JPH1038243A - カラー画像を利用した燃焼判定・制御方法および判定・制御装置 - Google Patents

Abstract

(57)【要約】 【目的】 燃料性状が季節によって変化しても燃焼状態
にマッチした判定がなし得る燃焼判定方法および装置を
提供する。 【構成】 カラー画像を利用してニューラルネットワー
クにより燃焼装置の燃焼判定を行う際に、燃焼状態の判
定に用いられているニューラルネットワークの燃焼状態
の判定または評価結果が妥当しなくなった場合、稼働中
の燃焼装置からの運転データに基づいて作成された教師
データを用いて学習を行った新たなニューラルネットワ
ークに、燃焼状態の判定に用いられているニューラルネ
ットワークが、その燃焼装置の稼働中に更新されて燃焼
状態の判定または評価がなされるものである。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、燃焼判定・制御方
法および判定・制御装置に関する。さらに詳しくは、カ
ラー画像を利用した燃焼判定・制御方法および判定・制
御装置に関する。

【０００２】

【従来の技術】従来より、ごみ焼却炉やボイラ等の燃焼
装置においては、燃焼が正しくなされているか否かをみ
るために、燃焼状態の判定や燃焼診断がなされている。
これは燃焼が正しくなされていない場合には、ＮＯ_Xや
ＣＯや煤塵が発生し、大気汚染の原因となるからであ
る。また、この判定結果や診断結果を用いて燃焼制御を
行い、ＮＯ_XやＣＯや煤塵の発生を抑制することがなさ
れている。

【０００３】この燃焼判定方法および判定装置あるいは
燃焼診断方法および診断装置に関しては、従来より種々
の提案がなされている。

【０００４】例えば、特開平１ー２６３４１４号公報に
は、バーナの燃焼状態を診断する燃焼診断方法におい
て、火炎の形状及び燃焼のプロセス量を計測し、火炎の
形状と燃焼のプロセス量との相関関係を表すモデルを同
定し、前記モデルを用いて火炎の形状から燃焼のプロセ
ス量を推定することを特徴とする火炎形状計測による燃
焼診断方法が提案されている。

【０００５】しかしながら、特開平１ー２６３４１４号
公報の提案にかかわる燃焼診断方法においては、ＮＯ_X
やＣＯやＯ₂や灰中未燃分等の測定に時間がかかる燃焼
のプロセス量の計測が必要となるために、燃焼診断に相
当の時間遅れを伴うということになる。かかる時間遅れ
は、例えばストーカ炉による燃焼方式のように燃焼に数
十分を要する場合にはさほど問題にはならないが、例え
ば流動床炉のように燃焼が十数秒でなされる場合には、
診断結果が実際の燃焼にマッチしないという問題を生ず
る。

【０００６】本発明者等はかかる従来技術の課題を解決
すべく既にカラー画像を利用した燃焼判定・制御方法お
よび判定・制御装置を提案（特開平８ー４９８４５号）
しているが、ゴミ焼却炉のような燃焼装置においては季
節により燃焼装置へ供給される燃料性状が大幅に変化す
るため、燃焼状態にマッチした燃焼状態の判定や評価が
なされない場合もあるということが判明した。

【０００７】

【発明が解決しようとする課題】本発明は、このような
本発明者等の先の提案にかかわる燃焼判定・制御方法お
よび判定・制御装置の欠点が解消されてなる燃焼判定・
制御方法および判定・制御装置を提供することを目的と
している。

【０００８】

【課題を解決するための手段】本発明者等は前記課題に
対し鋭意研究した結果、ニューラルネットワークを運転
中の燃焼装置から教師データをオンラインで得て、その
データを利用してニューラルネットワークを新たに生成
し、その生成されたニューラルネットワークにより稼働
中のニューラルネットワークを燃焼装置の稼働中に更新
することにより前記課題が氷解されることを見出し、本
発明を完成するに至った。

【０００９】すなわち、本発明の第１発明は、カラー画
像を利用してニューラルネットワークにより燃焼装置の
燃焼状態の判定を行う燃焼判定方法において、燃焼状態
の判定に用いられているニューラルネットワークの燃焼
状態の判定または評価結果が妥当しなくなった場合、稼
働中の燃焼装置からの運転データに基づいて作成された
教師データを用いて学習を行った新たなニューラルネッ
トワークに、燃焼状態の判定に用いられているニューラ
ルネットワークが、その燃焼装置の稼働中に更新されて
燃焼状態の判定または評価がなされること特徴とする燃
焼判定方法に関する。

【００１０】より具体的には、本発明の第１発明は、燃
焼状態をカラー画像で撮像する手順と、得られたカラー
画像を画像処理して赤成分、緑成分および青成分の３成
分画像に分ける手順と、前記３成分画像の表色系の変換
を行う手順と、得られた３成分画像および／または前記
表色系変換後の画像から燃焼状態に大きくかかわってい
る特徴パラメータを抽出および／または生成する手順
と、前記抽出および／または生成された特徴パラメータ
をニューラルネットワークの入力として用い、典型的な
燃焼状態との適合度を求めて燃焼状態を判定または評価
する手順と、燃焼状態の判定に用いられているニューラ
ルネットワークの燃焼状態の判定または評価結果が妥当
しなくなった場合、そのニューラルネットワークを稼働
中の燃焼装置からの運転データに基づいて作成された教
師データを用いて学習を行った新たなニューラルネット
ワークに、その燃焼装置の稼働中に更新して燃焼状態の
判定または評価する手順とを含んでなることを特徴とす
るカラー画像を利用した燃焼判定方法に関する。

【００１１】本発明の第１発明においては、撮像された
カラー画像から火炎の領域を分離する手順が付加されて
なるのが好ましく、また前記適合度を確率的に統合処理
して燃焼状態を判定または評価するのも好ましい。

【００１２】ここで、前記教師データは、ニューラルネ
ットワークの更新作業において変更されない燃焼装置の
典型的な燃焼状態に関する基本教師データと、稼働中の
燃焼装置からの運転データに基づいて変更される可変教
師データとされ、そして前記稼働中の燃焼装置の運転デ
ータに基づいて作成された可変教師データ中、所定の条
件を満足するものがそれに対応する所定の条件を満足す
る可変教師データと置換される。

【００１３】本発明の第２発明は、前記第１発明の燃焼
状態の判定または評価結果を用いて燃焼制御がなされる
ことを特徴とするカラー画像を利用した燃焼制御方法に
関する。

【００１４】本発明の第２発明の燃焼制御方法において
は、例えば、空気供給量、１次空気量および２次空気量
の割合、燃焼室内への注水量または燃料供給量の調整が
なされる。

【００１５】本発明の第３発明は、カラー画像撮像手段
と表色系変換手段と特徴パラメータ抽出・生成手段と可
変ニューラルネットワーク手段とを備え、前記可変ニュ
ーラルネットワーク手段が、燃焼状態の判定を行ってい
る稼働ニューラルネットワークと、燃焼装置の運転デー
タをオンラインで取り込んで作成された教師データによ
り新たなニューラルネットワークを生成するオンライン
・ニューラルネットワーク生成手段と、該オンライン・
ニューラルネットワーク生成手段により生成された新た
なニューラルネットワークと稼働ニューラルネットワー
クの燃焼状態の判定または評価結果を評価するネットワ
ーク評価手段と、該ネットワーク評価手段により稼働ニ
ューラルネットワークの燃焼状態の判定または評価結果
が妥当しないと評価された場合に稼働ニューラルネット
ワークを新たなニューラルネットワークに更新する更新
手段とを有し、前記表色系変換手段により、撮像された
画像の表色系の変換がなされ、前記特徴パラメータ抽出
・生成手段により、変換された表色系の成分値および／
または撮像された画像の３成分値に基づいて特徴パラメ
ータが抽出および／または生成され、前記可変ニューラ
ルネットワーク手段により、前記特徴パラメータに基づ
いて、典型的な燃焼状態との適合度が算出されて燃焼状
態が判定または評価されることを特徴とするカラー画像
を利用した燃焼判定装置に関する。

【００１６】本発明の第４発明は、カラー画像撮像手段
と表色系変換手段と特徴パラメータ抽出・生成手段と可
変ニューラルネットワーク手段と確率的統合処理手段と
を備え、前記可変ニューラルネットワーク手段が、燃焼
状態の判定を行っている稼働ニューラルネットワーク
と、燃焼装置の運転データをオンラインで取り込んで作
成された教師データにより新たなニューラルネットワー
クを生成するオンライン・ニューラルネットワーク生成
手段と、該オンライン・ニューラルネットワーク生成手
段により生成された新たなニューラルネットワークと稼
働ニューラルネットワークの燃焼状態の判定または評価
結果を評価するネットワーク評価手段と、該ネットワー
ク評価手段により稼働ニューラルネットワークの燃焼状
態の判定または評価結果が妥当しないと評価された場合
に稼働ニューラルネットワークを新たなニューラルネッ
トワークに更新する更新手段とを有し、前記表色系変換
手段により、撮像された画像の表色系の変換がなされ、
前記特徴パラメータ抽出・生成手段により、変換された
表色系の成分値および／または撮像された画像の３成分
値に基づいて特徴パラメータが抽出および／または生成
され、前記可変ニューラルネットワーク手段により、前
記特徴パラメータに基づいて、典型的な燃焼状態との適
合度が算出され、前記確率的統合処理手段により、算出
された適合度が確率的に処理されて燃焼状態が判定また
は評価されることを特徴とするカラー画像を利用した燃
焼判定装置に関する。

【００１７】本発明の第５発明は、プロセス状態量入力
処理手段とカラー画像撮像手段と表色系変換手段と特徴
パラメータ抽出・生成手段と可変ニューラルネットワー
ク手段と燃焼制御処理手段とプロセス制御量出力処理手
段とを備え、前記可変ニューラルネットワーク手段が、
燃焼状態の判定を行っている稼働ニューラルネットワー
クと、燃焼装置の運転データをオンラインで取り込んで
作成された教師データにより新たなニューラルネットワ
ークを生成するオンライン・ニューラルネットワーク生
成手段と、該オンライン・ニューラルネットワーク生成
手段により生成された新たなニューラルネットワークと
稼働ニューラルネットワークの燃焼状態の判定または評
価結果を評価するネットワーク評価手段と、該ネットワ
ーク評価手段により稼働ニューラルネットワークの燃焼
状態の判定または評価結果が妥当しないと評価された場
合に稼働ニューラルネットワークを新たなニューラルネ
ットワークに更新する更新手段とを有し、前記表色系変
換手段により、撮像された画像の表色系の変換がなさ
れ、前記特徴パラメータ抽出・生成手段により、変換さ
れた表色系の成分値および／または撮像された画像の３
成分値に基づいて特徴パラメータが抽出および／または
生成され、前記可変ニューラルネットワーク手段によ
り、前記特徴パラメータに基づいて、典型的な燃焼状態
との適合度が算出されて燃焼状態が判定または評価さ
れ、前記燃焼制御処理手段により、前記燃焼状態の判定
または評価結果に基づいてプロセス制御量が算出され、
前記プロセス制御量出力処理手段により、前記プロセス
制御量に対し所定の処理がなされて出力されることを特
徴とするカラー画像を利用した燃焼制御装置に関する。

【００１８】本発明の第６発明は、プロセス状態量入力
処理手段とカラー画像撮像手段と表色系変換手段と特徴
パラメータ抽出・生成手段と可変ニューラルネットワー
ク手段と確率的統合処理手段と燃焼制御処理手段とプロ
セス制御量出力処理手段とを備え、前記可変ニューラル
ネットワーク手段が、燃焼状態の判定を行っている稼働
ニューラルネットワークと、燃焼装置の運転データをオ
ンラインで取り込んで作成された教師データにより新た
なニューラルネットワークを生成するオンライン・ニュ
ーラルネットワーク生成手段と、該オンライン・ニュー
ラルネットワーク生成手段により生成された新たなニュ
ーラルネットワークと稼働ニューラルネットワークの燃
焼状態の判定または評価結果を評価するネットワーク評
価手段と、該ネットワーク評価手段により稼働ニューラ
ルネットワークの燃焼状態の判定または評価結果が妥当
しないと評価された場合に稼働ニューラルネットワーク
を新たなニューラルネットワークに更新する更新手段と
を有し、前記表色系変換手段により、撮像された画像の
表色系の変換がなされ、前記特徴パラメータ抽出・生成
手段により、変換された表色系の成分値および／または
撮像された画像の３成分値に基づいて特徴パラメータが
抽出および／または生成され、前記可変ニューラルネッ
トワーク手段により、前記プロセス状態量入力手段から
のプロセス状態量および特徴パラメータに基づいて、典
型的な燃焼状態との適合度が算出され、前記確率的統合
処理手段により、算出された適合度が確率的に処理され
て燃焼状態が評価され、前記燃焼制御処理手段により、
前記燃焼状態の判定または評価結果に基づいてプロセス
制御量が算出され、前記プロセス制御量出力処理手段に
より、前記プロセス制御量に対し所定の処理がなされて
出力されることを特徴とするカラー画像を利用した燃焼
制御装置に関する。

【００１９】ここで、前記教師データは、ニューラルネ
ットワークの更新作業において変更されない燃焼装置の
典型的な燃焼状態に関する基本教師データと、稼働中の
燃焼装置からの運転データに基づいて変更される可変教
師データとされ、そして前記稼働中の燃焼装置の運転デ
ータに基づいて作成された可変教師データ中、所定の条
件を満足するものがそれに対応する所定の条件を満足す
る可変教師データと置換される。

【００２０】また、本発明の燃焼制御方法および装置に
おいては、例えば、空気供給量、１次空気量および２次
空気量の割合、燃焼室内への注水量または燃料供給量の
調整がなされる。

【００２１】

【作用】燃焼状態のカラー画像を撮像し、得られたカラ
ー画像から赤、緑および青の各色成分からなる３成分画
像を作成し、この３成分画像から燃焼状態に大きくかか
わっている特徴パラメータを抽出および／または生成
し、あるいは表色系変換後の画像から燃焼状態に大きく
かかわっている特徴パラメータを抽出および／または生
成し、それら抽出および／または生成された特徴パラメ
ータを可変ニューラルネットワーク手段に入力する。可
変ニューラルネットワーク手段では、入力された特徴パ
ラメータに基づいて、典型的な燃焼状態との適合度を求
めて燃焼状態の判定または評価がなされる。そして、可
変ニューラルネットワーク手段の燃焼状態の判定を行っ
ている稼働ニューラルネットワークは燃焼装置の稼働中
の運転データに基づいて作成された教師データにより随
時更新されているので、燃焼装置の燃料の性状の季節変
動に影響されずに、適正な燃焼状態の判定または評価が
なし得る。しかも、燃焼状態のカラー画像の撮像は時間
遅れなくしてなされているので、その画像を利用した燃
焼状態の判定または評価は、実用上、時間遅れがなくな
される。また、得られた適合度を確率的に統合処理して
燃焼状態の判定または評価を行う本発明の好ましい態様
においては、確率的に統合処理しているので、例えば火
炎の揺らぎや燃焼むらにより短時間の間に画像が不規則
に変化しても、信頼性の高い判定または評価がなし得
る。

【００２２】さらに、この判定または評価結果を用いて
燃焼制御、例えば空気供給量、１次空気量および２次空
気量の割合、燃焼室内への注水量または燃料供給量など
の調整を行えば、前述のごとく、判定または評価が燃料
の性状の季節変動に対応させてなされるとともに、時間
遅れがなくなされているので、燃焼状態に即応させて燃
焼制御がなし得る。すなわち、最適な燃焼制御がなし得
る。

【００２３】

【発明の実施の形態】以下、添付図面を参照しながら、
本発明を実施の形態に基づいて説明するが、本発明はか
かる実施の形態のみに限定されるものではない。

【００２４】本発明の燃焼判定・制御方法が適用されて
いる画像処理装置１、ファジィシステム２および燃焼制
御装置３を備える燃焼装置Ａの概略図を図１に、その燃
焼判定・制御装置の機能ブロック図を図２に示し、同判
定・制御装置Ａは、カラー画像撮像手段１０と、表色系
変換手段２２と、特徴パラメータ抽出・生成手段２４
と、プロセス状態量入力処理手段３２と、可変ニューラ
ルネットワーク手段４２と、確率的統合処理手段４４
と、燃焼制御処理手段４６と、プロセス制御量出力処理
手段３４とを主要部としてなる。そして、表色系変換手
段２２と、特徴パラメータ抽出・生成手段２４と、プロ
セス状態量入力処理手段３２と、可変ニューラルネット
ワーク手段４２と、確率的統合処理手段４４と、燃焼制
御処理手段４６と、プロセス制御量出力処理手段３４と
により画像処理装置１が構成されている。

【００２５】カラー画像撮像手段１０は燃焼を撮像する
ものであって、例えばカラーテレビカメラとされる。こ
のカラー画像撮像手段１０により撮像されたカラー画像
は、信号ケーブルによりＮＴＳＣなどの複合カラー画像
信号、あるいはＲＧＢ３原色成分組合せ信号（以下、単
にＲＧＢ信号という）に変換された後、その一部は分岐
されて表色系変換手段２２に入力される。

【００２６】表色系変換手段２２は入力された信号の表
色系の変換を行うものである。より具体的には、入力さ
れたカラー画像信号に対して次のような処理がなされ
る。まず、入力されたカラー画像信号をＲＧＢ画像メモ
リ（第１画像メモリ）に記憶する。入力された信号が複
合カラー画像信号の場合には、ＲＧＢ信号に変換した
後、このＲＧＢ画像メモリに記憶する。ついで、ＲＧＢ
画像メモリに記憶されたＲＧＢ表色系の画像データから
表色系の変換、例えばＹＩＱ表色系への変換を行い、各
画素ごとに各成分値、例えば（Ｙ，Ｉ，Ｑ）を算出す
る。

【００２７】特徴パラメータ抽出・生成手段２４は、得
られた新しい表色系での成分値あるいはＲＧＢ表色系の
画像データから１画面の燃焼状態を表す特徴パラメータ
を抽出あるいは生成するものである。例えば、Ｉ，Ｑの
１画面当りの平均値を算出して、その値を特徴パラメー
タとして抽出したり、あるいはＹ，Ｉ，Ｑの一画面平均
値に対する時間的な傾き、例えば３０秒間の傾きや１５
秒間の傾きを算出したり、Ｒ，Ｇ，Ｂの一画面平均値に
対する時間的な傾き、例えば３０秒間の傾きや１５秒間
の傾きを算出したり、Ｙ，Ｉ，Ｑの各種組合せの和や
差、例えばＹ＋Ｉ，Ｙ＋Ｉ＋Ｑ，Ｙ−Ｑなどを算出した
り、Ｒ，Ｇ，Ｂの各種組合せの和や差、例えばＲ−Ｂ，
Ｒ＋Ｇ＋Ｂなどを算出したりして、特徴パラメータを生
成するものである。

【００２８】そして、これら抽出あるいは生成された特
徴パラメータの値は可変ニューラルネットワーク手段４
２に入力される。この場合、必要に応じて所定のプロセ
ス状態量入力処理手段３２からのプロセス状態量も可変
ニューラルネットワーク手段４２に入力されてもよい。
なお、特徴パラメータを抽出あるいは生成する際、より
的確に燃焼状態を判断できるようにするため、火炎領域
のみを分離する前処理を行うのが好ましい。この火炎領
域の分離は、例えば、輝度を表すＹ成分値に対して閾値
処理を施すことによりなされる。より具体的には、Ｙ成
分値がある一定値以上の領域を火炎領域とし、一定値未
満の領域をその他の背景領域として処理するものであ
る。

【００２９】ここで、前記ＲＧＢ表色系からＹＩＱ表色
系への変換は、下記数１によりなされる。

【００３０】

【数１】−

【００３１】プロセス状態量入力処理手段３２は、燃焼
制御装置からプロセス信号として入力される燃焼室出口
Ｏ₂濃度、燃焼室炉内圧力、燃焼室出口温度等のプロセ
ス状態量の信号形態の処理を行い、燃焼判定・制御装置
Ａの処理に適した信号に変換するものである。プロセス
状態量入力処理手段３２は、例えば入力インターフェー
スとされる。

【００３２】可変ニューラルネットワーク手段４２は、
入力された特徴パラメータの値に基づいて、あるいは必
要に応じてプロセス状態量入力手段３２からのプロセス
状態量の値にも基づいて、典型的な燃焼状態との適合度
を求めて、例えば燃焼悪化、燃焼適正、燃焼過剰という
ような燃焼状態の判定または評価を行うニューラルネッ
トワークが、燃焼装置の運転データをオンラインで取り
込んで作成された教師データにより、その燃焼装置の稼
働中に学習がなされた新たなニューラルネットワークに
更新可能とされてなるものである。

【００３３】つまり、この可変ニューラルネットワーク
手段４２は、図３に示すように、燃焼状態の判定または
評価を行っている稼働ニューラルネットワーク４２０
と、燃焼装置の運転データを稼働中に取り込んで、すな
わちオンラインで取り込んで作成された教師データによ
り新たなニューラルネットワーク４２２を生成するオン
ライン・ニューラルネットワーク生成手段４２３と、こ
のオンライン・ニューラルネットワーク生成手段４２３
により生成された新たなニューラルネットワーク（以
下、オンライン・ニューラルネットワークという）４２
２と稼働ニューラルネットワーク４２０を評価するネッ
トワーク評価手段４２４と、このネットワーク評価手段
４２４によりオンライン・ニューラルネットワーク４２
２の方が燃焼状態の判定を行っている稼働ニューラルネ
ットワーク４２０より適当と評価された場合に、稼働ニ
ューラルネットワーク４２０をオンライン・ニューラル
ネットワーク４２２に更新する更新手段４２５とを備え
てなるものとされる。なお、燃焼装置の運転開始時にお
ける稼働ニューラルネットワーク４２０は、当初に構築
されているニューラルネットワーク、すなわち初期ニュ
ーラルネットワーク４２１とされている。

【００３４】また、初期ニューラルネットワーク４２１
およびオンライン・ニューラルネットワーク４２２は、
従前と同様に、複数の処理ユニットから構成されている
入力層と中間層と出力層とから構成されている（図４参
照）。また、これらの各処理ユニットも、従前と同様
に、次層および前層の間で学習により定められる重み係
数でもって結合されるとともに、各処理ユニットは前層
からの入力の総和をとる加算器と学習により定められる
閾値を持った閾値関数を有している。そして、これらの
ニューラルネットワーク４２１，４２２の学習において
は、従前と同様に、入力パターン（教師入力データ）と
目標出力パターン（教師出力データ（燃焼状態デー
タ））対が提示される。この提示の直後に、ニューラル
ネットワーク４２１，４２２の出力と目標出力との間の
差が減少するように、重みと閾値の調整がなされる。学
習に際しては、入力パターンと目標パターンの対の集合
である学習用集合を用い、ニューラルネットワーク４２
１，４２２にはこれを繰返し提示する。この学習が終了
すると、ニューラルネットワーク４２１，４２２の動作
テストがなされる。

【００３５】これをより具体的に説明すると、この学習
においては、順伝播ステップと、その後に実行される逆
伝播ステップとがある。この順伝播ステップおよび逆伝
播ステップは、いずれも学習中にパターンの提示がなさ
れるたびに実行される。順伝播ステップは、ニューラル
ネットワーク４２１，４２２の入力層への入力パターン
の提示で始まり、活性レベルの計算が中間層を通じて順
伝播していく間継続する。それぞれの層の全ての処理ユ
ニット（図３では○印で示す）は、入力の総和を求め、
閾値関数により出力を計算する。それからユニットの出
力層がネットワークの出力を行う。

【００３６】ついで、ニューラルネットワーク４２１，
４２２の出力パターンと目標出力パターンとの比較がな
され、それに差異があるときに逆伝播ステップが開始さ
れる。逆伝播ステップでは、各層のユニットの閾値と重
み変化分の計算がなされるが、これを出力層から始めて
中間層へと順番に逆方向にたどっていく。この逆伝播ス
テップでは、ニューラルネットワーク４２１，４２２は
観測された差異が減少されるように、重みと閾値との調
整がなされる。

【００３７】このような学習がなされるので、ニューラ
ルネットワーク４２１，４２２からの出力パターンは、
基本的には、最終的に目標出力パターンに概ね一致する
ようになる。そのため、燃焼装置の運転開始直後におい
ては可変ニューラルネットワーク手段４２に当初に構築
されている初期ニューラルネットワーク４２１によりな
される燃焼状態の判定または評価結果は概ね実際の燃焼
状態にマッチする。

【００３８】しかしながら、ゴミ焼却炉のような燃焼装
置の場合には、燃料であるゴミ性状が季節により大幅に
変動するため、初期ニューラルネットワーク４２１によ
りなされる燃焼状態の判定等が実際の燃焼状態にマッチ
しない場合が生ずる。そのため、オンライン・ニューラ
ルネットワーク生成手段４２３により、初期ニューラル
ネットワーク４２１の一部の教師データ（教師入力およ
び教師出力の両者を含む）を、燃焼装置の運転データを
オンラインで取り込んで作成された教師データ（以下、
この一部の教師データを可変教師データといい、残りの
変更されない、あるいは燃焼装置の基本性能上変更でき
ない典型的な燃焼状態に関する教師データを基本教師デ
ータという）に置き換えてニューラルネットワークの学
習を燃焼装置の稼働中に行い、すなわちニューラルネッ
トワークのオンライン学習を行い新たなニューラルネッ
トワーク４２２を生成する。すなわち、オンライン・ニ
ューラルネットワーク４２２を生成する。

【００３９】このオンライン・ニューラルネットワーク
４２２の生成を、より詳細に説明すれば次のようにな
る。

【００４０】まず、初期ニューラルネットワーク４２１
のコピーを生成するとともに、基本教師入力データ、可
変教師入力データおよび燃焼状態データを、例えば下記
のように選定する。

【００４１】基本教師入力データ：Ｔ_Bij（ｉ＝１…
Ｎ，ｊ＝１…ｎ） 可変教師入力データ：Ｔ_Cij（ｉ＝１…Ｎ，ｊ＝１…ｎ
´） 燃焼状態データ：Ｔ_Cir（ｉ＝１…Ｎ，ｒ＝１…ｍ）

【００４２】ここで、基本教師入力データは、既存の燃
焼装置の典型的な燃焼状態における、例えばＲ成分の１
５秒平均、時間軸上のＲ成分の傾きなどとされ、可変教
師入力データは、その時点時点における、例えばＲ成分
の１５秒平均、時間軸上のＲ成分の傾きなどとされ、燃
焼状態データは、特徴ある燃焼状態になったときの燃焼
状態の判定結果、例えば燃焼過剰、燃焼適正、燃焼悪化
とされる。また、Ｎはニューラルネットワークの入力数
（Ｎ_IN）とニューラルネットワーク出力数（Ｎ_OUT）と
の和、ｎ、ｎ´、ｍはそれぞれ基本教師入力データ数、
可変教師入力データ数、燃焼状態データ数を示す。

【００４３】ついで、燃焼装置の稼働中にオンラインで
取り込まれた燃焼状態データＴ_Cirが教師出力データと
して使用し得るか、各燃焼状態（燃焼過剰、燃焼適正、
燃焼悪化）ごとに評価を行う。この際、下記数２の評価
関数が用いられる。

【００４４】

【数２】

【００４５】ここで、 ｓ＝１…Ｎ_OUT：燃焼状態（例えばｓ＝１は燃焼過剰と
される） α_i：重み係数（燃焼状態により決定） Ｔ_mBis：各燃焼状態における基本教師入力データＴ_Bij
の平均

【００４６】例えば過剰燃焼（ｓ＝１）の教師入力デー
タ数がｎ〃とすると、Ｔ_mBisは下記式数３により表され
る。

【００４７】

【数３】

【００４８】そして、Ｊ₁ ^sが所定の閾値以下であれば、
可変教師入力データの中の一つと入れ換えがなされる。
この入れ換えがなされる可変教師入力データは、下記数
４の評価関数の最も大きい値のものとされる。

【００４９】

【数４】

【００５０】なお、このオンライン学習においては、こ
の学習が燃焼装置の稼働中になされるところから、初期
ニューラルネットワーク４２１の学習結果を初期値とし
て用い、ニューラルネットワークの学習時間の短縮が図
られている。そして、生成されたオンライン・ニューラ
ルネットワーク４２２には、初期ニューラルネットワー
ク４２１同様に特性データ等が入力されて燃焼状態の判
定または評価がなされる。

【００５１】そして、得られた初期ニューラルネットワ
ーク４２１およびオンライン・ニューラルネットワーク
４２２のそれぞれの燃焼状態の判定等は、評価手段４２
４によりいずれが実際の燃焼状態にマッチしているかが
評価される。この評価は、例えばＣＯが発生しているか
否かと、その際のＯ ₂濃度によりなされる。すなわち、
ニューラルネットワーク４２１，４２２のＣＯ発生の判
定に対して実際にＣＯが測定されたか否かと、その際の
Ｏ ₂濃度によりなされる。例えば１時間稼働して、初期
ニューラルネットワーク４２１の判定が１０回なされ、
その中３回的中したのに対し、オンライン・ニューラル
ネットワーク４２２の判定が１１回なされ、その中８回
的中したとすれば、初期ニューラルネットワーク４２１
がオンライン・ニューラルネットワーク４２２に更新さ
れる。以後このオンライン・ニューラルネットワーク４
２２により燃焼状態の判定等がなされる。つまり、オン
ライン・ニューラルネットワーク４２２が稼働ニューラ
ルネットワーク４２０とされる。なお、頻繁に判定結果
がなされる場合、燃焼が不安定な状態であるというおそ
れなどもあるため、初期ニューラルネットワーク４２１
からオンライン・ニューラルネットワーク４２２に更新
されないこともある。

【００５２】しかして、このようにして更新された稼働
ニューラルネットワーク４２０は、その後に同様にして
生成されるオンライン・ニューラルネットワーク４２２
と比較判定され、もしその燃焼状態の判定結果が実際の
運転状態にマッチしていないと評価されると新たに生成
されたオンライン・ニューラルネットワーク４２２に更
新される。すなわち、新たに生成されたオンライン・ニ
ューラルネットワーク４２２が稼働ニューラルネットワ
ーク４２０とされる。

【００５３】なお、このオンライン・ニューラルネット
ワーク４２２の生成は、燃焼装置の稼働中の全ての期間
においてなされてもよく、あるいは稼働ニューラルネッ
トワーク４２１の燃焼状態の判定が実際の運転にマッチ
しなくなったときに限定されてなされてもよい。

【００５４】そして、可変ニューラルネットワーク手段
４２の燃焼状態の判定または評価結果は、確率的統合処
理手段４４に入力される。なお、確率的統合処理手段４
４が設けられていない場合には、可変ニューラルネット
ワーク手段４２の燃焼状態の判定または評価結果がその
まま出力される。

【００５５】確率的統合処理手段４４は、カラー画像撮
像手段１０による撮像が、覗き窓を通してなされるため
に、燃焼領域の全域を撮像することができず、そのた
め、例えば火炎の揺らぎや燃焼むらにより、時間の隔た
りがあまりない画像について異なった判定や評価なされ
るのを防ぐ処理を行うものである。この処理をより具体
的に説明すれば次のようになる。

【００５６】可変ニューラルネットワーク手段４２の出
力パターンが、例えば燃焼悪化、燃焼適正、燃焼過剰の
それぞれのパターンとの適合度として出力されるため、
ある燃焼状態が２以上のパターン、例えば燃焼悪化、燃
焼適正の両パターンとも適合度がある閾値以上で出力さ
れる場合がある。かかる状態に対して、確率的統合処理
手段４４は、Dempster & Shaferの確率理論を用いて、
複数の支持信号に対する信頼度区間を計算し、適合度間
のあいまいさの定量化を図って、最も信頼性の高いと判
断される評価結果を出力する。

【００５７】燃焼制御処理手段４６は、前記燃焼判定ま
たは評価結果に応じて空気供給量、燃料供給量、燃焼室
内への注水量などのプロセス制御量を算出するものであ
る。

【００５８】プロセス制御量出力処理手段３４は、燃焼
制御装置へプロセス信号として出力される空気供給量、
燃料供給量、燃焼室内への注水量などのプロセス制御量
の信号形態の処理を行い、燃焼制御装置による処理に適
した信号に変換するものである。このプロセス制御量出
力処理手段４６は、例えば出力インターフェースとされ
る。

【００５９】なお、これら表色系変換手段２２、特徴パ
ラメータ抽出・生成手段２４、可変ニューラルネットワ
ーク手段４２、確率的統合処理手段４４および燃焼制御
処理手段４６は、具体的には、例えばボードコンピュー
タに前記機能に対応させたプログラムを格納することに
より実現される。

【００６０】

【実施例】以下、より具体的な実施例に基づいて本発明
をより詳細に説明する。

【００６１】本実施例に用いられる燃焼判定・制御装置
の概略図を図４に示す。同判定・制御装置Ａは、ケーブ
ルを介して接続されているカラーテレビカメラ１０で撮
像されたカラー画像を画像処理装置１で処理して燃焼状
態の判定または評価を行い、ついでその判定まはた評価
により燃焼制御装置３によりおよび燃焼制御を行うもの
である。

【００６２】カラーテレビカメラ１０の構成については
特に限定はなく、従来よりカラー画像の撮像のために用
いられている各種カラーテレビカメラとすることができ
る。

【００６３】画像処理装置１は、データバスにより接続
されている、プロセス状態量入力処理手段３２およびプ
ロセス制御量出力処理手段３４として機能するプロセス
信号入出力処理部３０と、表色系変換手段２２および特
徴パラメータ抽出・生成手段２４として機能する画像処
理部２０と、可変ニューラルネットワーク手段４２、確
率的統合処理手段４４および燃焼制御処理手段４６とし
て機能する人工知能処理部４０とを有している。そのた
め、画像処理部２０は、例えば、画像入力ボードと第１
画像メモリボード（ＲＧＢ画像メモリ）と高速演算ボー
ドと第２画像メモリボードとパラメータメモリボードと
画像処理ＣＰＵボードとを有し、人工知能処理部４０
は、例えば、可変ニューラルネットワーク部と確率的統
合処理部と燃焼制御処理部とを有している。なお、試験
段階におけるプログラムの修正等の便宜のために、この
画像処理装置１の人工知能処理部４０には、開発支援コ
ンピュータ５０が接続されるようにされている。

【００６４】しかして、カラーテレビカメラ１０からの
カラー画像は画像入力ボードでＲＧＢ表色系の色度値に
変換された後、第１画像メモリボードに格納され、つい
で高速演算ボードによりＲＧＢ表色系からＹＩＱ表色系
への変換されて、その成分値が算出されて第２画像メモ
リボードに格納される。ついで、前述のようにしてその
色度値や成分値に基づいて特徴パラメータが抽出あるい
は生成される。そして、この抽出あるいは生成された特
徴パラメータはパラメータメモリボードに格納される。

【００６５】さらに、この抽出あるいは生成された特徴
パラメータの値は画像処理ＣＰＵボードにより人工知能
処理部４０の可変ニューラルネットワーク部に入力され
る。この場合、プロセス状態量、例えば燃焼室出口温度
も併せて可変ニューラルネットワーク部に入力されても
よい。また、特徴パラメータは、パラメータメモリボー
ドに代えて、第２画像メモリに領域を分けて格納されて
もよく、また人工知能処理部４０のメモリ（明瞭には図
示されていない）に格納されてもよい。

【００６６】可変ニューラルネットワーク部の初期ニュ
ーラルネットワークは、入力された特徴パラメータの
値、またプロセス状態量が入力されている場合は特徴パ
ラメータおよびプロセス状態量に基づいて燃焼過剰、燃
焼適正、燃焼悪化等の判定または評価を行う（図６参
照）。図７にその評価結果の一例を示す。図７から明ら
かなように、燃焼悪化と燃焼過剰という異なった評価結
果になっているのがわかる。そのため、Dempster & Sha
ferの確率理論を用いて確率的統合処理を行う。すなわ
ち、燃焼悪化のときの適合度、燃焼適正のときの適合度
および燃焼過剰のときの適合度をそれぞれｆ_b，ｆ_s，ｆ
_aとおき、また統合適合度をそれぞれｆ_bA，ｆ_Ba…ｆ_bsA
とおくと、統合適合度ｆ_xYおよびｆ_xyZは各々の下記式
により求められる。

【００６７】 ｆ_xY＝（１−ｆ_x）・ｆ_y／（１−ｆ_x・ｆ_y） ｆ_xyZ＝（１−ｆ_x）・ｆ_yZ／（１−ｆ_x・ｆ_yZ） ここに、 ｆ_bA：ｆ_b，ｆ_aからの燃焼過剰適合度 ｆ_Ba：ｆ_b，ｆ_aからの燃焼悪化適合度 ・ ・ ・ ｆ_bsA：ｆ_b，ｆ_s，ｆ_aからの燃焼過剰適合度

【００６８】ｘ，ｙ，ｚ：ａ，ｂ，ｃのいずれかであっ
て、互いに異なるものである。

【００６９】Ｘ，Ｙ，Ｚ：Ａ，Ｂ，Ｃのいずれかであっ
て、互いに異なるものである。

【００７０】前記統合適合度に関する式により、図６の
場合の燃焼状態を判定する。図７から、ｆ_bは０．１６
と読み取れ、またｆ_aは０．９４と読み取れる。これら
の値を前記式に代入して計算すると、統合適合度ｆ_bA，
ｆ_Baはそれぞれ０．９２９および０．０１１となる。し
たがって、燃焼過剰と評価される。

【００７１】ここで用いたニューラルネットワークは、
入力層、中間層および出力層からなる階層的ニューラル
ネットワークで構成される。中間層の各セルは、全ての
入力層と接続されている。また、出力層の各セルも全て
の中間層のセルと接続されている。そして、各セルの出
力値Ｏ_iは、下記式のジグモイド関数で表される。

【００７２】Ｏ_i＝１／（１＋ｅｘｐ（−Σω_ijＯ_j）） ここで、ω_ijはセルｊからセルｉへの結合係数であり、
教示データを用いた学習により値が定められる。

【００７３】学習には、バックプロパゲーション法を用
い、教示データＴ_iが与えられると、ω_ijの修正量は下
記式で求められる。

【００７４】 Δω_ij（ｋ）＝αδ_jＯ_i＋βΔω_ij（ｋ−１） δ_j＝（Ｔ_i−Ｏ_i）Ｏ_i（１−Ｏ_i） ここで、ｋは繰返し回数を示す。

【００７５】そして、学習のための教師データ群として
下記に示す構成の時系列データを、運転後のトレンドデ
ータのＣＯ値、Ｏ₂値から探索し、燃焼悪化、燃焼適
正、燃焼過剰の３種について、合計７３パターンを抽出
し、ニューラルネットワークの学習を３０００回繰り返
した。その結果、得られたニューラルネットワークの教
師データに対するエラーは０．５９％となった。

【００７６】教師データ例 （１）ニューラルネットワーク教師入力データパターン ＮＩ_１ ：Ｙ_１１，Ｙ_１２…Ｙ_１３０，Ｉ_１１，Ｉ_１２
…Ｉ_１３０，Ｑ_１１，Ｑ_１２…Ｑ_１３０，Ｔ_１１，Ｔ
_１２…Ｔ_{１３０，・・・} ・ ・ ・ ＮＩ_ｉ ：Ｙ_ｉ１，Ｙ_ｉ２…Ｙ_ｉ３０，Ｉ_ｉ１，Ｉ_ｉ２
…Ｉ_ｉ３０，Ｑ_ｉ１，Ｑ_ｉ２…Ｑ_ｉ３０，Ｔ_ｉ１，Ｔ
_ｉ２…Ｔ_{ｉ３０，・・・} ・ ・ ・ ＮＩ_７３：Ｙ_７３１，Ｙ_７３２…Ｙ_７３３０，
Ｉ_７３１，Ｉ_７３２…Ｉ_７３３０，Ｑ_７３１，Ｑ_７３２
…Ｑ_７３３０，Ｔ_７３１，Ｔ_７３２…Ｔ
_{７３３０，・・・} （２）ニューラルネットワーク教師出力データパターン ＮＯ₁ ：燃焼過剰 ・ ・ ・ ＮＯ_i ：燃焼適正 ・ ・ ・ ＮＯ₇₃：燃焼悪化

【００７７】ついで、稼働中の燃焼装置からオンライン
で教師データを取り込み、前述の手順にしたがってオン
ライン・ニューラルネットワークを生成した。その際、
Ｊ_１ ^ｓの閾値を、例えば基本教師データを２０％変化さ
せた値に設定し、またＪ₂ ^ｓの閾値も同様に基本教師デ
ータを２０％変化させた値に設定した。

【００７８】そして、得られたオンライン・ニューラル
ネットワークと初期ニューラルネットワークと燃焼状態
の判定結果の比較を行った。その結果を図８に示す。な
お、図８（ａ）は初期ニューラルネットワークのものを
示し、同（ｂ）はオンライン・ニューラルネットワーク
のものを示す。図８によりオンライン・ニューラルネッ
トワークにおいては状態識別信号の後にＣＯの増加が認
められるのに対し、初期ニューラルネットワークにおい
ては状態識別信号がＣＯの増加に対応していないのがわ
かる。そのため、初期ニューラルネットワークはオンラ
インニューラルネットワークに更新される。

【００７９】しかして、可変ニューラルネットワーク部
からＣＯの増加を示す状態識別信号が生成されると、燃
焼制御処理部では、ＣＯの発生を抑制するために、前記
燃焼状態の評価結果に応じて、例えば、供給空気量、燃
料供給量、燃焼室内への注水量に対して、次のような処
理がなされる。

【００８０】（１）燃焼悪化と判定された場合 燃焼が悪化した場合には、急冷により反応が凍結され、
かつ高温での平衡組成ガス排出されることによりＣＯが
発生するので、次の処理がなされる。

【００８１】１次空気量 １次空気量を増加する。これにより層燃焼を一時的に活
発とし、層温度および燃焼室温度を上昇させる。

【００８２】２次空気量 ２次空気量を減少する。これにより燃焼室の冷却が抑え
られ、燃焼室温度が上昇する。

【００８３】燃料供給量 燃料供給量を増加する。これにより燃料減少による燃焼
悪化が回避される。

【００８４】燃焼室内への注水量 燃焼室内への注水量を増加する。これにより下記に示す
水谷のＣＯ酸化反応式における水分項が増加してＣＯの
酸化が促進され、ＣＯ濃度が低下する。

【００８５】-d〔CO〕/dt=1.2x10¹¹〔CO〕〔O₂〕^0.3〔H
₂O〕^0.5exp(-8050/T)

【００８６】（２）燃焼過剰と判定された場合 燃焼が過剰になった場合には、混合が一様でなく、局所
的に燃料過濃ガス塊が排出されることによりＣＯが発生
するので、次の処理がさなれる。

【００８７】１次空気量 １次空気量を増加する。これにより、ガス混合を促進す
るとともに、Ｏ₂不足を解消する。

【００８８】２次空気量 ２次空気量を増加する。これにより燃焼室でのガス混合
を促進するとともに、Ｏ₂不足を解消する。

【００８９】燃料供給量 燃料供給量を減少する。これにより適正燃料量に移行さ
せる。

【００９０】燃焼室内への注水量 燃焼室内への注水量を増加する。これにより前記ＣＯ酸
化反応式における水分項が増加してＣＯの酸化が促進さ
れ、ＣＯの濃度が低下する。

【００９１】

【発明の効果】以上説明してきたように、本発明におい
ては、燃焼装置の稼働中に新たにニューラルネットワー
クを生成し、その新たに生成されたニューラルネットワ
ークを燃焼装置からオンラインで取り込んだ運転データ
から作成された教師データにより燃焼装置の稼働中に学
習させ、ついでその新たに生成されたニューラルネット
ワークの燃焼状態の判定結果等と燃焼状態の判定を行っ
ているニューラルネットワークの燃焼状態の判定結果等
とを比較し、新たに生成されたニューラルネットワーク
の燃焼状態の判定結果が燃焼装置の燃焼状態にマッチし
ていると判断された場合、稼働中のニューラルネットワ
ークをその新たに生成されたニューラルネットワークに
更新するようにしているので、燃料性状が季節により大
幅に変動したとしても、燃焼装置の運転状況をマッチし
た燃焼状態の判定がなし得るという優れた効果が得られ
る。

【００９２】本発明の好ましい形態においては、ニュー
ラルネットワークの判定または評価結果を確率的に統合
処理して燃焼状態を判定または評価しているので、火炎
の揺らぎや燃焼むらにより短時間の間に画像が不規則的
に変動しても、かかる変動に影響されずに燃焼状態を的
確に判定または評価できるという優れた効果が得られ
る。

【００９３】また、本発明による燃焼制御においては、
前記判定または評価結果に応じて、空気供給量、１次空
気と２次空気と比率、燃焼室内への注水量、燃料供給量
等のプロセス制御量の調整を行っているので、季節ごと
の燃料性状の変化による燃焼状態の変化に即応でき、そ
のためＣＯの抑制等が図られた低公害燃焼を可能とし、
大気汚染が防止されるという優れた効果が得られる。

【図面の簡単な説明】

【図１】本発明の燃焼判定・制御方法が適用されている
燃焼装置の概略図である。

【図２】本発明の燃焼状態判定・制御方法に用いる燃焼
判定・制御装置の機能ブロック図である。

【図３】同燃焼判定・制御装置の可変ニューラルネット
ワーク手段の機能ブロック図である。

【図４】本発明に用いられるニューラルネットワークの
説明図である。

【図５】本発明の実施例にかかわる燃焼状態判定・制御
装置のブロック図である。

【図６】実施例におけるニューラルネットワークの説明
図である。

【図７】実施例における評価結果の一例を示すグラフで
ある。

【図８】実施例の燃焼状態の判定結果のグラフであっ
て、同（ａ）は初期ニューラルネットワークの判定結果
を示し、同（ｂ）オンライン・ニューラルネットワーク
の判定結果を示す。

【符号の説明】

１ 画像処理装置 ２ ファジィシステム ３ 燃焼制御装置 １０ カラー画像撮像手段、カラーテレビカメ
ラ ２０ 画像処理部 ２２ 表色系変換手段 ２４ 特徴パラメータ抽出・生成手段 ３０ プロセス信号入出力処理部 ３２ プロセス状態量入力処理手段 ３４ プロセス制御量出力処理手段 ４０ 人工知能処理部 ４２ 可変ニューラルネットワーク手段 ４４ 確率的統合処理手段 ４６ 燃焼制御処理部 ５０ 開発支援コンピュータ Ａ 燃焼判定・制御装置

───────────────────────────────────────────────────── フロントページの続き (72)発明者 宮本 裕一 明石市川崎町１番１号 川崎重工業株式会 社明石工場内 (72)発明者 澤井 恒義 明石市川崎町１番１号 川崎重工業株式会 社明石工場内 (72)発明者 西野 公祥 明石市川崎町１番１号 川崎重工業株式会 社明石工場内 (72)発明者 森 芳信 明石市川崎町１番１号 川崎重工業株式会 社明石工場内 (72)発明者 月本 功 明石市川崎町１番１号 川崎重工業株式会 社明石工場内 (72)発明者 小倉 一樹 明石市川崎町１番１号 川崎重工業株式会 社明石工場内 (72)発明者 越田 力 神戸市中央区東川崎町１丁目１番３号 川 崎重工業株式会社神戸本社内

Claims (15)

【特許請求の範囲】
1. 【請求項１】 カラー画像を利用してニューラルネット
   ワークにより燃焼装置の燃焼状態の判定を行う燃焼判定
   方法において、燃焼状態の判定に用いられているニュー
   ラルネットワークの燃焼状態の判定または評価結果が妥
   当しなくなった場合、稼働中の燃焼装置からの運転デー
   タに基づいて作成された教師データを用いて学習を行っ
   た新たなニューラルネットワークに、燃焼状態の判定に
   用いられているニューラルネットワークが、その燃焼装
   置の稼働中に更新されて燃焼状態の判定または評価がな
   されること特徴とする燃焼判定方法。
2. 【請求項２】 燃焼状態をカラー画像で撮像する手順
   と、 得られたカラー画像を画像処理して赤成分、緑成分およ
   び青成分の３成分画像に分ける手順と、 前記３成分画像の表色系の変換を行う手順と、 得られた３成分画像および／または前記表色系変換後の
   画像から燃焼状態に大きくかかわっている特徴パラメー
   タを抽出および／または生成する手順と、 前記抽出および／または生成された特徴パラメータをニ
   ューラルネットワークの入力として用い、典型的な燃焼
   状態との適合度を求めて燃焼状態を判定または評価する
   手順と、 燃焼状態の判定に用いられているニューラルネットワー
   クの燃焼状態の判定または評価結果が妥当しなくなった
   場合、そのニューラルネットワークを稼働中の燃焼装置
   からの運転データに基づいて作成された教師データを用
   いて学習を行った新たなニューラルネットワークに、そ
   の燃焼装置の稼働中に更新して燃焼状態の判定または評
   価する手順とを含んでなることを特徴とするカラー画像
   を利用した燃焼判定方法。
3. 【請求項３】 撮像されたカラー画像から、火炎の領域
   を分離する手順が付加されてなることを特徴とする請求
   項２記載のカラー画像を利用した燃焼判定方法。
4. 【請求項４】 前記適合度を確率的に統合処理して燃焼
   状態を判定または評価することを特徴とする請求項２ま
   たは３記載のカラー画像を利用した燃焼判定方法。
5. 【請求項５】 前記教師データが、ニューラルネットワ
   ークの更新作業において変更されない燃焼装置の典型的
   な燃焼状態に関する基本教師データと、稼働中の燃焼装
   置からの運転データに基づいて変更される可変教師デー
   タとされてなることを特徴とする請求項１または２記載
   の燃焼判定方法。
6. 【請求項６】 前記稼働中の燃焼装置の運転データに基
   づいて作成された可変教師データ中、所定の条件を満足
   するものが、それに対応する所定の条件を満足する可変
   教師データと置換されることを特徴とする請求項５記載
   の燃焼判定方法。
7. 【請求項７】 請求項１、２、３、４、５または６記載
   の燃焼判定方法による燃焼状態の判定または評価結果を
   用いて燃焼制御がなされることを特徴とするカラー画像
   を利用した燃焼制御方法。
8. 【請求項８】 前記燃焼制御が、空気供給量、１次空気
   量および２次空気量の割合、燃焼室内への注水量または
   燃料供給量を調整することによりなされることを特徴と
   する請求項７記載のカラー画像を利用した燃焼制御方
   法。
9. 【請求項９】 カラー画像撮像手段と表色系変換手段と
   特徴パラメータ抽出・生成手段と可変ニューラルネット
   ワーク手段とを備え、 前記可変ニューラルネットワーク手段が、燃焼状態の判
   定を行っている稼働ニューラルネットワークと、燃焼装
   置の運転データをオンラインで取り込んで作成された教
   師データにより新たなニューラルネットワークを生成す
   るオンライン・ニューラルネットワーク生成手段と、該
   オンライン・ニューラルネットワーク生成手段により生
   成された新たなニューラルネットワークと稼働ニューラ
   ルネットワークの燃焼状態の判定または評価結果を評価
   するネットワーク評価手段と、該ネットワーク評価手段
   により稼働ニューラルネットワークの燃焼状態の判定ま
   たは評価結果が妥当しないと評価された場合に稼働ニュ
   ーラルネットワークを新たなニューラルネットワークに
   更新する更新手段とを有し、 前記表色系変換手段により、撮像された画像の表色系の
   変換がなされ、 前記特徴パラメータ抽出・生成手段により、変換された
   表色系の成分値および／または撮像された画像の３成分
   値に基づいて特徴パラメータが抽出および／または生成
   され、 前記可変ニューラルネットワーク手段により、前記特徴
   パラメータに基づいて典型的な燃焼状態との適合度が算
   出されて燃焼状態が判定または評価されることを特徴と
   するカラー画像を利用した燃焼判定装置。
10. 【請求項１０】 カラー画像撮像手段と表色系変換手段
    と、特徴パラメータ抽出・生成手段と、可変ニューラル
    ネットワーク手段と、確率的統合処理手段とを備え、 前記可変ニューラルネットワーク手段が、燃焼状態の判
    定を行っている稼働ニューラルネットワークと、燃焼装
    置の運転データをオンラインで取り込んで作成された教
    師データにより新たなニューラルネットワークを生成す
    るオンライン・ニューラルネットワーク生成手段と、該
    オンライン・ニューラルネットワーク生成手段により生
    成された新たなニューラルネットワークと稼働ニューラ
    ルネットワークの燃焼状態の判定または評価結果を評価
    するネットワーク評価手段と、該ネットワーク評価手段
    により稼働ニューラルネットワークの燃焼状態の判定ま
    たは評価結果が妥当しないと評価された場合に稼働ニュ
    ーラルネットワークを新たなニューラルネットワークに
    更新する更新手段とを有し、 前記表色系変換手段により、撮像された画像の表色系の
    変換がなされ、 前記特徴パラメータ抽出・生成手段により、変換された
    表色系の成分値および／または撮像された画像の３成分
    値に基づいて特徴パラメータが抽出および／または生成
    され、 前記可変ニューラルネットワーク手段により、前記特徴
    パラメータに基づいて典型的な燃焼状態との適合度が算
    出され、 前記確率的統合処理手段により、算出された適合度が確
    率的に処理されて燃焼状態が判定または評価されること
    を特徴とするカラー画像を利用した燃焼判定装置。
11. 【請求項１１】 プロセス状態量入力処理手段とカラー
    画像撮像手段と表色系変換手段と特徴パラメータ抽出・
    生成手段と可変ニューラルネットワーク手段と燃焼制御
    処理手段とプロセス制御量出力処理手段とを備え、 前記可変ニューラルネットワーク手段が、燃焼状態の判
    定を行っている稼働ニューラルネットワークと、燃焼装
    置の運転データをオンラインで取り込んで作成された教
    師データにより新たなニューラルネットワークを生成す
    るオンライン・ニューラルネットワーク生成手段と、該
    オンライン・ニューラルネットワーク生成手段により生
    成された新たなニューラルネットワークと稼働ニューラ
    ルネットワークの燃焼状態の判定または評価結果を評価
    するネットワーク評価手段と、該ネットワーク評価手段
    により稼働ニューラルネットワークの燃焼状態の判定ま
    たは評価結果が妥当しないと評価された場合に稼働ニュ
    ーラルネットワークを新たなニューラルネットワークに
    更新する更新手段とを有し、 前記表色系変換手段により撮像された画像の表色系の変
    換がなされ、 前記特徴パラメータ抽出・生成手段により、変換された
    表色系の成分値および／または撮像された画像の３成分
    値に基づいて特徴パラメータが抽出および／または生成
    され、 前記可変ニューラルネットワーク手段により、前記特徴
    パラメータに基づいて典型的な燃焼状態との適合度が算
    出されて燃焼状態が判定または評価され、 前記燃焼制御処理手段により、前記燃焼状態の判定また
    は評価結果に基づいてプロセス制御量が算出され、 前記プロセス制御量出力処理手段により、前記プロセス
    制御量に対し所定の処理がなされて出力されることを特
    徴とするカラー画像を利用した燃焼制御装置。
12. 【請求項１２】 プロセス状態量入力処理手段とカラー
    画像撮像手段と表色系変換手段と特徴パラメータ抽出・
    生成手段と可変ニューラルネットワーク手段と確率的統
    合処理手段と燃焼制御処理手段とプロセス制御量出力処
    理手段とを備え、 前記可変ニューラルネットワーク手段が、燃焼状態の判
    定を行っている稼働ニューラルネットワークと、燃焼装
    置の運転データをオンラインで取り込んで作成された教
    師データにより新たなニューラルネットワークを生成す
    るオンライン・ニューラルネットワーク生成手段と、該
    オンライン・ニューラルネットワーク生成手段により生
    成された新たなニューラルネットワークと稼働ニューラ
    ルネットワークの燃焼状態の判定または評価結果を評価
    するネットワーク評価手段と、該ネットワーク評価手段
    により稼働ニューラルネットワークの燃焼状態の判定ま
    たは評価結果が妥当しないと評価された場合に稼働ニュ
    ーラルネットワークを新たなニューラルネットワークに
    更新する更新手段とを有し、 前記表色系変換手段により、撮像された画像の表色系の
    変換がなされ、 前記特徴パラメータ抽出・生成手段により変換された表
    色系の成分値および／または撮像された画像の３成分値
    に基づいて特徴パラメータが抽出および／または生成さ
    れ、 前記可変ニューラルネットワーク手段により、前記プロ
    セス状態量入力手段からのプロセス状態量および特徴パ
    ラメータに基づいて、典型的な燃焼状態との適合度が算
    出され、 前記確率的統合処理手段により、算出された適合度が確
    率的に処理されて燃焼状態が評価され、 前記燃焼制御処理手段により、前記燃焼状態の判定また
    は評価結果に基づいてプロセス制御量が算出され、 前記プロセス制御量出力処理手段により、前記プロセス
    制御量に対し所定の処理がなされて出力されることを特
    徴とするカラー画像を利用した燃焼制御装置。
13. 【請求項１３】 前記教師データが、ニューラルネット
    ワークの更新作業において変更されない燃焼装置の典型
    的な燃焼状態に関する基本教師データと、稼働中の燃焼
    装置からの運転データに基づいて変更される可変教師デ
    ータとされてなることを特徴とする請求項９ないし１２
    のいずれかに記載の装置。
14. 【請求項１４】 前記稼働中の燃焼装置の運転データに
    基づいて作成された可変教師データ中、所定の条件を満
    足するものがそれに対応する所定の条件を満足する可変
    教師データと置換されることを特徴とする請求項１３記
    載の装置。
15. 【請求項１５】 前記プロセス制御量が、空気供給量、
    １次空気量および２次空気量の割合、燃焼室内への注水
    量または燃料供給量に関するものであることを特徴とす
    る請求項１１または１２記載の燃焼制御装置。