072】一方、混合構造形ニューラルネットワーク
手段8は、上り線大型車交通量予測値ULP[台/h]、
上り線小型車交通量予測値USP[台/h]、下り線大型
車交通量予測値DLP[台/h]、下り線小型車交通量予
測値DSP[台/h]と上述のNJP,QCPを入力されるこ
とにより、車道内風速の予測値WSP[m/s]を出力す
る。
【0073】混合構造形ニューラルネットワーク学習手
段9では、上り線大型車交通量計測値ULA[台/h]、
上り線小型車交通量計測値USA[台/h]、下り線大型
車交通量計測値DLA[台/h]、下り線小型車交通量計
測値DSA[台/h]とジェットファン運転台数実績値N
JA[台]、集塵機風量実績値QCA[m3 /s]、車道内
風速の実績値WSA[m/s]、車道内風速の予測値WSP
[m/s]を入力として、混合構造形ニューラルネット
ワーク内の結合重み係数群10を学習し、混合構造形ニ
ューラルネットワーク手段8に送っている。
【0074】上述の換気機運転風量・運転台数計画値発
生手段4が発生したジェットファン運転台数計画値NJP
と集塵機運転風量計画値QCPとの数種類の組み合わせに
対応して、汚染濃度予測結果11にはVIの予測値VIP
が記憶され、車道内風速予測結果12には車道内風速の
予測値WSPが記憶される。
【0075】制約条件チェック13では、汚染濃度予測
結果11の出力14と車道内風速予測結果12の出力1
5を入力として、換気上の制約条件のチェックを行う。
電力最小計画選択16では、制約条件チェック13の出
力17を入力として、換気機運転所要電力が最小となる
運転計画値(ジェットファン最適運転台数NJM[台]、
集塵機最適運転風量QCM[m3 /s])を選択する。
【0076】次に実施例の作用について述べる。図1に
示した実施例の基本思想あるいは基本的な処理の流れ
は、以下の通りである。
【0077】(1) 換気機運転風量・運転台数の計画値
(今後y[min]の間、ジェットファンと集塵機を各
々どの程度運転すべきか)の候補を発生させる。…図1
の手段4に相当する。
【0078】(2) 上記(1)で発生した各々の計画値に
従って換気機を運転したと仮定した場合のトンネル内換
気状態を混合構造形ニューラルネットワークにより予測
する。…図1の手段5、手段8に相当する。
【0079】(3) 上記(1)、(2)の結果を踏まえ、
さらに換気上の制約条件、換気機運転所要電力を考慮し
た上で、最適な計画値を選択する。…図1の手段11、
手段12、手段13、手段16に相当する。
【0080】(4) また、上記(1)、(2)、(3)と
並行して、オンラインデータから混合構造形ニューラル
ネットワーク内の結合重み係数の学習を行う。…図1の
手段6、手段9に相当する。
【0081】まず、手段4では、今後y[min](y
の値は、30〜60[min])の間、ジェットファン
と集塵機を各々どの程度運転すべきかについての運転計
画値を数種類発生させる。これらの運転計画値は、ジェ
ットファン運転台数計画値NJP[台]と集塵機運転風量
計画値QCP[m3 /s]との数種類の組み合わせとし
て、手段5および手段8に送られる。
【0082】次に、手段5では、 ・今後y[min]間の積算値としての、上り線大型車
交通量予測値ULP[台/h] ・今後y[min]間の積算値としての、上り線小型車
交通量予測値USP[台/h] ・今後y[min]間の積算値としての、下り線大型車
交通量予測値DLP[台/h] ・今後y[min]間の積算値としての、下り線小型車
交通量予測値DSP[台/h] ・ジェットファン運転台数計画値NJP[台] ・集塵機運転風量計画値QCP[m3 /s] を入力として、前述の混合構造形ニューラルネットワー
クの手法を用いて、今後y[min]間のVI平均値の
予測値VIP[%]を出力する。この演算は、手段4で発
生したNJPとQCPの組み合わせについて各々行われ、演
算結果は手段11に記憶される。
【0083】一方、手段8では、 ・今後y[min]間の積算値としての、上り線大型車
交通量予測値ULP[台/h] ・今後y[min]間の積算値としての、上り線小型車
交通量予測値USP[台/h] ・今後y[min]間の積算値としての、下り線大型車
交通量予測値DLP[台/h] ・今後y[min]間の積算値としての、下り線小型車
交通量予測値DSP[台/h] ・ジェットファン運転台数計画値NJP[台] ・集塵機運転風量計画値QCP[m3 /s] を入力として、前述の混合構造形ニューラルネットワー
クの手法を用いて、今後y[min]間の車道内風速平
均値の予測値WSP[m/s]を出力する。この演算は、
手段4で発生したNJPとQCPの組み合わせについて各々
行われ、演算結果は手段12に記憶される。
【0084】手段13では、換気設備上の制約条件、 ・集塵機の再起動時間制約(集塵機を起動してから、一
旦停止後、再び起動するとき、起動と起動との間をTC
[min]以上あけなければならない。) ・ジェットファンの再起動時間制約(ジェットファンを
起動してから、一旦停止後、再び起動するとき、起動と
起動との間をTJ [min]以上あけなければならな
い。) および、汚染濃度上の制約条件、 ・VI平均値の予測値VIP[%]が、VMIN [%]以上
であること。
【0085】・車道内風速平均値の予測値WSP[m/
s]が、WMIN [m3 /s]以上であること。
【0086】(ただし、車道内風速に関する条件は、車
道内風の風向が逆転することを防止するためのものであ
るので、逆転の恐れの無いときには省略しても構わな
い。)をチェックし、制約条件を満足するNJPとQCPの
組み合わせのみを制約条件チェック結果17として、手
段16に送る。
【0087】手段16では、制約条件チェック結果17
に残っているNJPとQCPの組み合わせに相当する換気機
運転所要電力の計算を行う(ジェットファンの運転所要
電力は、ジェットファン1台当たりの運転所要電力にN
JPを乗じることにより計算される。また、集塵機の運転
所要電力は、通常QCPの3次関数として計算される)。
そして、所要電力の最も小さいNJPとQCPの組み合わせ
を最適な組み合わせNJMとQCMとして選択する。
【0088】以上の処理により、最適な運転計画値(ジ
ェットファン最適運転台数NJM[台]、集塵機最適運転
風量QCM[m3 /s])が選択される。
【0089】一方、混合構造形ニューラルネットワーク
内の結合重み係数群の学習は、手段6および手段9によ
り行われる。学習アルゴリズムにいては、前述の[ST
EP0]〜[STEP 19]に述べた通りであるが、
手段6では、混合構造形ニューラルネットワークへの入
力を、 ・過去z[min]間の積算値としての、上り線大型車
交通量実績値ULA[台/h] ・過去z[min]間の積算値としての、上り線小型車
交通量実績値USA[台/h] ・過去z[min]間の積算値としての、上り線大型車
交通量実績値DLA[台/h] ・過去z[min]間の積算値としての、上り線小型車
交通量実績値DSA[台/h] ・過去z[min]間の平均値としての、ジェットファ
ン運転台数実績値NJA[台] ・過去z[min]間の平均値としての、集塵機運転風
量実績値QCA[m3 /s] とし、教師信号を過去z[min]間のVI平均値の実
績値VIA[%]とすることにより、結合重み係数を学習
する。このときの教師信号VIAとしては、図1の2台あ
るいはVI計(VI1とVI2)のうち、VI値の低い
方の値の平均値を採用する。手段6の学習結果である結
合重み係数群7が、手段5のVI予測演算に使用され
る。
【0090】また、手段9では、混合構造形ニューラル
ネットワークへの入力を、 ・過去z[min]間の積算値としての、上り線大型車
交通量実績値ULA[台/h] ・過去z[min]間の積算値としての、上り線小型車
交通量実績値USA[台/h] ・過去z[min]間の積算値としての、上り線大型車
交通量実績値DLA[台/h] ・過去z[min]間の積算値としての、上り線小型車
交通量実績値DSA[台/h] ・過去z[min]間の平均値としての、ジェットファ
ン運転台数実績値NJA[台] ・過去z[min]間の平均値としての、集塵機運転風
量実績値QCA[m3 /s] とし、教師信号を過去z[min]間の車道内風速平均
値の実績値WSA[m/s]とすることにより、結合重み
係数を学習する。このときの教師信号WSAとしては、図
1の風向風速計WSの値の平均値を採用する。手段9の
学習結果である結合重み係数群10が、手段8の車道内
風速予測演算に使用される。
【0091】以上説明した実施例においては、混合ニュ
ーラルネットワークの手法を用い、トンネル換気のオン
ラインデータによりトンネル内汚染状況と換気風の流れ
を予測し、換気機の最適な運転計画を決定するように構
成したので、ドライバーにとっての安全走行環境の維持
と換気機運転所要電力の低減化の効果を有する。
【0092】次に本発明の他の実施例について説明す
る。上述の実施例においては、換気設備として複数のジ
ェットファン1と1台の集塵機2を有するトンネルを対
象に選んで記述したが、換気設備としてはこれに限らず
種々の換気機の組み合わせが可能である。主な換気機と
しては、 (a) ジェットファン (b) 集塵機 (c) 立坑送風機 (d) 立坑排風機 があり、換気設備としては、(a),(b),(c),
(d)のいれずか単独の換気機から構成される場合と、
(a),(b),(c),(d)の内の何種類かの組み
合わせから構成される設備とが考えられる。換気設備が
変わった場合には、図1の手段4の出力である、 ・ジェッファン運転台数計画値NJP[台] ・集塵機運転風量計画値QCP[m3 /s] および、図1の手段6および手段9の入力である、 ・過去z[min]間の平均値としての、ジェットファ
ン運転台数実績値NJA[台] ・過去z[min]間の平均値としての、集塵機運転風
量実績値QCA[m3 /s] さらには、図1の手段16の出力である、 ・ジェットファン最適運転台数NJM[台] ・集塵機最適運転風量QCM[m3 /s] を設置されている換気機の運転台数・運転風量に相当す
る信号に変更すればよい。
【0093】また、上述の実施例においては、教師信号
を図1の2台あるVI計(VI1とVI2)のうち、V
I値の低い方としていたが、VI1とVI2の各々を教
師信号として、別個に学習させる構成としてもよい。V
I計が複数ある場合には、教師信号を複数のVI計出力
のうちの最も低い値としてもよいし、各々のVI計出力
を教師信号として学習させる構成としてもよい。
【0094】なお、VI値の替わりに、煤煙濃度を用い
てもよい。
【0095】風向風速計が複数ある場合は、複数の風向
風速計出力の平均値を教師信号として採用してもよい
し、立坑がある場合には立坑を挟んだ両換気区間で風向
風速が異なるので、各々の換気区間で教師信号を区別す
ればよい。
【0096】また、図2に示した混合構造形ニューラル
ネットワークにおいて、出力信号Xi(t) の前回値Xi
(t−Δt)を入力信号Ui(t) の一部に加えるフィー
ドバックループを設けてもよい。
【0097】また、前述の実施例では対面通行トンネル
を対象としていたため、上り線、下り線の両者の交通量
を考慮していたが、一方通行トンネルを対象とした場合
には、上り線、下り線のいずれか該当する交通量のみを
考慮すればよい。
【0098】
【発明の効果】
(1) 請求項1の構成によれば、トンネル内汚染濃度予測
モデルに混合構造形ニューラルネットワークを採用し、
オンラインデータをもとにモデルの学習を行う構成とし
たので、学習が進むに従い対象トンネルに合った汚染濃
度予測モデルが構築され、各時間帯のトンネル内汚染状
況を高精度で予測できる効果を有する。
【0099】(2) 請求項3の構成によれば、車道内風速
予測モデルに混合構造形ニューラルネットワークを採用
し、オンラインデータをもとにモデルの学習を行う構成
としたので、学習が進むに従い対象トンネルに合った車
道内風速予測モデルが構築され、各時間帯の換気風の流
れを高精度で予測できる効果を有する。
【0100】(3) 請求項5の構成によれば、に関連する
効果。換気機の運転計画を立てる際に、数種類の運転計
画に相当するトンネル内汚染濃度を混合構造形ニューラ
ルネットワークにより予測し、その結果の中から、 ・換気機の起動頻度制約 ・トンネル内汚染濃度制約 を満足し、且つ換気機運転所要電力が最小となる運転計
画を選択するように構成したので、 ・トンネル内安全走行環境維持 ・消費電力の低減化 の効果を有する。
【0101】(4) 請求項6の構成によれば、換気機の運
転計画を立てる際に、数種類の運転計画に相当するトン
ネル内汚染濃度および車道内風速を混合構造形ニューラ
ルネットワークにより予測し、その結果の中から、 ・換気機の起動頻度制約 ・トンネル内汚染濃度制約 ・車道内最低風速条件 を満足し、且つ換気機運転所要電力が最小となる運転計
画を選択するように構成したので、 ・トンネル内安全走行環境維持 ・消費電力の低減化 ・換気風の風向逆転に伴う汚染濃度悪化現象の防止 の効果を有する。なお、換気風の流れる方向が逆転した
直後に、汚染物質がトンネル内に滞留し、急激な汚染濃
度悪化現象が生じる。
【図面の簡単な説明】
【図1】本発明による道路トンネル換気制御装置の一実
施例を示すブロック図。
【図2】階層形ニューラルネットワークを説明するため
の構成図。
【図3】混合構造形ニューラルネットワークを説明する
ための構成図。
【図4】従来の道路トンネル換気制御装置を説明するた
めの機能ブロック図。
【図5】道路トンネルの内部を示す概略図。
【符号の説明】
1 ジェットファン 2 集塵機 3 トンネル 3A 換気方向 4 換気機運転風量・運転台数計画値発生手段 5,8 混合構造形ニューラルネットワーク手段 6,9 混合構造形ニューラルネットワーク学習手段 7,10 混合構造形ニューラルネットワーク内の結合
重み係数群 11 汚染濃度予測結果 12 車道内風速予測結果 13 制約条件チェック 14 汚染濃度予測結果11の出力 15 車道内風速予測結果12の出力 16 電力最小計画選択 17 制約条件チェック13の出力 VI1,VI2 VI計(煙霧透過率計測装置) WS 風向風速計 ULP 上り線大型車交通量予測値 USP 上り線小型車交通量予測値 DLP 上り線大型車交通量予測値 DSP 上り線小型車交通量予測値 ULA 上り線大型車交通量計測値 USA 上り線小型車交通量計測値 DLA 上り線大型車交通量計測値 DSA 上り線小型車交通量計測値 NJP ジェットファン運転台数計画値 QCP 集塵機運転風量計画値 NJA ジェッファン運転台数実績値 QCA 集塵機風量実績値 NJM ジェットファン最適運転台数 QCM 集塵機最適運転風量 VIP VIの予測値 VIA VIの実績値 WSP 車道内風速の予測値 WSA 車道内風速の実績値

Claims (6)

    【特許請求の範囲】
  1. 【請求項1】道路トンネル内の交通量に応じて汚染され
    るトンネル内空気のトンネル内汚染濃度を所定範囲に制
    御するために道路トンネル内に配設された複数の換気機
    でトンネル外へ送風して制御する道路トンネル換気制御
    装置における、トンネル内汚染濃度を予測する道路トン
    ネル換気状態予測装置であって、 (a) 現在からy[min]先までの積算値としての交通
    量予測値と、現在からy[min]先までの平均値とし
    ての各換気機の運転風量・運転台数計画値とを入力と
    し、トンネル内汚染濃度予測値を出力とする混合構造形
    ニューラルネットワーク手段と、 (b) 過去z[min]の積算値としての交通量実績値
    と、過去z[min]の平均値としての各換気機の運転
    風量・運転台数実績値とを入力とし、トンネル内汚染濃
    度実績値を教師信号とする混合構造形ニューラルネット
    ワーク学習手段と、を備えることを特徴とする道路トン
    ネル換気状態予測装置。
  2. 【請求項2】前記交通量予測値は、各車線毎の大型車交
    通量予測値と各車線毎の小型車交通量予測値とからな
    り、 前記交通量実績値は、各車線毎の大型車交通量実績値と
    各車線毎の小型車交通量実績値とからなることを特徴と
    する請求項1に記載の道路トンネル換気状態予測装置。
  3. 【請求項3】道路トンネル内の交通量に応じて汚染され
    るトンネル内空気のトンネル内汚染濃度を所定範囲に制
    御するために道路トンネル内に配設された複数の換気機
    でトンネル外へ送風して制御する道路トンネル換気制御
    装置における、トンネル内の車道風速を予測する道路ト
    ンネル車道風速予測装置であって、 (a) 現在からy[min]先までの積算値としての交通
    量予測値と、現在からy[min]先までの平均値とし
    ての各換気機の運転風量・運転台数計画値とを入力と
    し、トンネル内の車道風速予測値を出力とする混合構造
    形ニューラルネットワーク手段と、 (b) 過去z[min]の積算値としての交通量実績値
    と、過去z[min]の平均値としての各換気機の運転
    風量・運転台数実績値とを入力とし、トンネル内の車道
    風速実測値を教師信号とする混合構造形ニューラルネッ
    トワーク学習手段と、を備えることを特徴とする道路ト
    ンネル車道風速予測装置。
  4. 【請求項4】前記交通量予測値は、各車線毎の大型車交
    通量予測値と各車線毎の小型車交通量予測値とからな
    り、 前記交通量実績値は、各車線毎の大型車交通量実績値と
    各車線毎の小型車交通量実績値とからなることを特徴と
    する請求項3に記載の道路トンネル車道風速予測装置。
  5. 【請求項5】道路トンネル内の交通量に応じて汚染され
    るトンネル内空気のトンネル内汚染濃度を所定範囲に制
    御するために道路トンネル内に配設された複数の換気機
    でトンネル外へ送風して制御する道路トンネル換気制御
    装置において、 (a) 請求項1または請求項2に記載の道路トンネル換気
    状態予測装置と、 (b) 前記道路トンネル換気状態予測装置にN種類の各換
    気機の運転風量・運転台数計画値を入力し、各計画値に
    対応するトンネル内汚染濃度予測値を得る濃度演算手段
    と、 (c) 前記濃度演算手段による演算結果の中から、換気機
    の起動頻度制約条件と、トンネル内汚染濃度制約条件と
    を満足し、且つ、換気機運転所要電力が最小となる換気
    機運転風量・運転台数計画値を選択する演算手段と、を
    備えることを特徴とする道路トンネル換気装置。
  6. 【請求項6】道路トンネル内の交通量に応じて汚染され
    るトンネル内空気のトンネル内汚染濃度を所定範囲に制
    御するために道路トンネル内に配設された複数の換気機
    でトンネル外へ送風して制御する道路トンネル換気制御
    装置において、 (a) 請求項1または請求項2に記載の道路トンネル換気
    状態予測装置と、 (b) 請求項3または請求項4に記載の道路トンネル車道
    風速予測装置と、 (c) 前記道路トンネル換気状態予測装置にN種類の各換
    気機の運転風量・運転台数計画値を入力し、各計画値に
    対応するトンネル内汚染濃度予測値を得る濃度演算手段
    と、 (d) 前記道路トンネル車道風速予測装置にN種類の各換
    気機の運転風量・運転台数計画値を入力し、各計画値に
    対応する車道内風速予測値を得る風速演算手段と、 (e) 前記濃度演算手段と前記風速演算手段による演算結
    果の中から、換気機の起動頻度制約条件と、トンネル内
    汚染濃度制約条件と、車道内最低風速条件とを満足し、
    且つ、換気機運転所要電力が最小となる換気機運転風量
    ・運転台数計画値を選択する演算手段と、を備えること
    を特徴とする道路トンネル換気制御装置。
JP21508494A 1994-09-08 1994-09-08 道路トンネル換気制御装置 Withdrawn JPH08165900A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP21508494A JPH08165900A (ja) 1994-09-08 1994-09-08 道路トンネル換気制御装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP21508494A JPH08165900A (ja) 1994-09-08 1994-09-08 道路トンネル換気制御装置

Publications (1)

Publication Number Publication Date
JPH08165900A true JPH08165900A (ja) 1996-06-25

Family

ID=16666491

Family Applications (1)

Application Number Title Priority Date Filing Date
JP21508494A Withdrawn JPH08165900A (ja) 1994-09-08 1994-09-08 道路トンネル換気制御装置

Country Status (1)

Country Link
JP (1) JPH08165900A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819249A (zh) * 2012-08-03 2012-12-12 山东康威通信技术股份有限公司 电力隧道联动控制系统及控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819249A (zh) * 2012-08-03 2012-12-12 山东康威通信技术股份有限公司 电力隧道联动控制系统及控制方法

Similar Documents

Publication Publication Date Title
US20160078695A1 (en) Method and system for managing a fleet of remote assets and/or ascertaining a repair for an asset
CN103158717B (zh) 用于电动车eco驾驶的系统和方法
ES2735399T3 (es) Procedure and equipment to optimize the operational behavior of a motor vehicle with combustion engine
CN104564120B (zh) 一种矿井通风系统运行状态控制决策方法
Santhanakrishnan et al. On spacing policies for highway vehicle automation
CN102030023B (zh) 用于优化运行在多交叉铁路网上的多个轨道车辆的参数的方法
CN1285898C (zh) 实时移动车载排放报告系统和测试系统
Holmén et al. Characterizing the effects of driver variability on real-world vehicle emissions
JP5475805B2 (ja) 経路探索装置
Wang et al. A survey on optimal trajectory planning for train operations
US20160362114A1 (en) System and method for measuring and reducing vehicle fuel waste
EP2946981A1 (en) Vehicle air conditioning control device
CA2277395C (en) Flow rate detector mechanism with variable venturi and exhaust gas sampling method using the same
US6922612B2 (en) Combustion vibration estimating apparatus, plant and gas turbine plant
US20160318368A1 (en) Automatic Vehicle Climate Control Based on Predicted Air Quality
Hegyi Model predictive control for integrating traffic control measures
CN101240751B (zh) 催化剂后氧传感器诊断
AU688353B2 (en) Virtual emissions monitor for automobile
US20060074544A1 (en) Dynamic optimizing traffic planning method and system
CN102112719B (zh) 省燃料运行诊断装置、省燃料运行诊断系统、行驶控制装置、省燃料运行评分装置以及省燃料运行诊断方法
Kukkonen et al. A measurement campaign in a street canyon in Helsinki and comparison of results with predictions of the OSPM model
Messmer et al. Route diversion control in motorway networks via nonlinear optimization
JP2009146086A (ja) 車両故障診断予測装置
Zhao et al. DHP method for ramp metering of freeway traffic
US20140088865A1 (en) Apparatus and method for predicting arrival times in a transportation network

Legal Events

Date Code Title Description
A300 Withdrawal of application because of no request for examination

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 20011120