JPH0925799A

JPH0925799A - 換気制御装置

Info

Publication number: JPH0925799A
Application number: JP7197045A
Authority: JP
Inventors: 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
Original assignee: Fuji Electric Co Ltd; Fuji Facom Corp
Current assignee: Fuji Electric Co Ltd; Fuji Facom Corp
Priority date: 1995-07-10
Filing date: 1995-07-10
Publication date: 1997-01-28

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
Ｉ₁₅，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ＶＩ_Lを最高レベルの５０％に設定し、かつ、
上限値ＶＩ_H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】ＶＩ_L≦ＶＩ₁₀，ＶＩ₁₅，ＶＩ₂₀≦ＶＩ_H

【００２９】ノッチ変更判定手段２０において、Ｖ
Ｉ₁₀，ＶＩ₁₅，ＶＩ₂₀＜ＶＩ_L、または、ＶＩ₁₀，ＶＩ
₁₅，ＶＩ₂₀＞ＶＩ_H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ＪＦ_i，ＥＰ_j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ＪＦ_i，
ＥＰ_j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ＶＩ_ij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ＶＩ_P1，ＶＩ_P2，ＶＩ_P3を出力
する。ここで、ＶＩ_P1，ＶＩ_P2，ＶＩ_P3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，ＶＩ_P2，ＶＩ_P3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ＪＦ_i’，ＥＰ_j’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ＪＦ_i’，ＥＰ_j’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ＪＦ_i’，
ＥＰ_j’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：Ｆ_h 単位評価関数：ｆ_i 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、Ｔ_E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ｆ_i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ＶＩ_H，ＶＩ_L
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ＶＩ_Hを超えた場合を上限値逸脱面積、下限
値ＶＩ_L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】ｆ_i＝ａ₁（Ｓ_h×ＪＦ_n）＋ａ₂（Ｓ_h×ＪＦ_n）
＋ｂ₁｛Ｓ_l ^m×（ＪＦ_h−ＪＦ_n）｝＋ｂ₂｛Ｓ_l ^m×（ＥＰ
_h−ＥＰ_n）｝＋ｃ₁（Ｐ_J×ＪＦ_n）＋ｃ₂（Ｐ_E×ＥＰ_n）
＋ｄ₁（Ｃ_J）＋ｄ₂（Ｃ_E）

【００４４】なお、数式４における諸量は次のとおりで
ある。Ｓ_h：上限値逸脱面積Ｓ_l：下限値逸脱面積Ｐ_J：１ノッチ当たりのＪＦ電力量Ｐ_E：１ノッチ当たりのＥＰ電力量ＪＦ_h：ＪＦ最大ノッチ数ＥＰ_h：ＥＰ最大ノッチ数ＪＦ_n：ＪＦ現在ノッチ数ＥＰ_n：ＥＰ現在ノッチ数Ｃ_J：ＪＦ操作回数Ｃ_E：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ＣＯＣＯ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

【特許請求の範囲】

【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。
【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。
【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。
【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。
【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。
【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。