JPH10267357A - 換気制御装置 - Google Patents
換気制御装置Info
- Publication number
- JPH10267357A JPH10267357A JP9073294A JP7329497A JPH10267357A JP H10267357 A JPH10267357 A JP H10267357A JP 9073294 A JP9073294 A JP 9073294A JP 7329497 A JP7329497 A JP 7329497A JP H10267357 A JPH10267357 A JP H10267357A
- Authority
- JP
- Japan
- Prior art keywords
- ventilation
- value
- control
- neural network
- evaluation
- 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.)
- Granted
Links
- 238000009423 ventilation Methods 0.000 title claims abstract description 108
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 230000000694 effects Effects 0.000 claims abstract description 22
- 239000003517 fume Substances 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003908 quality control method Methods 0.000 claims 1
- 230000001537 neural effect Effects 0.000 abstract 3
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 239000000428 dust Substances 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
(57)【要約】
【課題】 換気設備の試験的運用を不要にし、評価関数
のパラメータ調整を容易化する。 【解決手段】 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１０と、換気状態指標値の予測値から
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２０と、換気設備の操作量に応じて換気状態指標値
の効果予測パターンを出力する第２のニューラルネット
４０と、前記パターンに基づく評価により換気設備の操
作量を決定する評価判定手段５０と、この手段により決
定された操作量及び変更判定手段２０の出力に基づき操
作量を選択する操作量選択手段７０とを備えた換気制御
装置に関する。前記評価関数に含まれるパラメータを、
第３のニューラルネットワーク６０により調整する。ま
た、運用開始時にニューラルネット１０，４０による予
測誤差に応じて、通常制御とニューラルネット制御とを
切替可能にする。
のパラメータ調整を容易化する。 【解決手段】 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１０と、換気状態指標値の予測値から
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２０と、換気設備の操作量に応じて換気状態指標値
の効果予測パターンを出力する第２のニューラルネット
４０と、前記パターンに基づく評価により換気設備の操
作量を決定する評価判定手段５０と、この手段により決
定された操作量及び変更判定手段２０の出力に基づき操
作量を選択する操作量選択手段７０とを備えた換気制御
装置に関する。前記評価関数に含まれるパラメータを、
第３のニューラルネットワーク６０により調整する。ま
た、運用開始時にニューラルネット１０，４０による予
測誤差に応じて、通常制御とニューラルネット制御とを
切替可能にする。
Description
【０００１】
【発明の属する技術分野】本発明は、トンネル等の内部
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）の節減を可能にし
た換気制御装置に関する。
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）の節減を可能にし
た換気制御装置に関する。
【０００２】
【従来の技術】トンネルの換気制御は、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。また、
トンネル付近の地域の環境問題としても重要である。従
来の換気制御は、トンネル等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。
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。また、
トンネル付近の地域の環境問題としても重要である。従
来の換気制御は、トンネル等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。なお、別の
先行技術として、本発明者等によるニューラルネットワ
ークを用いた換気制御装置（特願平７−１９７０４５
号）が知られている。また、換気制御を行うための空気
汚染度を予測する技術として、ニューラルネットワーク
を用いた空気汚染度予測装置（特開平６−１９３４００
号公報）も知られている。
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。なお、別の
先行技術として、本発明者等によるニューラルネットワ
ークを用いた換気制御装置（特願平７−１９７０４５
号）が知られている。また、換気制御を行うための空気
汚染度を予測する技術として、ニューラルネットワーク
を用いた空気汚染度予測装置（特開平６−１９３４００
号公報）も知られている。
【０００４】表１は、上述した各種の換気制御方式の概
要、特徴を比較したものである。
要、特徴を比較したものである。
【０００５】
【表１】
【０００６】
【発明が解決しようとする課題】上記先行技術のうち、
例えばＡＩ・ファジィ制御では、制御のチューニング
（対象区域ごとに異なる現地の状態や運用に合わせた制
御モデルの見直し）や運転経験則・制御モデルの体系化
が一般に困難であり、体系化に長期間の努力が必要であ
った。また、制御の良否を人間が判定してチューニング
の必要性を判断しており、自動化されていないのが問題
であった。
例えばＡＩ・ファジィ制御では、制御のチューニング
（対象区域ごとに異なる現地の状態や運用に合わせた制
御モデルの見直し）や運転経験則・制御モデルの体系化
が一般に困難であり、体系化に長期間の努力が必要であ
った。また、制御の良否を人間が判定してチューニング
の必要性を判断しており、自動化されていないのが問題
であった。
【０００７】これに対し、特願平７−１９７０４５号や
特開平６−１９３４００号公報記載の技術によれば、ニ
ューラルネットワークの学習による運転経験則・制御モ
デルの体系化、学習による制御のチューニングの効率化
が可能になった。同時に、ニューラルネットワークを利
用した予測手法により、数十分先の状態を予測し、制御
の良否を評価して換気制御を行うことが可能になった。
特開平６−１９３４００号公報記載の技術によれば、ニ
ューラルネットワークの学習による運転経験則・制御モ
デルの体系化、学習による制御のチューニングの効率化
が可能になった。同時に、ニューラルネットワークを利
用した予測手法により、数十分先の状態を予測し、制御
の良否を評価して換気制御を行うことが可能になった。
【０００８】しかるに、換気制御の運用開始時（初期）
において、未学習のニューラルネットワークでは信頼性
に欠けるため、他の従来技術によって初期運用するか、
仮にニューラルネットワークを使用する場合には換気設
備の試験的な運用による学習データの収集が必要にな
る。また、制御の良否を評価する評価関数のパラメータ
調整に時間を要することも問題になっている。更に、自
動化が困難であるという欠点は依然として克服されてい
ない。
において、未学習のニューラルネットワークでは信頼性
に欠けるため、他の従来技術によって初期運用するか、
仮にニューラルネットワークを使用する場合には換気設
備の試験的な運用による学習データの収集が必要にな
る。また、制御の良否を評価する評価関数のパラメータ
調整に時間を要することも問題になっている。更に、自
動化が困難であるという欠点は依然として克服されてい
ない。
【０００９】そこで本発明は、換気設備の試験的な運用
による初期学習を不要とし、評価関数のパラメータ調整
を容易にすると共に、自動化を可能にした換気制御装置
を提供しようとするものである。
による初期学習を不要とし、評価関数のパラメータ調整
を容易にすると共に、自動化を可能にした換気制御装置
を提供しようとするものである。
【００１０】
【課題を解決するための手段】上記課題を解決するた
め、請求項１記載の発明は、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に基づき評価関
数を用いて評価演算した結果により換気設備の操作量を
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
換気制御装置において、前記評価関数に含まれるパラメ
ータを、オペレータが入力データから判断した制御の良
否の判定結果を出力に加えて学習させた第３のニューラ
ルネットワークにより調整するものである。
め、請求項１記載の発明は、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に基づき評価関
数を用いて評価演算した結果により換気設備の操作量を
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
換気制御装置において、前記評価関数に含まれるパラメ
ータを、オペレータが入力データから判断した制御の良
否の判定結果を出力に加えて学習させた第３のニューラ
ルネットワークにより調整するものである。
【００１１】請求項２記載の発明は、請求項１記載の換
気制御装置において、換気制御の運用開始時に、第１、
第２のニューラルネットワークによる予測誤差に応じ
て、レギュレータ制御等の通常制御手段による制御出力
を用いるものである。
気制御装置において、換気制御の運用開始時に、第１、
第２のニューラルネットワークによる予測誤差に応じ
て、レギュレータ制御等の通常制御手段による制御出力
を用いるものである。
【００１２】請求項３記載の発明は、請求項１または２
記載の換気制御装置において、換気状態指標値が煙霧透
過率及び風向風速値であることを特徴とする。
記載の換気制御装置において、換気状態指標値が煙霧透
過率及び風向風速値であることを特徴とする。
【００１３】請求項４記載の発明は、請求項３記載の換
気制御装置において、換気設備の操作量が換気設備のノ
ッチ数または台数及び排風量であることを特徴とする。
気制御装置において、換気設備の操作量が換気設備のノ
ッチ数または台数及び排風量であることを特徴とする。
【００１４】本発明においては、換気設備の稼働パター
ン等をもとにした換気シミュレータを用いて第１、第２
のニューラルネットワークに初期学習を行わせておき、
第１のニューラルネットワークに、被制御区域のＶＩ
値、ＣＯ値（一酸化炭素濃度値）、交通量、風向風速値
（ＷＩ値）、換気設備の操作量（ノッチ数）、立坑排風
量等の複数種類の環境指標値を入力し、将来（例えば１
０分後、１５分後、２０分後など）の換気状態指標値す
なわちＶＩ値や風向風速値を予測させる。
ン等をもとにした換気シミュレータを用いて第１、第２
のニューラルネットワークに初期学習を行わせておき、
第１のニューラルネットワークに、被制御区域のＶＩ
値、ＣＯ値（一酸化炭素濃度値）、交通量、風向風速値
（ＷＩ値）、換気設備の操作量（ノッチ数）、立坑排風
量等の複数種類の環境指標値を入力し、将来（例えば１
０分後、１５分後、２０分後など）の換気状態指標値す
なわちＶＩ値や風向風速値を予測させる。
【００１５】これらの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
るとともに、風向風速値の効果を予測してＷＩ効果予測
パターンを生成する。
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
るとともに、風向風速値の効果を予測してＷＩ効果予測
パターンを生成する。
【００１６】これらの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、例え
ば換気電力量が最小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述の操
作量変更の要否の判断結果とを総合して、換気設備（ジ
ェットファンや集塵機、立坑用ファン等）の最適な操作
量を選択、決定する。ここで、上記評価関数に含まれる
パラメータは、オペレータが入力データから判断した制
御の良否の判定結果を出力に加えて学習させた第３のニ
ューラルネットワークの運用により調整する。
評価関数を計算し、その評価値が最小となるとき、例え
ば換気電力量が最小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述の操
作量変更の要否の判断結果とを総合して、換気設備（ジ
ェットファンや集塵機、立坑用ファン等）の最適な操作
量を選択、決定する。ここで、上記評価関数に含まれる
パラメータは、オペレータが入力データから判断した制
御の良否の判定結果を出力に加えて学習させた第３のニ
ューラルネットワークの運用により調整する。
【００１７】また、換気制御の運用開始時には、ニュー
ラルネットワークの制御出力による予測誤差に応じて、
レギュレータ制御等の通常制御手段による制御出力を用
いることとした。
ラルネットワークの制御出力による予測誤差に応じて、
レギュレータ制御等の通常制御手段による制御出力を用
いることとした。
【００１８】
【発明の実施の形態】以下、図に沿って本発明の実施形
態を説明する。まず、図２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、ＮＰ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値やＷＩ値の予測、それら
の効果予測、交通量予測等を行い、更には、後述するよ
うに効果予測パターンを評価する評価関数のパラメータ
を調整する。
態を説明する。まず、図２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、ＮＰ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値やＷＩ値の予測、それら
の効果予測、交通量予測等を行い、更には、後述するよ
うに効果予測パターンを評価する評価関数のパラメータ
を調整する。
【００１９】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、交通量、風向
風速値、換気設備４００であるジェットファンや集塵機
のノッチ数、立坑排風量等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
ＮＰに取り込まれる。換気用パソコンＮＰでは、ＶＩ値
やＷＩ値の予測、ノッチ数や立坑排風量の変更要否の判
定、変更時の効果予測パターンの評価判定等を行い、換
気設備４００の最適なノッチ数や立坑排風量を求めて連
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。
値（換気状態指標値でもある）、ＣＯ値、交通量、風向
風速値、換気設備４００であるジェットファンや集塵機
のノッチ数、立坑排風量等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
ＮＰに取り込まれる。換気用パソコンＮＰでは、ＶＩ値
やＷＩ値の予測、ノッチ数や立坑排風量の変更要否の判
定、変更時の効果予測パターンの評価判定等を行い、換
気設備４００の最適なノッチ数や立坑排風量を求めて連
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。
【００２０】図３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ＮＰ’を示すもので
あり、この換気制御装置ＮＰ’は実質的に前記換気用パ
ソコンＮＰ及び連動制御盤２０１等に相当する。また、
図３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、ＶＦは立坑用ファンであ
る。
設備４００と本発明の換気制御装置ＮＰ’を示すもので
あり、この換気制御装置ＮＰ’は実質的に前記換気用パ
ソコンＮＰ及び連動制御盤２０１等に相当する。また、
図３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、ＶＦは立坑用ファンであ
る。
【００２１】次に、図１を参照しながらニューロ換気用
パソコンＮＰの機能につき詳述する。図１において、第
１のニューラルネットワーク１０には、ＶＩ値、ＣＯ
値、交通量（大型車の移動平均値）、ジェットファンＪ
Ｆや集塵機ＥＰのノッチ数、風向風速値、立坑排風量か
らなる環境指標値が入力される。このニューラルネット
ワーク１０は、１０分後、１５分後、２０分後の各ＶＩ
値及び風向風速値を各々予測する３つのニューラルネッ
トワーク（図ではＮＮと表記してある）１１，１２，１
３から構成されている。
パソコンＮＰの機能につき詳述する。図１において、第
１のニューラルネットワーク１０には、ＶＩ値、ＣＯ
値、交通量（大型車の移動平均値）、ジェットファンＪ
Ｆや集塵機ＥＰのノッチ数、風向風速値、立坑排風量か
らなる環境指標値が入力される。このニューラルネット
ワーク１０は、１０分後、１５分後、２０分後の各ＶＩ
値及び風向風速値を各々予測する３つのニューラルネッ
トワーク（図ではＮＮと表記してある）１１，１２，１
３から構成されている。
【００２２】上記ニューラルネットワーク１１，１２，
１３によるＶＩ予測値及び風向風速予測値は、操作量変
更判定手段としてのノッチ数・立坑排風量変更判定手段
２０に入力される。この判定手段２０では、ＶＩ値や風
向風速値の上下限を適宜設定し、ニューラルネットワー
ク１１，１２，１３から入力されたＶＩ値や風向風速値
の予測値が上下限を超えていないかどうかを判断して換
気設備４００のノッチ数や立坑排風量の変更の要否を判
定する。ＶＩ値や風向風速値の予測値が許容範囲にある
場合には、現在の操作量を変更せず、現状を維持するも
のとして後続の操作量選択手段７０にその旨の信号を送
る。
１３によるＶＩ予測値及び風向風速予測値は、操作量変
更判定手段としてのノッチ数・立坑排風量変更判定手段
２０に入力される。この判定手段２０では、ＶＩ値や風
向風速値の上下限を適宜設定し、ニューラルネットワー
ク１１，１２，１３から入力されたＶＩ値や風向風速値
の予測値が上下限を超えていないかどうかを判断して換
気設備４００のノッチ数や立坑排風量の変更の要否を判
定する。ＶＩ値や風向風速値の予測値が許容範囲にある
場合には、現在の操作量を変更せず、現状を維持するも
のとして後続の操作量選択手段７０にその旨の信号を送
る。
【００２３】ノッチ数・立坑排風量変更判定手段２０に
おいて、ノッチ数や立坑排風量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。すなわち、第２のニ
ューラルネットワーク４０はＶＩ値及び風向風速値の効
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、風向風速値、１０分後、１５分後、２０
分後のＶＩ予測値、風向風速予測値と、ジェットファン
ＪＦ及び集塵機ＥＰのノッチ数、立坑排風量である。ニ
ューラルネットワーク４０は、ノッチ数と立坑排風量と
を組み合わせた制御パターンに対応する１０分後、１５
分後、２０分後のＶＩ予測値、風向風速予測値を演算
し、ＶＩ効果予測パターン、風向風速効果予測パターン
として出力する。
おいて、ノッチ数や立坑排風量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。すなわち、第２のニ
ューラルネットワーク４０はＶＩ値及び風向風速値の効
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、風向風速値、１０分後、１５分後、２０
分後のＶＩ予測値、風向風速予測値と、ジェットファン
ＪＦ及び集塵機ＥＰのノッチ数、立坑排風量である。ニ
ューラルネットワーク４０は、ノッチ数と立坑排風量と
を組み合わせた制御パターンに対応する１０分後、１５
分後、２０分後のＶＩ予測値、風向風速予測値を演算
し、ＶＩ効果予測パターン、風向風速効果予測パターン
として出力する。
【００２４】さて、このようにニューラルネットワーク
を用いる予測制御方式では、換気設備の運用と並行して
学習を繰り返し行い、経験則や運用に合わせたチューニ
ングを行って経験則の体系化を進めるのが一般的であ
る。すなわち、換気設備の試験的な運用により学習デー
タを収集する必要がある。そこで本発明では、運用の初
期にはレギュレータ制御等の通常制御手段８０によって
適切なノッチ数、立坑排風量を求めることとし、一方、
ニューラルネットワークについては換気設備設計値に基
づく換気シミュレータにより初期学習を行うことによ
り、ネットワークの初期値を決定している。そして、ニ
ューラルネットワークによる予測誤差に応じて通常制御
手段８０による制御とニューラルネットワークによる制
御とを自動的に切替え可能とした。
を用いる予測制御方式では、換気設備の運用と並行して
学習を繰り返し行い、経験則や運用に合わせたチューニ
ングを行って経験則の体系化を進めるのが一般的であ
る。すなわち、換気設備の試験的な運用により学習デー
タを収集する必要がある。そこで本発明では、運用の初
期にはレギュレータ制御等の通常制御手段８０によって
適切なノッチ数、立坑排風量を求めることとし、一方、
ニューラルネットワークについては換気設備設計値に基
づく換気シミュレータにより初期学習を行うことによ
り、ネットワークの初期値を決定している。そして、ニ
ューラルネットワークによる予測誤差に応じて通常制御
手段８０による制御とニューラルネットワークによる制
御とを自動的に切替え可能とした。
【００２５】上述したニューラルネットワークによる初
期学習の概念を、図４に示す。なお、図１におけるニュ
ーラルネットワーク１０（１１，１２，１３），４０、
及び、ノッチ数・立坑排風量変更判定手段２０をひとま
とめにして概念的に示したのが、図４におけるニューラ
ルネットワーク６００である。
期学習の概念を、図４に示す。なお、図１におけるニュ
ーラルネットワーク１０（１１，１２，１３），４０、
及び、ノッチ数・立坑排風量変更判定手段２０をひとま
とめにして概念的に示したのが、図４におけるニューラ
ルネットワーク６００である。
【００２６】図４において、換気シミュレータ５００に
換気設備の条件を設定し、換気設備の稼働パターンを入
力すると、換気シミュレータ５００はトンネル内のＶＩ
値をシミュレーションする。具体的には、換気設備の稼
働パターンごとに交通量や風向風速値を変化させ、ＶＩ
値を求めて換気データとして蓄積する。この換気データ
を用いてニューラルネットワーク６００の学習を行い、
ＶＩ値や風向風速値の予測、効果予測の初期値とする。
例えば、ニューラルネットワーク６００によって１０分
先の状態を予測する場合、１０分前の換気データをニュ
ーラルネットワーク６００に入力し、現在のデータを出
力値（正解値）としてニューラルネットワーク６００に
与えることにより、初期学習を行う。
換気設備の条件を設定し、換気設備の稼働パターンを入
力すると、換気シミュレータ５００はトンネル内のＶＩ
値をシミュレーションする。具体的には、換気設備の稼
働パターンごとに交通量や風向風速値を変化させ、ＶＩ
値を求めて換気データとして蓄積する。この換気データ
を用いてニューラルネットワーク６００の学習を行い、
ＶＩ値や風向風速値の予測、効果予測の初期値とする。
例えば、ニューラルネットワーク６００によって１０分
先の状態を予測する場合、１０分前の換気データをニュ
ーラルネットワーク６００に入力し、現在のデータを出
力値（正解値）としてニューラルネットワーク６００に
与えることにより、初期学習を行う。
【００２７】なお、換気シミュレータ５００についてこ
こでは詳述しないが、例えばMizunoAkisatoによる文献
“AN OPTIMAL CONTROL WITH DISTURBANCE ESTIMAT
IONFOR THE EMERGENCY VENTILATION OF A LONGIT
UDINALLY VENTILATED ROAD TUNNEL”(Flucome '91)
等に記載されている。
こでは詳述しないが、例えばMizunoAkisatoによる文献
“AN OPTIMAL CONTROL WITH DISTURBANCE ESTIMAT
IONFOR THE EMERGENCY VENTILATION OF A LONGIT
UDINALLY VENTILATED ROAD TUNNEL”(Flucome '91)
等に記載されている。
【００２８】このようにして初期学習を行ったニューラ
ルネットワーク６００と前述した通常従来制御手段８０
とを並列的に設け、換気設備の運用初期にはニューラル
ネットワーク６００による予測誤差に基づき操作量を決
定する。図５は、図１の中から、通常制御手段８０の制
御出力とニューラルネットワーク６００の制御出力とを
比較して操作量を決定する部分を抽出して示したもので
ある。通常制御手段８０とニューラルネットワーク６０
０との何れの制御出力を用いるかは、例えば次のような
判断基準により決定する。この判断は、図１、図５にお
ける比較手段９０が実行する。
ルネットワーク６００と前述した通常従来制御手段８０
とを並列的に設け、換気設備の運用初期にはニューラル
ネットワーク６００による予測誤差に基づき操作量を決
定する。図５は、図１の中から、通常制御手段８０の制
御出力とニューラルネットワーク６００の制御出力とを
比較して操作量を決定する部分を抽出して示したもので
ある。通常制御手段８０とニューラルネットワーク６０
０との何れの制御出力を用いるかは、例えば次のような
判断基準により決定する。この判断は、図１、図５にお
ける比較手段９０が実行する。
【００２９】（１）ＶＩ値を制御量とする場合 （イ）ニューラルネットワーク６００による予測誤差
（１０分後の予測値と実際値との誤差）の９０％が目標
値の±１０％以内である場合には、ニューラルネットワ
ーク６００の制御出力により操作量を決定する。 （ロ）ニューラルネットワーク６００による予測誤差
（同上）の８０％が目標値の±１０％以内である場合に
は、ニューラルネットワーク６００の制御出力に関係な
く、通常制御手段８０の制御出力をベースとして換気設
備のノッチを±１ノッチ、立坑排風量を±５％の範囲で
操作する。
（１０分後の予測値と実際値との誤差）の９０％が目標
値の±１０％以内である場合には、ニューラルネットワ
ーク６００の制御出力により操作量を決定する。 （ロ）ニューラルネットワーク６００による予測誤差
（同上）の８０％が目標値の±１０％以内である場合に
は、ニューラルネットワーク６００の制御出力に関係な
く、通常制御手段８０の制御出力をベースとして換気設
備のノッチを±１ノッチ、立坑排風量を±５％の範囲で
操作する。
【００３０】（２）ＷＩ値を制御量とする場合 （イ）ニューラルネットワーク６００による予測誤差
（同上）の９０％が目標値の±１ｍ／ｓ以内である場合
には、ニューラルネットワーク６００の制御出力により
操作量を決定する。 （ロ）ニューラルネットワーク６００による予測誤差
（同上）の８０％が目標値の±１ｍ／ｓ以内である場合
には、ニューラルネットワーク６００の制御出力に関係
なく、通常制御手段８０の制御出力をベースとして換気
設備のノッチを±１ノッチ、立坑排風量を±５％の範囲
で操作する。
（同上）の９０％が目標値の±１ｍ／ｓ以内である場合
には、ニューラルネットワーク６００の制御出力により
操作量を決定する。 （ロ）ニューラルネットワーク６００による予測誤差
（同上）の８０％が目標値の±１ｍ／ｓ以内である場合
には、ニューラルネットワーク６００の制御出力に関係
なく、通常制御手段８０の制御出力をベースとして換気
設備のノッチを±１ノッチ、立坑排風量を±５％の範囲
で操作する。
【００３１】次いで、図１の評価判定手段５０におい
て、ＶＩ効果予測パターン、風向風速効果予測パターン
から所定の評価関数を計算し、その値（評価値）に従っ
て換気設備に対する操作量を決定する際の、評価関数に
つき説明する。ここでは特に、評価関数に含まれるパラ
メータの決定手段について述べる。
て、ＶＩ効果予測パターン、風向風速効果予測パターン
から所定の評価関数を計算し、その値（評価値）に従っ
て換気設備に対する操作量を決定する際の、評価関数に
つき説明する。ここでは特に、評価関数に含まれるパラ
メータの決定手段について述べる。
【００３２】図１の評価判定手段５０において使用する
評価関数は、以下の評価項目を有している。 （１）逸脱面積 予測ＶＩ値については、ＶＩ値の上下限値により設定さ
れる範囲を逸脱した場合の面積とし、予測ＷＩ値につい
ては、ＷＩ値の上下限値により設定される範囲を逸脱し
た場合の面積とする。それぞれ、上限値を超える面積を
上限逸脱面積、下限値を超える面積を下限逸脱面積とい
う。本実施形態では、 逸脱面積＝ＫVI×ＶＩ逸脱面積評価値＋ＫWI×ＷＩ逸脱
面積評価値 とする。なお、ＫVI，ＫWIは係数である。
評価関数は、以下の評価項目を有している。 （１）逸脱面積 予測ＶＩ値については、ＶＩ値の上下限値により設定さ
れる範囲を逸脱した場合の面積とし、予測ＷＩ値につい
ては、ＷＩ値の上下限値により設定される範囲を逸脱し
た場合の面積とする。それぞれ、上限値を超える面積を
上限逸脱面積、下限値を超える面積を下限逸脱面積とい
う。本実施形態では、 逸脱面積＝ＫVI×ＶＩ逸脱面積評価値＋ＫWI×ＷＩ逸脱
面積評価値 とする。なお、ＫVI，ＫWIは係数である。
【００３３】（２）消費電力量 ジェットファンや立坑用ファンからなる換気設備の消費
電力量であり、ランニングコストに着目した要素であ
る。本実施形態では、 消費電力量＝Ｅ×ＪＦ（ジェットファン）電力量＋Ｆ×
立坑用ファン電力量 とする。なお、Ｅ，Ｆは係数である。
電力量であり、ランニングコストに着目した要素であ
る。本実施形態では、 消費電力量＝Ｅ×ＪＦ（ジェットファン）電力量＋Ｆ×
立坑用ファン電力量 とする。なお、Ｅ，Ｆは係数である。
【００３４】（３）操作量 換気設備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。本実施形態では、 操作量＝Ｇ×ＪＦ操作量＋Ｈ×立坑用ファン操作量 とする。なお、Ｇ，Ｈは係数である。
耗に対応する要素である。本実施形態では、 操作量＝Ｇ×ＪＦ操作量＋Ｈ×立坑用ファン操作量 とする。なお、Ｇ，Ｈは係数である。
【００３５】評価方法は、上記（１）〜（３）の評価項
目の和を評価関数としてその評価値が最小になるような
ノッチ数及び立坑排風量を求める方法か、または、上記
（１）逸脱面積により評価値が小さいものを５つ選び、
次にその中から上記（２）消費電力量により評価値が小
さいものを３つ選び、最後にその中から上記（３）操作
量により評価値が最も小さいものを１つ選んでその時の
ノッチ数及び立坑排風量を求める方法によった。
目の和を評価関数としてその評価値が最小になるような
ノッチ数及び立坑排風量を求める方法か、または、上記
（１）逸脱面積により評価値が小さいものを５つ選び、
次にその中から上記（２）消費電力量により評価値が小
さいものを３つ選び、最後にその中から上記（３）操作
量により評価値が最も小さいものを１つ選んでその時の
ノッチ数及び立坑排風量を求める方法によった。
【００３６】なお、前記（１）逸脱面積において、 ＶＩ逸脱面積評価値＝ＶＩA×ＶＩ上限逸脱面積×ＪＦ
ノッチ数＋ＶＩB×ＶＩ上限逸脱面積×立坑排風量＋Ｖ
ＩC×ＶＩ下限逸脱面積×ＪＦノッチ数＋ＶＩD×ＶＩ下
限逸脱面積×（立坑排風量最大値−立坑排風量）であ
り、また、 ＷＩ逸脱面積評価値＝ＷＩA×ＷＩ上限逸脱面積×ＪＦ
ノッチ数＋ＷＩB×ＷＩ上限逸脱面積×立坑排風量＋Ｗ
ＩC×ＷＩ下限逸脱面積×（ＪＦノッチ数最大値−ＪＦ
ノッチ数）＋ＷＩD×ＷＩ下限逸脱面積×（立坑排風量
最大値−立坑排風量） である。ここで、ＪＦノッチ数、立坑排風量は何れも現
在値である。逸脱面積に関するＶＩ値、ＷＩ値の上下限
値は、ＶＩ値につき上限値を７５パーセント、下限値を
６０パーセント、ＷＩ値につき上限値を−１ｍ／ｓ、下
限値を−５ｍ／ｓとした。
ノッチ数＋ＶＩB×ＶＩ上限逸脱面積×立坑排風量＋Ｖ
ＩC×ＶＩ下限逸脱面積×ＪＦノッチ数＋ＶＩD×ＶＩ下
限逸脱面積×（立坑排風量最大値−立坑排風量）であ
り、また、 ＷＩ逸脱面積評価値＝ＷＩA×ＷＩ上限逸脱面積×ＪＦ
ノッチ数＋ＷＩB×ＷＩ上限逸脱面積×立坑排風量＋Ｗ
ＩC×ＷＩ下限逸脱面積×（ＪＦノッチ数最大値−ＪＦ
ノッチ数）＋ＷＩD×ＷＩ下限逸脱面積×（立坑排風量
最大値−立坑排風量） である。ここで、ＪＦノッチ数、立坑排風量は何れも現
在値である。逸脱面積に関するＶＩ値、ＷＩ値の上下限
値は、ＶＩ値につき上限値を７５パーセント、下限値を
６０パーセント、ＷＩ値につき上限値を−１ｍ／ｓ、下
限値を−５ｍ／ｓとした。
【００３７】次に、上述したＶＩ逸脱面積評価値、ＷＩ
逸脱面積評価値におけるパラメータＶＩA，ＶＩB，ＶＩ
C，ＶＩD，ＷＩA，ＷＩB，ＷＩC，ＷＩDの決定方法を、
図６、図７を参照しつつ説明する。本実施形態におい
て、上記各パラメータは、図１における第３のニューラ
ルネットワーク６０により決定する。
逸脱面積評価値におけるパラメータＶＩA，ＶＩB，ＶＩ
C，ＶＩD，ＷＩA，ＷＩB，ＷＩC，ＷＩDの決定方法を、
図６、図７を参照しつつ説明する。本実施形態におい
て、上記各パラメータは、図１における第３のニューラ
ルネットワーク６０により決定する。
【００３８】すなわち、図６に示すように、ニューラル
ネットワーク６０にＶＩ値、風向風速値、前記（１）逸
脱面積における評価項目（ＶＩ，ＷＩ値の上下限逸脱面
積、ノッチ数、立坑排風量等）を入力し、これらの入力
データを見てオペレータが制御の良否を判定した結果で
ある良否判定値（例えば１０段階評価による判定値とす
る）を出力値（正解値）としてニューラルネットワーク
６０に与えることにより、人間により判定した制御の良
否を学習させる。実際の運用時には、図７に示す如く同
様のデータを学習済みのニューラルネットワーク６０に
入力することにより、上記良否判定値が制御周期ごとに
出力される。この判定値を重回帰分析して各判定値に対
するフィッティングを行い、パラメータＶＩA，ＶＩB，
ＶＩC，ＶＩD，ＷＩA，ＷＩB，ＷＩC，ＷＩDを決定す
る。
ネットワーク６０にＶＩ値、風向風速値、前記（１）逸
脱面積における評価項目（ＶＩ，ＷＩ値の上下限逸脱面
積、ノッチ数、立坑排風量等）を入力し、これらの入力
データを見てオペレータが制御の良否を判定した結果で
ある良否判定値（例えば１０段階評価による判定値とす
る）を出力値（正解値）としてニューラルネットワーク
６０に与えることにより、人間により判定した制御の良
否を学習させる。実際の運用時には、図７に示す如く同
様のデータを学習済みのニューラルネットワーク６０に
入力することにより、上記良否判定値が制御周期ごとに
出力される。この判定値を重回帰分析して各判定値に対
するフィッティングを行い、パラメータＶＩA，ＶＩB，
ＶＩC，ＶＩD，ＷＩA，ＷＩB，ＷＩC，ＷＩDを決定す
る。
【００３９】こうしてパラメータが決定されれば、評価
判定手段５０では上下限逸脱面積、ノッチ数、立坑排風
量等からＶＩ逸脱面積評価値、ＷＩ逸脱面積評価値を求
め、前記（１）逸脱面積による評価によって、その時に
入力として与えたノッチ数、立坑排風量を最適値として
決定することができる。ちなみに、本実施形態のシミュ
レーションでは、ニューラルネットワーク６０に対し７
日間５分周期で前述した入出力を加えることにより学習
を行わせた後、このニューラルネットワーク６０を用い
て各パラメータをＶＩA＝０．０２１２、ＶＩB＝０．０
０５５、ＶＩC＝−０．０２３４、ＶＩD＝０．００１
９、ＷＩA＝０．００８５、ＷＩB＝０．０２６６、ＷＩ
C＝０．０３、ＷＩD＝０．０００４と自動的に決定する
ことができた。
判定手段５０では上下限逸脱面積、ノッチ数、立坑排風
量等からＶＩ逸脱面積評価値、ＷＩ逸脱面積評価値を求
め、前記（１）逸脱面積による評価によって、その時に
入力として与えたノッチ数、立坑排風量を最適値として
決定することができる。ちなみに、本実施形態のシミュ
レーションでは、ニューラルネットワーク６０に対し７
日間５分周期で前述した入出力を加えることにより学習
を行わせた後、このニューラルネットワーク６０を用い
て各パラメータをＶＩA＝０．０２１２、ＶＩB＝０．０
０５５、ＶＩC＝−０．０２３４、ＶＩD＝０．００１
９、ＷＩA＝０．００８５、ＷＩB＝０．０２６６、ＷＩ
C＝０．０３、ＷＩD＝０．０００４と自動的に決定する
ことができた。
【００４０】評価判定手段５０により決定されたノッチ
数、立坑排風量は操作量選択手段７０に送られ、現状維
持の場合も含めてノッチの上げ下げ、立坑排風量の増減
が選択、決定される。操作量選択手段７０から出力され
たノッチ数、立坑排風量は、前述のように通常制御手段
８０により決定されたノッチ数、立坑排風量と共に比較
手段９０に加えられ、図５に示した方式によりニューラ
ルネットワーク制御と通常制御との比較により最適な制
御が選択されて、最終的に決定されたノッチ数、立坑排
風量が操作量決定手段１００に送られる。先の図２に示
したニューロ換気用パソコンＮＰは、上記のようにして
求めたノッチ数や立坑排風量を連動制御盤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。
数、立坑排風量は操作量選択手段７０に送られ、現状維
持の場合も含めてノッチの上げ下げ、立坑排風量の増減
が選択、決定される。操作量選択手段７０から出力され
たノッチ数、立坑排風量は、前述のように通常制御手段
８０により決定されたノッチ数、立坑排風量と共に比較
手段９０に加えられ、図５に示した方式によりニューラ
ルネットワーク制御と通常制御との比較により最適な制
御が選択されて、最終的に決定されたノッチ数、立坑排
風量が操作量決定手段１００に送られる。先の図２に示
したニューロ換気用パソコンＮＰは、上記のようにして
求めたノッチ数や立坑排風量を連動制御盤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。
【００４１】なお、図１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。
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。
【００４２】上記実施形態では、本発明をもっぱらトン
ネル内の換気に適用した場合について説明したが、勿
論、他の空間の換気制御にも適用可能である。
ネル内の換気に適用した場合について説明したが、勿
論、他の空間の換気制御にも適用可能である。
【００４３】
【発明の効果】以上のように本発明によれば、換気制御
の運用初期に通常制御とニューラルネットワーク制御と
を使い分けるようにし、また、評価関数のパラメータを
ニューラルネットワークにより調整可能としたため、換
気設備の試験的な運用やパラメータの人為的な調整が不
要になる。また、予測誤差については、図８、図９に示
すようにＶＩ予測誤差をほぼ±１０％以内、ＷＩ予測誤
差をほぼ±１ｍ／ｓ以内に収めることが可能になった。
更に、従来の通常制御方式と本発明によるニューラルネ
ットワーク制御方式とを比較すると、図１０、図１１に
示すように本発明ではジェットファンの運転台数が少な
くなって換気電力量の低減が可能になり、また、図１０
〜図１２から明らかな如く、ＶＩ値、ＷＩ値共に所定の
上下限範囲内で精度良く予測することができている。
の運用初期に通常制御とニューラルネットワーク制御と
を使い分けるようにし、また、評価関数のパラメータを
ニューラルネットワークにより調整可能としたため、換
気設備の試験的な運用やパラメータの人為的な調整が不
要になる。また、予測誤差については、図８、図９に示
すようにＶＩ予測誤差をほぼ±１０％以内、ＷＩ予測誤
差をほぼ±１ｍ／ｓ以内に収めることが可能になった。
更に、従来の通常制御方式と本発明によるニューラルネ
ットワーク制御方式とを比較すると、図１０、図１１に
示すように本発明ではジェットファンの運転台数が少な
くなって換気電力量の低減が可能になり、また、図１０
〜図１２から明らかな如く、ＶＩ値、ＷＩ値共に所定の
上下限範囲内で精度良く予測することができている。
【図１】本発明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。
能ブロック図である。
【図２】本発明の実施形態をトンネル内の換気制御に適
用した場合の全体的な機能ブロック図である。
用した場合の全体的な機能ブロック図である。
【図３】本発明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。
サ及び換気設備と換気制御装置の説明図である。
【図４】本発明の実施形態におけるニューラルネットワ
ークの初期学習の概念図である。
ークの初期学習の概念図である。
【図５】図４における学習済みのニューラルネットワー
クによる制御と従来制御との比較、切り替えを示す概念
図である。
クによる制御と従来制御との比較、切り替えを示す概念
図である。
【図６】本発明の実施形態におけるニューラルネットワ
ークの初期学習の概念図である。
ークの初期学習の概念図である。
【図７】図６における学習済みのニューラルネットワー
クを用いてパラメータを決定する手段を示す概念図であ
る。
クを用いてパラメータを決定する手段を示す概念図であ
る。
【図８】本発明によるＶＩ値の予測誤差を示すグラフで
ある。
ある。
【図９】本発明によるＷＩ値の予測誤差を示すグラフで
ある。
ある。
【図１０】本発明によるニューラルネットワーク制御と
通常制御との比較結果を示すグラフである。
通常制御との比較結果を示すグラフである。
【図１１】本発明によるニューラルネットワーク制御と
通常制御との比較結果を示すグラフである。
通常制御との比較結果を示すグラフである。
【図１２】本発明によるニューラルネットワーク制御の
効果を示すグラフである。
効果を示すグラフである。
１０，１１，１２，１３，１４，４０，６０，６００
ニューラルネットワーク ２０ ノッチ数・立坑排風量変更判定手段 ３０ 交通量許容範囲判定手段 ５０ 評価判定手段 ７０ 操作量選択手段 ８０ 従来制御手段 ９０ 比較手段 １００ 操作量決定手段 ２０１ 連動制御盤 ２０２ 遠制子局 ３００ 中央制御局 ４００ 換気設備 ５００ 換気シミュレータ ＮＰ ニューロ換気用パソコン ＮＰ’換気制御装置 ＥＰ 集塵機 ＪＦ ジェットファン ＶＦ 立坑用ファン 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 トンネル
ニューラルネットワーク ２０ ノッチ数・立坑排風量変更判定手段 ３０ 交通量許容範囲判定手段 ５０ 評価判定手段 ７０ 操作量選択手段 ８０ 従来制御手段 ９０ 比較手段 １００ 操作量決定手段 ２０１ 連動制御盤 ２０２ 遠制子局 ３００ 中央制御局 ４００ 換気設備 ５００ 換気シミュレータ ＮＰ ニューロ換気用パソコン ＮＰ’換気制御装置 ＥＰ 集塵機 ＪＦ ジェットファン ＶＦ 立坑用ファン 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 トンネル
Claims (4)
- 【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に基づき評価関数を用いて評価演
算した結果により換気設備の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換気制御装置において、 前記評価関数に含まれるパラメータを、オペレータが入
力データから判断した制御の良否の判定結果を出力に加
えて学習させた第３のニューラルネットワークにより調
整することを特徴とする換気制御装置。 - 【請求項２】 請求項１記載の換気制御装置において、 換気制御の運用開始時に、第１、第２のニューラルネッ
トワークによる予測誤差に応じて、レギュレータ制御等
の通常制御手段による制御出力を用いることを特徴とす
る換気制御装置。 - 【請求項３】 請求項１または２記載の換気制御装置に
おいて、 換気状態指標値が煙霧透過率及び風向風速値であること
を特徴とする換気制御装置。 - 【請求項４】 請求項３記載の換気制御装置において、 換気設備の操作量が換気設備のノッチ数または台数及び
排風量であることを特徴とする換気制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP07329497A JP3324434B2 (ja) | 1997-03-26 | 1997-03-26 | 換気制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP07329497A JP3324434B2 (ja) | 1997-03-26 | 1997-03-26 | 換気制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH10267357A true JPH10267357A (ja) | 1998-10-09 |
| JP3324434B2 JP3324434B2 (ja) | 2002-09-17 |
Family
ID=13514007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP07329497A Expired - Fee Related JP3324434B2 (ja) | 1997-03-26 | 1997-03-26 | 換気制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3324434B2 (ja) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001121940A (ja) * | 1999-10-28 | 2001-05-08 | Denso Corp | 車両用空調装置 |
| JP2004169341A (ja) * | 2002-11-19 | 2004-06-17 | Hitachi Ltd | トンネル換気制御方法および装置 |
| JP2009140454A (ja) * | 2007-12-11 | 2009-06-25 | Sony Corp | データ処理装置、データ処理方法、及びプログラム |
| JP2009244933A (ja) * | 2008-03-28 | 2009-10-22 | Hitachi Ltd | プラントの制御装置および火力発電プラントの制御装置 |
| CN104775841A (zh) * | 2015-03-02 | 2015-07-15 | 陕西陕煤黄陵矿业有限公司 | 面向矿井用风点的通风网络安全分区划分方法 |
| CN104948215A (zh) * | 2015-05-19 | 2015-09-30 | 卢新明 | 一种矿井通风系统的联合优调优控方法 |
| CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
| WO2019176737A1 (ja) * | 2018-03-13 | 2019-09-19 | オムロン株式会社 | 演算装置、演算方法、及びそのプログラム |
| CN110953011A (zh) * | 2019-12-18 | 2020-04-03 | 西安重装矿山电器设备有限公司 | 自动风门远程控制系统 |
| CN112127934A (zh) * | 2020-09-10 | 2020-12-25 | 北京科技大学 | 高海拔高温特长隧道施工变频节能通风系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58111300U (ja) * | 1982-01-25 | 1983-07-29 | 松下電器産業株式会社 | 道路用トンネルの縦流換気制御方式 |
| JPH05141200A (ja) * | 1991-11-20 | 1993-06-08 | Toshiba Corp | トンネル換気制御装置 |
| JPH06193400A (ja) * | 1992-12-25 | 1994-07-12 | Fuji Facom Corp | 空気汚染度予測装置 |
| JPH0925799A (ja) * | 1995-07-10 | 1997-01-28 | Fuji Facom Corp | 換気制御装置 |
-
1997
- 1997-03-26 JP JP07329497A patent/JP3324434B2/ja not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58111300U (ja) * | 1982-01-25 | 1983-07-29 | 松下電器産業株式会社 | 道路用トンネルの縦流換気制御方式 |
| JPH05141200A (ja) * | 1991-11-20 | 1993-06-08 | Toshiba Corp | トンネル換気制御装置 |
| JPH06193400A (ja) * | 1992-12-25 | 1994-07-12 | Fuji Facom Corp | 空気汚染度予測装置 |
| JPH0925799A (ja) * | 1995-07-10 | 1997-01-28 | Fuji Facom Corp | 換気制御装置 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001121940A (ja) * | 1999-10-28 | 2001-05-08 | Denso Corp | 車両用空調装置 |
| JP2004169341A (ja) * | 2002-11-19 | 2004-06-17 | Hitachi Ltd | トンネル換気制御方法および装置 |
| JP2009140454A (ja) * | 2007-12-11 | 2009-06-25 | Sony Corp | データ処理装置、データ処理方法、及びプログラム |
| JP2009244933A (ja) * | 2008-03-28 | 2009-10-22 | Hitachi Ltd | プラントの制御装置および火力発電プラントの制御装置 |
| US8214062B2 (en) | 2008-03-28 | 2012-07-03 | Hitachi, Ltd. | Plant control system and thermal power generation plant control system |
| CN104775841B (zh) * | 2015-03-02 | 2017-01-04 | 陕西陕煤黄陵矿业有限公司 | 面向矿井用风点的通风网络安全分区划分方法 |
| CN104775841A (zh) * | 2015-03-02 | 2015-07-15 | 陕西陕煤黄陵矿业有限公司 | 面向矿井用风点的通风网络安全分区划分方法 |
| CN104948215A (zh) * | 2015-05-19 | 2015-09-30 | 卢新明 | 一种矿井通风系统的联合优调优控方法 |
| WO2019176737A1 (ja) * | 2018-03-13 | 2019-09-19 | オムロン株式会社 | 演算装置、演算方法、及びそのプログラム |
| JP2019159767A (ja) * | 2018-03-13 | 2019-09-19 | オムロン株式会社 | 演算装置、演算方法、及びそのプログラム |
| CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
| CN108592352B (zh) * | 2018-05-09 | 2020-09-11 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
| CN110953011A (zh) * | 2019-12-18 | 2020-04-03 | 西安重装矿山电器设备有限公司 | 自动风门远程控制系统 |
| CN112127934A (zh) * | 2020-09-10 | 2020-12-25 | 北京科技大学 | 高海拔高温特长隧道施工变频节能通风系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3324434B2 (ja) | 2002-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5251285A (en) | Method and system for process control with complex inference mechanism using qualitative and quantitative reasoning | |
| US5051932A (en) | Method and system for process control with complex inference mechanism | |
| JP3324434B2 (ja) | 換気制御装置 | |
| Zimmermann | Fuzzy control | |
| KR102131847B1 (ko) | 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법 | |
| ATE421073T1 (de) | Steuerverfahren und vorrichtung für eine klimaanlage unter verwendung von bewohnerrückkopplung | |
| US9952574B2 (en) | Machine learning device, motor control system, and machine learning method for learning cleaning interval of fan motor | |
| JPH08507631A (ja) | 非線形プロセスのモデル化のための装置 | |
| JP3567073B2 (ja) | 時系列データ予測方法および装置 | |
| Sousa et al. | Comparison of conventional and fuzzy predictive control | |
| Ziarko et al. | Control algorithm acquisition, analysis and reduction: A machine learning approach | |
| Bocker et al. | Self-optimization as a framework for advanced control systems | |
| CN116665808A (zh) | 基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备 | |
| Ziarko et al. | Rough sets approach to system modelling and control algorithm acquisition | |
| JPH10184298A (ja) | 集中排気式道路トンネル換気制御装置 | |
| JPH0925799A (ja) | 換気制御装置 | |
| JP2703438B2 (ja) | トンネル換気制御装置 | |
| JP2946970B2 (ja) | 道路トンネルの換気自動制御装置 | |
| KR100310609B1 (ko) | 퍼지전문가장치를이용한피아이디제어기의계수조정장치및그의제어방법 | |
| CN116857811B (zh) | 用于车间生产的噪声智能控制方法及系统 | |
| JP3560406B2 (ja) | ミル特性計測装置 | |
| CN111503838B (zh) | 一种公用建筑用空调通风优化系统 | |
| JPH07116527B2 (ja) | 焼結プロセス制御装置 | |
| JPH04199202A (ja) | プラント運転支援装置 | |
| JPH09145109A (ja) | 道路トンネルの換気自動制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20020604 |
|
| LAPS | Cancellation because of no payment of annual fees |