JPH0925799A - 換気制御装置 - Google Patents

換気制御装置

Info

Publication number
JPH0925799A
JPH0925799A JP7197045A JP19704595A JPH0925799A JP H0925799 A JPH0925799 A JP H0925799A JP 7197045 A JP7197045 A JP 7197045A JP 19704595 A JP19704595 A JP 19704595A JP H0925799 A JPH0925799 A JP H0925799A
Authority
JP
Japan
Prior art keywords
ventilation
value
notch
control device
neural network
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.)
Pending
Application number
JP7197045A
Other languages
English (en)
Inventor
Hideaki Uekusa
秀明 植草
Toshiji Sasamoto
利治 笹本
Kazumi Kawakami
一美 川上
Takashi Karasawa
隆 柄沢
Masanori Yamamoto
正典 山本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuji Electric Co Ltd
Fuji Facom Corp
Original Assignee
Fuji Electric Co Ltd
Fuji Facom Corp
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 Fuji Electric Co Ltd, Fuji Facom Corp filed Critical Fuji Electric Co Ltd
Priority to JP7197045A priority Critical patent/JPH0925799A/ja
Publication of JPH0925799A publication Critical patent/JPH0925799A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Feedback Control In General (AREA)

Abstract

(57)【要約】 【課題】 VI値等の換気状態指標値の予測精度が低
く、換気電力量の節減が難しい。運転経験則の体系化や
チューニングの効率が悪い。 【解決手段】 被制御区域の環境指標値を入力として将
来の換気状態指標値(VI値)を予測する第1のニュー
ラルネットワーク10と、VI値の予測値を基準値と比
較して換気設備400のノッチ変更の要否を判定するノ
ッチ変更判定手段20と、ノッチの組み合わせパターン
に応じてVI値の効果を予測し、効果予測パターンとし
て出力する第2のニューラルネットワーク40と、前記
効果予測パターンを評価演算し、換気設備400の消費
電力量が最少となるノッチを決定する評価判定手段50
と、評価判定手段50により決定されたノッチ及びノッ
チ変更判定手段20の出力に基づいて最適なノッチを選
択するノッチ選択手段60とを備える。

Description

【発明の詳細な説明】
【0001】
【発明の属する技術分野】本発明は、トンネルや地下駐
車場等の内部空間を車の走行に支障がないように清浄に
保ち、かつ、換気電力量(換気設備の消費電力量)の節
減を可能にする換気制御装置に関する。
【0002】
【従来の技術】トンネルや地下駐車場等の換気制御は、
視界の確保による安全性の向上、ドライバーにとっての
快適性の向上などの観点から、極めて重要な問題となっ
ている。従来の換気制御は、トンネルなどの被制御区域
における車の交通量や、空気汚染度を示す指標値(以
下、換気状態指標値という)としてのVI値(煙霧透過
率)を自己回帰、最小二乗予測式等を用いて予測し、そ
の結果に応じて集塵機やジェットファン等の換気設備の
運転を制御している。
【0003】ここで、具体的な制御方式としてはフィー
ドバック制御(場合によりフィードフォワード制御も付
加)、レギュレータ制御、AI・ファジィ制御等があ
り、AI・ファジィ制御はフィードバック制御、レギュ
レータ制御の補完的な役割を果たしている。
【0004】表1は、上記従来の制御方式の比較表であ
る。なお、この表1では、本発明にかかるニューラルネ
ットワークを用いた制御方法についても併記してある。
【0005】
【表1】
【0006】
【発明が解決しようとする課題】上記従来技術には、次
のような問題がある。 フィードバック制御において、VI値の予測なしでは
VI値の急変時に追従できない。また、レギュレータ制
御では、VI値に影響する交通量、風向風速等(以下、
環境指標値という)が多数であり、しかもこれらの相互
作用や時間遅れがある。そのため、多数の環境指標値の
影響を表すモデルの構築は一般に困難であり、制御ソフ
トウェアも複雑になる。更に、環境指標値を少数に限定
してモデルを構築すると、VI値の予測精度が悪くな
る。
【0007】AI・ファジィ制御では、運転経験則の
ルール化が必要であるが、その体系化に長期間を要し、
また、トンネル等の対象区域ごとに異なる現地の状態や
運用に合わせたモデルの見直し(チューニング)には専
門家の検討が必要であるため、難しい。
【0008】換気電力量を節減するという省エネの観
点から考察すると、ではVI値の予測精度が悪く、換
気設備の無駄な運転等に起因して省エネ化が困難であ
る。また、については運転経験則の体系化がうまくい
けば省エネ化は可能であるが、前述のごとく体系化に長
期間を要する。
【0009】本発明は上記課題を解決するためになされ
たもので、その目的とするところは、ニューラルネット
ワークを用いることによりVI値などの換気状態指標値
の予測精度を向上させ、この予測値に基づき換気設備を
制御した場合の効果を評価することにより換気電力量を
最少とする換気設備の操作量を決定すると共に、運転経
験則や制御モデルの体系化、チューニングを効率良く行
えるようにした換気制御装置を提供することにある。
【0010】なお、本出願人は、先に「空気汚染度予測
装置」を出願した(特開平6−193400号公報参
照)。この空気汚染度予測装置は、VI値には過去の交
通量、風向風速等が大きく影響している点、及び、リカ
レント型ネットワークは時間的順序関係の学習に適して
いる点に着目してなされたものである。
【0011】すなわち、上記予測装置は、空気汚染度
(VI値)を計測する手段と、空気汚染度に影響する状
況値(交通量や風速等であり、前記環境指標値と同様の
概念である)を計測する手段と、空気汚染度及び状況値
を実績値として記憶する手段と、入力層、中間層、文脈
層及び出力層からなる単一のリカレント型ネットワーク
と、経時的に記憶された前記実績値との間の誤差が小さ
くなるようにリカレント型ネットワークを用いて経時的
にネットワークの重みを修正することにより状況値と汚
染度との関係を学習する手段と、既に学習させた状況値
と汚染度との関係に基づき、リカレント型ネットワーク
を用いて任意の時間における汚染度を予測する手段とを
備えている。
【0012】本発明は上記先行技術を更に改良し、特に
換気電力量の節減に有効な換気制御装置の提供を目的と
している。
【0013】
【課題を解決するための手段】上記目的を達成するた
め、本発明は、被制御区域の環境指標値を入力として将
来の換気状態指標値を予測する第1のニューラルネット
ワークと、前記換気状態指標値の予測値を基準値と比較
して換気設備の操作量変更の要否を判定する操作量変更
判定手段と、換気設備の操作量の組み合わせパターンに
応じて前記換気状態指標値の効果を予測し、効果予測パ
ターンとして出力する第2のニューラルネットワーク
と、前記効果予測パターンを評価演算し、換気設備の消
費電力量が最少となる操作量を決定する評価判定手段
と、評価判定手段により決定された操作量及び前記操作
量変更判定手段の出力に基づいて換気設備の操作量を選
択する操作量選択手段とを備えている。
【0014】ここで、第1及び第2のニューラルネット
ワークは、過去の入出力データを用いた学習によって重
みを調整することにより、被制御区域の環境に適応した
ニューラルネットワークを構築可能である。また、ニュ
ーラルネットワークにより予測する換気状態指標値には
VI値が予定されており、換気設備の操作量としてはジ
ェットファンや集塵機のノッチ数がある。更に、被制御
区域としてはトンネルや地下駐車場の内部空間を予定し
ている。
【0015】ここで、本発明の作用を説明すると、以下
のとおりである。 まず、過去のある時点における、被制御区域のVI値
に影響するCO値(一酸化炭素濃度値)、交通量、風向
風速、換気設備の操作量(ノッチ数)等の複数種類の環
境指標値を第1のニューラルネットワークに入力し、そ
の時点よりも将来(例えば5分後)のVI値を予測す
る。同時に、ニューラルネットワークの出力側から正解
値として5分後のVI実績値を与え、上記VI予測値と
比較して誤差逆伝搬(バックプロパゲーション)等によ
りニューラルネットワークの内部の重みを調整する。こ
こで、上記学習に使用される入力データ及びVI実績値
は、過去の一定期間にわたって既に蓄積されているもの
である。
【0016】図1は、ニューラルネットワークによる逆
伝搬モデルの一般的な構築例を示しており、入力層、中
間層、出力層を備えている。
【0017】ニューラルネットワークの学習則を用い
て、換気制御装置の運用時に上記と同様の学習を自動
的に繰返し行い、経験則や運用に合わせたモデルの見直
し(チューニング)を行なう。これにより、運用と並行
して経験則の体系化が進められることになる。図2は、
一般的なニューラルネットワークの学習例を示す図であ
る。すなわち、ある入力(図では1,0,1,1)を与
えた時の出力(同じく1,1,0,0)を正解(0,
1,0,0)と比較して、その誤差が小さくなるように
重みW1,W2,W3を調整していく。
【0018】このようにして学習したニューラルネッ
トワークに現在の環境指標値を入力して、将来(例えば
10分後、15分後、20分後など)の換気状態指標値
すなわちVI値を予測する。
【0019】これらのVI予測値を所定の基準値(上
下限値)と比較した結果、換気設備の操作量の変更が必
要であると判断された場合、第2のニューラルネットワ
ークを用いてすべての操作量の組み合わせパターンにつ
き、VI値の効果を予測してVI効果予測パターンを生
成する。
【0020】VI効果予測パターンに基づき所定の評
価関数を計算し、その評価値が最小となるとき、すなわ
ち換気電力量が最少となるときの入力から換気設備の操
作量を決定する。そして、この評価判定結果と上記に
おける操作量変更の要否の判断結果とを総合して、換気
設備の最適な操作量を選択、決定する。
【0021】
【発明の実施の形態】以下、図に沿って本発明の実施の
形態を説明する。まず、図3はトンネルTの内部空間の
換気制御に本発明を適用した実施形態の全体的な構成を
示している。図中、100は本発明の主要部をなすニュ
ーロ換気用パソコンであり、ニューラルネットワークに
より換気状態指標値としてのVI値の予測、その効果予
測、交通量予測等を行う。
【0022】トンネルTからは環境指標値としてのVI
値(換気状態指標値でもある)、CO値、風向風速、交
通量、換気設備400であるジェットファンや集塵機の
ノッチ数などのデータが収集され、シーケンサを有する
連動制御盤201を介して換気用パソコン100に取り
込まれる。換気用パソコン100では、VI値の予測、
ノッチ数の変更要否の判定、評価判定等を行い、換気設
備400の最適なノッチ数を求めて連動制御盤201に
指令する。なお、300は中央制御局、202は中央制
御局300との間でデータを伝送する遠制子局である。
【0023】図4は、トンネルT内の各センサ及び換気
設備400と本発明の換気制御装置100’を示すもの
であり、この換気制御装置100’は実質的に前記換気
用パソコン100及び連動制御盤201等に相当する。
また、図4において、EPは集塵機、JFはジェットフ
ァン、COはCO濃度計、VIはVI値を測定する透過
率計、WSは風向風速計、LPは交通量や大型/小型の
種別を検出するトンネル負荷推定器である。
【0024】次に、図5を参照しながら換気用パソコン
100の機能につき説明する。図5において、第1のニ
ューラルネットワーク10には、VI値(RA:移動平
均値)、CO値、交通量(大型車の移動平均値)、換気
設備400のノッチ数、風向風速等からなる環境指標値
が、入力データ及び学習用データとして取り込まれる。
【0025】第1のニューラルネットワーク10は、1
0分後、15分後、20分後の各VI値VI10,V
15,VI20を各々予測する3つのニューラルネットワ
ーク11,12,13からなっている。これらのニュー
ラルネットワーク11,12,13によりVI値を予測
した結果とその予測誤差頻度分布を図6、図7に示す。
これらの図によれば、予測誤差±6%以内でVI値が予
測されていることがわかる。
【0026】なお、本発明の作用で説明したように、ニ
ューラルネットワーク11,12,13は、過去の一定
期間の蓄積データに基づき、過去のある時点における環
境指標値を入力し、その時点よりも将来(各々10分
後、15分後、20分後)のVI値を予測すると共に、
出力側から正解値としてのVI実績値をそれぞれ与え、
仮想インピーダンス法等により学習を行って内部の重み
を調整している。
【0027】再び図5において、ニューラルネットワー
ク11,12,13によるVI予測値VI10,VI15
VI20は、操作量変更判定手段としてのノッチ変更判定
手段20に入力される。この判定手段20では、VI値
の下限値VILを最高レベルの50%に設定し、かつ、
上限値VIHを最高レベルの70%に設定して、これら
とVI10,VI15,VI20との比較により換気設備40
0のノッチ数の変更の要否を判定する。ノッチ数の変更
は、操作量選択手段としてのノッチ選択手段60及びノ
ッチ決定手段70により実行される。なお、次の数式1
が満たされる場合、つまりVI10,VI15,VI20が許
容範囲にある場合にはノッチ数を変更せず、現状を維持
するものとする。
【0028】
【数1】VIL≦VI10,VI15,VI20≦VIH
【0029】ノッチ変更判定手段20において、V
10,VI15,VI20<VIL、または、VI10,VI
15,VI20>VIHであってノッチ数の変更が必要と判
定された場合には、以下の処理を行なう。その詳細を、
図8を参照しつつ説明する。
【0030】図8において、第2のニューラルネットワ
ーク40はVI値の効果予測を行なう。ニューラルネッ
トワーク40の入力データは、第1のニューラルネット
ワーク10に入力されているVI値と、VI予測値VI
10,VI15,VI20と、ジェットファンJF及び集塵機
EPのノッチ数JFi,EPjである。ここで、ノッチは
各々0から4までの5段階(i,j=0〜4)とし、各
ノッチを組み合わせたすべての制御パターンを順次入力
する。ここでは、回数にして25回となる。
【0031】図8のテーブル41は、ノッチ数JFi
EPjの組み合わせパターンに対応するVI予測値VI
ij(VI00〜VI44)を示すものであり、これらのVI
予測値VIijは10分後、15分後、20分後のそれぞ
れにつき求められる。ニューラルネットワーク40はV
I値の効果予測を行い、図8のテーブル42に示すよう
にVI効果予測パターンVIP1,VIP2,VIP3を出力
する。ここで、VIP1,VIP2,VIP3はそれぞれ10
分後、15分後、20分後の予測パターンである。
【0032】すなわちこのテーブル42から、ジェット
ファンJF及び集塵機EPを0〜4ノッチの範囲で変化
させたときのVI予測値の効果がわかる。図9は、上記
ノッチ変化によるVI効果予測の結果を示しており、ノ
ッチを0〜4段階上げることによりVI値が上がってい
る。
【0033】次に、これらのVI効果予測パターンVI
P1,VIP2,VIP3に基づき後述の評価関数を用いて評
価判定手段50により評価判定を行なう。判定は、評価
関数に種々の値を入力して評価値の最小値を求め、その
時に入力として与えられたノッチ数JFi’,EPj’を
換気設備400の消費電力量が最少になる操作量として
決定する。
【0034】これらのノッチ数JFi’,EPj’は、ノ
ッチ選択手段60に入力される。ノッチ選択手段60で
は、前述したノッチ変更判定手段20の出力(現状維持
の情報)や評価判定手段50からのノッチ数JFi’,
EPj’に応じたノッチ上げ下げの情報に基づいてノッ
チ変更の要否を最終的に判定し、ノッチ決定手段70に
より具体的に換気設備400のノッチ数を決定する。
【0035】以下、前記評価判定手段50において使用
される評価関数につき説明する。制御に用いる評価関数
は、単位評価関数の制御操作間隔により行なう。評価関
数式の基本形は次に示すとおりである。 ここで、日評価関数 :F 時評価関数 :Fh 単位評価関数:fi とすると、これらの関係は数式2,3に示すとおりであ
る。なお、数式3において、TEは基本操作間隔とす
る。
【0036】
【数2】
【0037】
【数3】
【0038】次に、単位評価関数fiにおける評価要素
(評価判定項目)は、以下に示す三要素とする。 予測VI逸脱面積 電力量 操作回数
【0039】上記三つの評価要素につき以下に詳述す
る。 予測VI逸脱面積 予測VIの逸脱面積は、VI値の上下限値VIH,VIL
により設定される範囲を逸脱した場合の面積とする。ま
た、上限値VIHを超えた場合を上限値逸脱面積、下限
値VILを超えた場合を下限値逸脱面積とする。図10
に上限値逸脱面積及び下限値逸脱面積の例を示す。
【0040】電力量 ジェットファンJF及び集塵機EPからなる換気設備4
00の消費電力量であり、ランニングコストに着目した
要素である。ここでは、ジェットファンJF及び集塵機
EPのノッチの値を電力量に換算して求めている。
【0041】操作回数 換気設備400の起動回数や起動頻度によって生じる各
部の損耗に対応する要素である。
【0042】上記三要素を考慮した単位評価関数f
iを、数式4に示す。
【0043】
【数4】fi=a1(Sh×JFn)+a2(Sh×JFn
+b1{Sl m×(JFh−JFn)}+b2{Sl m×(EP
h−EPn)}+c1(PJ×JFn)+c2(PE×EPn
+d1(CJ)+d2(CE
【0044】なお、数式4における諸量は次のとおりで
ある。 Sh:上限値逸脱面積 Sl:下限値逸脱面積 PJ:1ノッチ当たりのJF電力量 PE:1ノッチ当たりのEP電力量 JFh:JF最大ノッチ数 EPh:EP最大ノッチ数 JFn:JF現在ノッチ数 EPn:EP現在ノッチ数 CJ:JF操作回数 CE:EP操作回数 a1〜d2:任意のウェイト m:下限値逸脱の指数
【0045】上記評価関数fiにより求めた評価値の最
小値から、その時の入力として与えたノッチ数を換気設
備400に対する操作量とする。前述の図3に示したニ
ューロ換気用パソコン100は、上記のようにして求め
たノッチ数を連動制御盤201を介して換気設備400
に指令として与え、換気設備400を運転してトンネル
Tを換気制御する。
【0046】なお、図5において、14は10分後、1
5分後、20分後の交通量の予測を行うニューラルネッ
トワーク、30は交通量の予測結果が許容範囲内にある
かどうかを判定する判定手段、80はノッチ変更判定手
段20や第2のニューラルネットワーク40、ノッチ選
択手段60、交通量許容範囲判定手段30の出力データ
がニューロ評価データとして格納されるファイル、90
はこれらのデータを表示する表示手段である。これらの
構成は本発明の要旨と直接関係がないため、詳述を省略
する。
【0047】次に、図11を参照しつつ本発明の他の実
施形態を説明する。図11は、本発明を集中換気制御シ
ステムに適用した場合のものであり、このシステムは、
複数のトンネルを中央制御局300’にて一括管理する
ものである。
【0048】中央制御局300’には、ニューロ学習パ
ソコン301と換気定数設定卓302とからなる集中換
気制御部303が設けられている。換気定数設定卓30
2は、例えば5本のトンネル(T1,T2,……,T5
の環境指標値を連動制御盤2011,2012,……,2
015、遠制子局2021,2022,……,2025、伝
送装置304及びシステムバス305を介して収集す
る。これらのデータを用い、前述の実施形態と同等の機
能を有するニューロ学習パソコン301により各トンネ
ルの換気設備4001,4002,……,4005の最適な
ノッチ数を演算し、その結果を連動制御盤2011,2
012,……,2015に設定して換気設備4001,4
002,……,4005を制御する。
【0049】また、図12は本発明を地下駐車場の内部
空間における換気制御に適用した場合の実施形態であ
る。図12において、換気制御手段100a及び換気予
測手段100bからなる換気制御装置100''は、図3
におけるニューロ換気パソコン100や図4における換
気制御装置100’に相当しており、地下駐車場の換気
設備の制御を行なうものである。
【0050】すなわち、駐車場内の各エリアごとに設置
されたCO計、CO2計からCO濃度値、CO2濃度値を
収集し、かつ入出庫情報なども取り込んで各エリアごと
に換気電力量が最少となるような換気設備の操作量を求
め、換気設備制御手段101によりファンや空気清浄機
等の換気設備を制御する。
【0051】なお、本発明は、トンネルや地下駐車場以
外の空間の換気制御にも適用可能であり、また、ニュー
ラルネットワークにより予測する換気状態指標値は、C
O値や風向風速値としてもよい。
【0052】
【発明の効果】以上のように本発明によれば、ニューラ
ルネットワークを用いることにより、VI値などの換気
状態指標値を±6%の精度で予測することが可能であ
る。また、このように正確に予測された換気状態指標値
に基づいて換気設備の操作量を決定し運転することで、
換気電力量を大幅に節減することができる。
【0053】更に、従来の各種方式では被制御区域ごと
に運転経験則や制御モデルの構築、体系化を必要として
いたが、本発明では、現地の環境や運用に合わせてニュ
ーラルネットワークが自動学習することにより、実際の
運用と並行して最適なチューニングが可能であり、しか
も複数の被制御区域を中央制御局により一括管理するこ
とが容易である。
【図面の簡単な説明】
【図1】ニューラルネットワークによる逆伝搬モデルの
一般的な構築例を示す図である。
【図2】ニューラルネットワークの学習例を示す図であ
る。
【図3】本発明をトンネル内の換気制御に適用した実施
形態の全体的な機能ブロック図である。
【図4】図3の実施形態におけるトンネル内の各センサ
及び換気設備と換気制御装置の説明図である。
【図5】図3の実施形態における換気用パソコンの機能
ブロック図である。
【図6】図5のニューラルネットワークによるVI値の
予測結果を示す図である。
【図7】図5のニューラルネットワークによるVI値の
予測誤差頻度分布を示す図である。
【図8】図5におけるVI値の効果予測及び評価判定の
説明図である。
【図9】VI効果予測結果の説明図である。
【図10】上下限逸脱面積の説明図である。
【図11】本発明の他の実施形態の構成図である。
【図12】本発明の他の実施形態の構成図である。
【符号の説明】
10,11,12,13,14,40 ニューラルネッ
トワーク 20 ノッチ変更判定手段 30 交通量許容範囲判定手段 41,42 テーブル 50 評価判定手段 60 ノッチ選択手段 70 ノッチ決定手段 80 ファイル 90 表示手段 100 ニューロ換気用パソコン 100’,100'' 換気制御装置 100a 換気制御手段 100b 換気予測手段 201,2011,2012,2015 連動制御盤 202,2021,2022,2025 遠制子局 300,300’ 中央制御局 301 ニューロ学習パソコン 302 換気定数設定卓 303 集中換気制御部 304 伝送装置 305 システムバス 400,4001,4002,4005 換気設備 EP 集塵機 JF ジェットファン CO CO濃度計 VI 透過率計 WS 風向風速計 LP トンネル負荷推定器 T,T1,T2,T5 トンネル
───────────────────────────────────────────────────── フロントページの続き (72)発明者 川上 一美 神奈川県川崎市川崎区田辺新田1番1号 富士電機株式会社内 (72)発明者 柄沢 隆 神奈川県川崎市川崎区田辺新田1番1号 富士電機株式会社内 (72)発明者 山本 正典 神奈川県川崎市川崎区田辺新田1番1号 富士電機株式会社内

Claims (6)

    【特許請求の範囲】
  1. 【請求項1】 被制御区域の環境指標値を入力として将
    来の換気状態指標値を予測する第1のニューラルネット
    ワークと、 前記換気状態指標値の予測値を基準値と比較して換気設
    備の操作量変更の要否を判定する操作量変更判定手段
    と、 換気設備の操作量の組み合わせパターンに応じて前記換
    気状態指標値の効果を予測し、効果予測パターンとして
    出力する第2のニューラルネットワークと、 前記効果予測パターンを評価演算し、換気設備の消費電
    力量が最少となる操作量を決定する評価判定手段と、 評価判定手段により決定された操作量及び前記操作量変
    更判定手段の出力に基づいて換気設備の操作量を選択す
    る操作量選択手段と、 を備えたことを特徴とする換気制御装置。
  2. 【請求項2】 第1及び第2のニューラルネットワーク
    は、過去の入出力データを用いた学習により重みを調整
    可能である請求項1記載の換気制御装置。
  3. 【請求項3】 前記換気状態指標値が煙霧透過率である
    請求項1または2記載の換気制御装置。
  4. 【請求項4】 前記操作量が換気設備のノッチ数である
    請求項1,2または3記載の換気制御装置。
  5. 【請求項5】 前記被制御区域がトンネルの内部空間で
    ある請求項1,2,3または4記載の換気制御装置。
  6. 【請求項6】 前記被制御区域が地下駐車場の内部空間
    である請求項1,2,3または4記載の換気制御装置。
JP7197045A 1995-07-10 1995-07-10 換気制御装置 Pending JPH0925799A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP7197045A JPH0925799A (ja) 1995-07-10 1995-07-10 換気制御装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP7197045A JPH0925799A (ja) 1995-07-10 1995-07-10 換気制御装置

Publications (1)

Publication Number Publication Date
JPH0925799A true JPH0925799A (ja) 1997-01-28

Family

ID=16367804

Family Applications (1)

Application Number Title Priority Date Filing Date
JP7197045A Pending JPH0925799A (ja) 1995-07-10 1995-07-10 換気制御装置

Country Status (1)

Country Link
JP (1) JPH0925799A (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10267357A (ja) * 1997-03-26 1998-10-09 F F C:Kk 換気制御装置
JP2005009823A (ja) * 2003-06-20 2005-01-13 Matsushita Electric Ind Co Ltd 空気清浄機
CN109826663A (zh) * 2019-03-18 2019-05-31 中国矿业大学 一种矿井灾变通风分布式区域联动与智能调控系统及方法
CN115879302A (zh) * 2022-12-08 2023-03-31 浙江新创规划建筑设计有限公司 一种地下车库空气质量优化方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10267357A (ja) * 1997-03-26 1998-10-09 F F C:Kk 換気制御装置
JP2005009823A (ja) * 2003-06-20 2005-01-13 Matsushita Electric Ind Co Ltd 空気清浄機
CN109826663A (zh) * 2019-03-18 2019-05-31 中国矿业大学 一种矿井灾变通风分布式区域联动与智能调控系统及方法
CN115879302A (zh) * 2022-12-08 2023-03-31 浙江新创规划建筑设计有限公司 一种地下车库空气质量优化方法及系统

Similar Documents

Publication Publication Date Title
US5051932A (en) Method and system for process control with complex inference mechanism
Martinez et al. Energy management in plug-in hybrid electric vehicles: Recent progress and a connected vehicles perspective
US5251285A (en) Method and system for process control with complex inference mechanism using qualitative and quantitative reasoning
US6701300B1 (en) Vehicle allocation system
CN101245740B (zh) 柴油动力系统的优化燃料效率和排放输出的系统和方法
CN111009134A (zh) 一种基于前车与自车互动的短期车速工况实时预测方法
CN108983788B (zh) 基于大数据挖掘的无人驾驶环卫车智能控制系统及方法
CN106515478A (zh) 电动汽车剩余行驶里程在线预测方法及装置
CN102959358A (zh) 车辆的电力消耗量计算装置、信息提供装置及信息提供方法
KR102609053B1 (ko) 자동차 쿨링 제어 시스템 및 방법
CN112950128A (zh) 一种基于大数据融合的智能物流运输系统及方法
US20150291047A1 (en) System and method of monitoring usage of a charging station
CN113674546B (zh) 基于sumo仿真的V2X环境下的高速公路管控方法
Cortés et al. Hybrid adaptive predictive control for a dynamic pickup and delivery problem
CN112149888A (zh) 一种面向露天矿的无人驾驶矿卡实时行程时间预测方法
JPH0925799A (ja) 換気制御装置
JP3324434B2 (ja) 換気制御装置
CN109919393A (zh) 一种电动出租汽车的充电负荷预测方法
CN117764340A (zh) 一种新能源电动汽车充电引导分级调控方法
JP2001101561A (ja) 公害量推測装置及び公害量予測装置並びにこれを用いた道路交通管制装置
JPH0814627A (ja) 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置
JPH0451399A (ja) 交通管制方式
JP3468686B2 (ja) 旅行時間推定方法及び装置
Widmer et al. Battery health target tracking for HEVs: Closed-loop control approach, simulation framework, and reference trajectory optimization
CN117151419B (zh) 一种用于公交行业运营监管的智能分析方法及其系统

Legal Events

Date Code Title Description
A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20030909