JPH09212207A - ミル特性計測装置 - Google Patents

Abstract

(57)【要約】 【課題】 ミル稼働中にシミュレーションモデルのパラ
メータを学習可能とし、さらに定常状態の変化から過渡
状態の変化を予測できるようにする。 【解決手段】 データ分別手段１０は定常状態と過渡状
態のデータを分別して出力し、特徴量演算手段１１は定
常状態入出力データを入力して定常状態の特徴量を算出
する。シミュレーションモデル１２は過渡状態入力デー
タを入力し、パラメータに基づいて過渡状態出力データ
ＹＳを出力する。誤差演算器１３は過渡状態出力データ
ＹＴからその差である誤差ｅを算出する。ニューラルネ
ットワーク１６は定常状態の特徴量を入力し、シミュレ
ーションモデル１２のパラメータを出力するが、誤差ｅ
が所定値より大きい場合は、誤差判定手段１５により誤
差ｅを零に近づけるよう学習指示がニューラルネットワ
ーク１６に出される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、石炭焚ボイラに微
粉炭を供給するミルの特性変化予測装置に関する。

【０００２】

【従来の技術】従来火力発電用ボイラには微粉炭が燃料
として多量に使用されている。この微粉炭は、原炭を粉
砕しローラにより微粉炭とするミルにより供給される。
ミルにより供給される微粉炭は通常サービスタンクに一
時貯蔵され、その後ボイラへ供給されるが、サービスタ
ンクの容量は大きくないので、ボイラの燃料消費量に合
わせた微粉炭の供給が必要となる。このためミルの入炭
量などの入力データに対する出炭量などの出力データを
正確に予測する必要がある。

【０００３】

【発明が解決しようとする課題】このため、ミルのシミ
ュレータを作成し、出炭量等の予測が行われている。
「火力発電Ｖｏｌ．４６，Ｎｏ１．頁４７−頁５８、能
代火力発電所１号機における最新の制御技術」にはその
頁５５にミルシミュレータによる出炭の予測方法が開示
されている。石炭の場合、産地によって炭種が異なり、
この炭種が異なるとミルへ供給する原炭量が同じでも炭
量が変化する。このため、上記ミルシミュレータの場
合、炭種が変わるごとにシミュレータ係数変化を予め求
めておく必要があるが、入力するデータは入炭量の外に
も多数あり、これらに対応した係数変化を全て求めるこ
とは困難である。また、このシミュレータは学習機能が
ないため、予め設定した条件と異なると予測精度が低下
する。特に過渡状態の予測精度は良くない場合が多い。

【０００４】本発明は、上述の問題点に鑑みてなされた
もので、ミル稼働中にシミュレーションモデルのパラメ
ータを学習可能とし、さらに定常状態の変化から過渡状
態の変化を推定可能とすることを目的とする。

【０００５】

【課題を解決するための手段】上記目的を達成するた
め、請求項１の発明では、原炭を粉砕しローラにより微
粉炭にするミルの特性計測装置であって、ミルの入力デ
ータと出力データとを入力し、定常状態と過渡状態のデ
ータを分別するデータ分別手段と、このデータ分別手段
から定常状態入出力データを入力して、定常状態の特徴
量を算出する特徴量演算手段と、前記データ分別手段よ
り過渡状態入力データを入力し、パラメータに基づいて
過渡状態出力データを予測した予測データを出力するシ
ミュレーションモデルと、前記データ分別手段からの過
渡状態出力データと前記予測データとの誤差を求める誤
差演算器と、前記定常状態特徴量と前記誤差を入力して
前記シミュレーションモデルに前記パラメータを出力す
るニューラルネットワークと、前記誤差を入力しこの誤
差が所定値を越える時、前記ニューラルネットワークに
前記誤差が零になるように学習開始を指示する誤差判定
手段とを備える。

【０００６】上記構成により、シミュレーションモデル
は現在定まっているパラメータを用いて、過渡状態の入
力データに基づき過渡状態の予測データを出力する。誤
差演算器ではこの予測データと過渡状態出力データとの
誤差を演算し、この誤差をニューラルネットワークに出
力している。ニューラルネットワークは定常状態の特徴
量を入力し、シミュレーションモデルのパラメータを出
力する。ニューラルネットワークでは、定常状態の入力
データが変化し、次の定常状態となった入力データの特
徴量を入力してシミュレーションモデルのパラメータを
出力し、シミュレーションモデルではこの定常状態の変
化による過渡状態の入力データとこの出力されたパラメ
ータとから予測データを出力し、誤差判定手段では、こ
の予測データとデータ分別手段からの過渡状態出力デー
タとの誤差を調べこの誤差が所定値より大きくなるとニ
ューラルネットワークにこの誤差を零とするように学習
を指示する。このようにして学習することにより誤差は
小さくなり、適切なパラメータが出力されるようにな
る。このような学習はミル稼働中も行われ、これにより
定常状態の特徴量から過渡状態のシミュレーションモデ
ルのパラメータを生成することができる。このパラメー
タによりシミュレーションモデルは過渡状態の変化を予
測することができる。

【０００７】請求項２の発明では、請求項１の発明にお
いて、前記誤差演算器の出力する誤差データを前記パラ
メータと同一次元のデータに変換する変換器を設け、そ
の出力を前記ニューラルネットワークに出力する。ニュ
ーラルネットワークは誤差が出力データであるパラメー
タと同じ次元でないと学習できないのでこの変化器によ
る変換が行われる。

【０００８】

【発明の実施の形態】以下、本発明の実施の形態につい
て図面を参照して説明する。図１は本発明の実施の形態
を示すブロック図である。本実施の形態のミル特性計測
装置は、原炭より微粉炭を生成するミルの特性を計測す
ると共に出力を予測する。ミルは原炭を破砕しローラに
より微粉炭にする装置であり、本ミル特性計測装置はミ
ルへの入力データとミルの出力データを計測すると共に
入力データから、出力データを予測する。定常状態にお
ける入力データから定常状態の出力データの予測は試験
や同種プラントの実績から精度よく行われるので、本実
施の形態では定常状態の入力データの変化に対する過渡
状態の予測を精度よく行う。

【０００９】入力データとしては原炭供給量、ローラレ
ベル、ミル圧力損失などがあり、出力データとしては出
炭量、粒度分布などがある。図２はこのような入出力デ
ータの一例を示す。横軸は時間をとり、縦軸はそれぞれ
の項目の値を示す。ａ〜ｃは入力データを示し、ｄは出
力データを示す。また、実線部分が定常状態のデータを
示し破線部分が過渡状態のデータを示す。ａは原炭供給
量である。炭種変化はこの時点で石炭の産地が変化した
ことを示す。炭種が変化しても原炭供給量は一定である
が、他のデータに変化が生じるものもあり、これにより
炭種切り換えを自動的に判別できる。ｂはローラレベル
でこれは破砕した石炭を微粉化するローラのレベルを表
す。この場合、定常特性値は炭種変化により変化してい
る。これにより炭種切り換えを判定できる。ｃはミル圧
力損失を示し、変化の少ないデータとなっている。ｄは
出炭量を示す。この出炭量の過渡状態における動特性変
化をシミュレーションモデルが正しく予測できるような
パラメータをニューラルネットワークが出力できるよう
にするため、実績データと予測データの誤差を零とする
ように学習が行われる。

【００１０】図３は、図１に示したブロックを実現する
コンピュータの構成を示すブロック図である。ＲＯＭ１
はプログラムなどの基本データを格納する不揮発性メモ
リである。ＣＰＵ２はＲＯＭ１に格納されたプログラム
に従い全体を制御する。ＲＡＭ３はＲＯＭ１より読み出
されたプログラムを格納すると共に、このプログラムに
従い動作するＣＰＵ２の作業エリアとなる。パネル操作
部４はオペレータが指示やデータを入力するもので、テ
ンキーやファンクションキーなどを有する。表示部５は
オペレータの入力値やＣＰＵ２による演算結果などを画
面表示する。入出力インターフェース６は外部とのデー
タ取り合いを行う。

【００１１】図１において、データ分別手段１０は図２
で示したような入力データと出力データを入力し、定常
状態入出力データ、過渡状態入力データおよび過渡状態
出力データに分別する。特徴量演算手段１１は定常状態
入出力データを入力し定常状態の特徴量を出力する。シ
ミュレーションモデル１２はミルの数学的モデルで入力
データを与えると予測データを出力するが、定常状態、
過渡状態に応じたパラメータが必要であり、このパラメ
ータは後述するニューラルネットワーク１６から与えら
れる。誤差演算器１３はデータ分別手段１０からの過渡
状態出力データと、シミュレーションモデルの過渡状態
入力データに対する予測データとの差を誤差データとし
て出力する。変換器１４は誤差データを、ニューラルネ
ットワーク１６に与えるためニューラルネットワーク１
６の出力信号であるパラメータと同じ次元に変換する。
誤差判定手段１５は誤差データを入力し、この値が所定
の値を越えた時、パラメータは適切になっていないとし
て誤差データが零となるようにニューラルネットワーク
１６に学習を指令する。なお、特徴量の一例をあげる
と、定常状態では平均値などが用いられ、過渡状態では
原炭供給量と出炭供給量の誤差積分、むだ時間、時定数
などが用いられる。

【００１２】ニューラルネットワーク１６は一般に用い
られる３層のバックプロパゲーションモデルを使用す
る。図４はこのようなバックプロパゲーションモデルを
示し、入力層、中間層、出力層の３層から構成されてい
る。また、図５はニューラルネットワーク１６を構成す
るニューロ演算素子の構成を示す。ニューロ演算素子は
各入力ｉに対し、重み係数Ｗｉにより重み付けをし内部
に取り込んでその和を取り、その和がしきい値（シグモ
イド関数）を越えたとき１を出力する。このようなニュ
ーロ演算素子を３層にし、各層間のニューロ演算素子を
接続する。図４において重み修正回路は誤差を零にする
ように一定の方法により中間層と出力層の各ニューロ演
算素子の重み係数Ｗｉｊを変化させる。この一定の方法
とは誤差が零に近づけば、そのとき信号を伝えている結
合の重みを少し増やし、零より遠ざかると、その時信号
を伝えている結合の重みを少し減少させるといった操作
を繰り返し、誤差を零にしてゆく方法である。

【００１３】次に変換器１４の動作について説明する。
図１において、過渡状態出力データＹＴを教師信号、シ
ミュレーションモデル１２の予測データを評価値ＹＳと
する。ニューラルネットワーク１６での学習はある評価
値ＹＳと教師信号ＹＴとの誤差を最小化するように学習
してゆく。ここでは教師信号ＹＴと比較する評価値ＹＳ
とニューラルネットワーク１６の出力（パラメータ）が
異なるために次のような方法を採用することによりバッ
クプロパゲーションを行う。評価値の誤差（学習の成
果）Ｅを次式のような二次形式で表す。

【００１４】

【数１】

【００１５】標準Δ則に基づいているバックプロパゲー
ションでは、重み係数Ｗｉｊの変化量をΔＷｉｊとする
と次式のようになる。

【００１６】

【数２】

【００１７】ニューラルネットワーク１６の出力と、評
価値ＹＳと教師出力ＹＴとの誤差が同一の次元ではない
ので次式のような修正を行う。Ｅを重み係数の関数とし
て（１）式を次のように偏微分する。なお、ＹＴにはＷ
ｉｊの成分は含まれていないのでＹＴのＷｉｊによる偏
微分は０となっている。

【００１８】

【数３】

【００１９】（３）式において、

【００２０】

【数４】

【００２１】このような変換のもとに（２）式へと導入
でき、バックプロパゲーションにより重み係数Ｗｉｊを
変化することができる。なお、（４）式においてＣ６１
はニューラルネットワーク１６の出力するパラメータは
６要素あるとし、これをＣ６１〜Ｃ６６で表したもので
ある。

【００２２】ここで（４）式の右辺の縦ベクトルが次元
の変換を表す関数Ｆ（・）を表している。この縦ベクト
ルの各要素について、パラメータとシミュレーションモ
デル１２の出力ＹＳ間の感度解析を以下のように行うこ
とにより求めることができる。教師信号ＹＴをＮ要素あ
るとし、ニューラルネットワーク１６からの出力信号で
あるパラメータは上述したように６要素（これは一般に
Ｍ要素としてもよい）であるとする。パラメータの平衡
値をおおよそ決める。そして５つのパラメータをその平
衡点で固定し、１つのパラメータを上下に値を振れさせ
た時のシミュレーションモデル１２の出力値ＹＳのＮ個
の変動を求める。この値を求め終えたら、パラメータＣ
6i（ｉ＝１〜６）に対する出力値ＹＳの微係数（傾き）
を求める。これをパラメータＣ6iの全て（６個）に適用
することにより（４）式の右辺の縦ベクトル、つまり変
換関数Ｆ（・）を求めることができる。

【００２３】図６は実施の形態の学習動作を示す動作フ
ロー図である。まずニューラルネットワーク１６に定常
状態の特徴量を入力し、１回のフォワード計算、つまり
図４に示す入力層に入力を与えたときの出力の算出を行
いシミュレーションモデル１２のパラメータを出力する
（Ｓ１）。次にシミュレーションモデル１２にニューラ
ルネットワーク１６で求めたパラメータを入力する（Ｓ
２）。次に過渡状態入力をシミュレーションモデル１２
に入力し、この出力値ＹＳを求める（Ｓ３）。なおこの
過渡状態入力データは、ニューラルネットワーク１６に
入力した特徴量の定常状態から移行した過渡状態の入力
データである。一方この過渡状態入力データによるミル
装置の過渡状態出力データＹＴを入力する。このＹＴは
教師信号と言われる。このＹＴとＹＳとの差を誤差ｅと
し、この誤差ｅを次のようにして評価する（Ｓ４）。

【００２４】誤差判定ブロック１５は（１）式に示した
誤差ｅの自乗を求め、この値が所定の小さな正数以下に
なったかを調べ（Ｓ５）、以下となった場合には、ニュ
ーラルネットワーク１６の出力したパラメータは真の値
またはそれに近いものとしてその値を採用し学習を中止
する（Ｓ６）。しかし、所定の値まで小さくならない場
合には（Ｓ５）、（４）式で示した変換Ｆ（・）を誤差
ｅに施し、εに変換する（Ｓ７）。これによりニューラ
ルネットワーク１６と同じ次元となるので、εを用いた
バックプロパゲーションによりニューラルネットワーク
内の重み係数Ｗｉｊを変化させる（Ｓ８）。この重み係
数Ｗｉｊの変化はεが零に近づけばそのとき信号を伝え
ている結合の重みを少し増やし、零より遠ざかると、そ
の時信号を伝えている結合の重みを少し減少させるとい
った操作を行う。次にステップＳ１〜Ｓ４を繰り返しス
テップＳ５で判定を行う。判定の結果所定の小さな正数
より小さくならないときは、小さくなるまでステップＳ
１〜Ｓ５、Ｓ７〜Ｓ８を繰り返し、小さくなった時、学
習を終了する（Ｓ６）。

【００２５】このように過渡状態におけるシミュレーシ
ョンモデル１２の出力ＹＳと、ミル装置の実測データＹ
Ｔとの誤差ｅの自乗ｅ² が最小となるようニューラルネ
ットワーク１６は定常状態の特徴量を入力し、シミュレ
ーションモデル１２のパラメータを出力しながら学習を
行う。また、ニューラルネットワーク１６の出力である
パラメータは定常状態の特徴量と関連づけるようにして
学習が行われるので、定常状態の変化から過渡状態の変
化を予測することができる。また、このような学習はミ
ル稼働中も可能である。

【００２６】

【発明の効果】以上の説明より明らかなように、本発明
は、シミュレーションモデルのパラメータをニューラル
ネットワークより出力し、シミュレーションモデルの出
力とミルの出力との誤差が最小となるパラメータを出力
するようニューラルネットワークは学習を行う。ニュー
ラルネットワークには定常状態の特徴量を入力し、シミ
ュレーションモデルには過渡状態の入力データを入力し
て、定常状態の変化から過渡状態の変化を予測できるよ
うにしている。ニューラルネットワークはミル稼働中も
シミュレーションモデルのパラメータの学習を可能とし
たので、シミュレーションモデルの予測精度が向上す
る。

【図面の簡単な説明】

【図１】本発明の実施の形態のミル特性計測装置の構成
を示すブロック図である。

【図２】入出力データの一例を示す図である。

【図３】図１に示したブロックを実現するコンピュータ
の構成を示す図である。

【図４】ニューラルネットワークのバックプロパゲーシ
ョンモデルを示す図である。

【図５】ニューロ演算素子の構成を示す図である。

【図６】実施の形態の学習動作を示す動作フロー図であ
る。

【符号の説明】

１０ データ分別手段 １１ 特徴量演算手段 １２ シミュレーションモデル １３ 誤差演算器 １４ 変換器 １５ 誤差判別手段 １６ ニューラルネットワーク

フロントページの続き (72)発明者 木通 秀樹 東京都江東区豊洲三丁目１番15号 石川島 播磨重工業株式会社東二テクニカルセンタ ー内 (72)発明者 村山 茂樹 東京都江東区豊洲三丁目１番15号 石川島 播磨重工業株式会社東二テクニカルセンタ ー内

Claims (2)

【特許請求の範囲】
1. 【請求項１】 原炭を粉砕しローラにより微粉炭にする
   ミルの特性計測装置であって、ミルの入力データと出力
   データとを入力し、定常状態と過渡状態のデータを分別
   するデータ分別手段と、このデータ分別手段から定常状
   態入出力データを入力して、定常状態の特徴量を算出す
   る特徴量演算手段と、前記データ分別手段より過渡状態
   入力データを入力し、パラメータに基づいて過渡状態出
   力データを予測した予測データを出力するシミュレーシ
   ョンモデルと、前記データ分別手段からの過渡状態出力
   データと前記予測データとの誤差を求める誤差演算器
   と、前記定常状態特徴量と前記誤差を入力して前記シミ
   ュレーションモデルに前記パラメータを出力するニュー
   ラルネットワークと、前記誤差を入力しこの誤差が所定
   値を越える時、前記ニューラルネットワークに前記誤差
   が零になるように学習開始を指示する誤差判定手段とを
   備えることを特徴とするミル特性計測装置。
2. 【請求項２】 前記誤差演算器の出力する誤差データを
   前記パラメータと同一次元のデータに変換する変換器を
   設け、その出力を前記ニューラルネットワークに出力す
   ることを特徴とする請求項１記載のミル特性計測装置。