TWI680260B - 爐內狀態量推定裝置、推定模型作成裝置、其之程式以及方法 - Google Patents

爐內狀態量推定裝置、推定模型作成裝置、其之程式以及方法 Download PDF

Info

Publication number
TWI680260B
TWI680260B TW107135344A TW107135344A TWI680260B TW I680260 B TWI680260 B TW I680260B TW 107135344 A TW107135344 A TW 107135344A TW 107135344 A TW107135344 A TW 107135344A TW I680260 B TWI680260 B TW I680260B
Authority
TW
Taiwan
Prior art keywords
furnace
state
estimation
state quantity
image
Prior art date
Application number
TW107135344A
Other languages
English (en)
Other versions
TW201923286A (zh
Inventor
岩下信治
Nobuharu IWASHITA
佐瀬遼
Ryo SASE
新川恵理子
Eriko SHINKAWA
嶺聡彦
Toshihiko Mine
松本崇寛
Takahiro Matsumoto
Original Assignee
日商三菱重工業股份有限公司
Mitsubishi Heavy Industries, Ltd.
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 日商三菱重工業股份有限公司, Mitsubishi Heavy Industries, Ltd. filed Critical 日商三菱重工業股份有限公司
Publication of TW201923286A publication Critical patent/TW201923286A/zh
Application granted granted Critical
Publication of TWI680260B publication Critical patent/TWI680260B/zh

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N5/00—Systems for controlling combustion
    • F23N5/26—Details
    • F23N5/265—Details using electronic means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
    • F23G5/50—Control or safety arrangements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G2207/00—Control
    • F23G2207/10—Arrangement of sensing devices
    • F23G2207/101—Arrangement of sensing devices for temperature
    • F23G2207/1015—Heat pattern monitoring of flames
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G2207/00—Control
    • F23G2207/30—Oxidant supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N2223/00—Signal processing; Details thereof
    • F23N2223/08—Microprocessor; Microcomputer
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N2223/00—Signal processing; Details thereof
    • F23N2223/48—Learning / Adaptive control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N2229/00—Flame sensors
    • F23N2229/20—Camera viewing

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Incineration Of Waste (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)

Abstract

爐內狀態量推定裝置，具備：特徵量抽出部，其係從拍攝了爐內的影像抽出特徵量；特徵量選擇部，其係從已抽出的特徵量中，選擇1個以上的特徵量；學習資料產生部，其係把與在影像所示出的燃燒狀態相應的爐的狀態量、和已選擇的特徵量予以對應關聯，經此，產生學習資料；推定模型作成部，其係使用學習資料，作成從爐內的影像推定燃燒狀態的推定模型；以及推定狀態量算出部，其係取得拍攝了爐內之影像，使用推定模型，推定與在取得的影像所示的燃燒狀態相應的狀態量；其中，特徵量，係以對成為推定對象的狀態量之貢獻度為基礎來選擇。

Description

爐內狀態量推定裝置、推定模型作成裝置、其之程式以及方法
本揭示有關基於拍攝了燃燒爐的爐內的影像資訊之燃燒狀態的監視技術。
例如在專利文獻1～2揭示出，根據燃燒爐內的影像資訊來判定燃燒狀態之手法。具體方面，在專利文獻1揭示出，根據從燃燒影像(影像資訊)所求出的燃燒器火炎的表面溫度分布來檢測異常燃燒狀態之方法。而且，在專利文獻2揭示出，於燃燒爐，對使用設置在提升火炎燃燒的燃料的一次燃燒範圍的正上部之電視攝影機(攝像裝置)所攝影到的影像做影像處理，根據該影像處理所得的影像的亮度的變化量，利用模糊推論手段預測二次燃燒範圍中的一氧化碳濃度的變動。其他，也有從用TV攝影機拍攝到的影像目視火炎的形狀，來監視燃燒狀態之手法(參閱專利文獻1)。

[先前技術文獻]
[專利文獻]
[專利文獻1]日本特開平4-143515號專利專利公報
[專利文獻2]日本特開2001-4116號專利專利公報
[發明欲解決之課題]
專利文獻1為求出火炎的表面溫度分布者，於影像資訊表示出火炎是有必要的緣故，所以難以適用在因為燃燒時的排放氣體或爐內攝影機的設置位置等的影響導致在影像資訊無法顯現火炎的狀況。另一方面，在專利文獻2考慮到，根據利用影像處理所得到的影像的亮度的變化量來進行預測的緣故，所以是有即便火炎沒有顯現在影像資訊也沒關係的可能性，燃燒爐的種類或攝影機的配置位置等的限制小，是更容易適用之手法。但是，例如收集並解析基於熟練的操作員的經驗之判定手法等，來用於進行模糊推論所致之控制的規則化是有必要。本來，燃燒狀態係因為燃燒對象(燃料)的種類(垃圾、煤炭等)、燃燒環境氣體(空氣量、爐內溫度等)、燃燒器形狀等的各式各樣的要因而變化的緣故，在沒有熟練者有過經驗的狀況下是難以進行燃燒狀態的適切的判定，而且，也無法否定存在有連熟練者都還沒有認知到的判定基準的可能性。
而且，例如也考慮到了以在燃燒爐的運轉中計測灰中未燃燒部分、NOx濃度、CO濃度等的狀態量的方式來判定燃燒狀態的手法，但是，在對於狀態量的計測需要時間的情況(例如灰中未燃燒部分等)下，要把根據計測結果所進行的燃燒狀態的判定結果即時用在運轉控制是有困難的。
有鑑於上述的情事，本發明的至少一實施方式係其目的在於提供一種爐內狀態量推定裝置，該爐內狀態量推定裝置係根據爐內的影像資訊迅速且精度良好地推定可以判定爐內的燃燒狀態之狀態量。

[解決課題之手段]
(1)有關本發明的至少一實施方式之爐內狀態量推定裝置，具備： 　　特徵量抽出部，其係從拍攝了爐內的影像抽出特徵量；
特徵量選擇部，其係從已抽出的前述特徵量中，選擇1個以上的前述特徵量；
學習資料產生部，其係把與在前述影像所示出的燃燒狀態相應的前述爐的狀態量、和已選擇的前述特徵量予以對應關聯，經此，產生學習資料；
推定模型作成部，其係使用前述學習資料，作成從前述爐內的影像推定燃燒狀態的推定模型；以及
推定狀態量算出部，其係取得拍攝了爐內之前述影像，使用前述推定模型，推定與在取得的前述影像所示的燃燒狀態相應的前述狀態量；
其中，
前述特徵量，係以對成為推定對象的前述狀態量之貢獻度為基礎來選擇。
根據上述(1)的構成，因應爐內的燃燒狀態，例如灰中未燃燒部分、或NOx濃度、CO濃度等的狀態量發生變化，使用經由讓爐內的燃燒時的影像資訊、以及拍攝了其影像資訊之際的狀態量(計測值或推定值)做了對應關聯之學習資料的機械學習所作成的推定模型，從拍攝了燃燒時的爐內之影像資訊，推定在其燃燒狀態所產生的狀態量(推定狀態量)。藉此，可以從爐內的影像資訊迅速且精度良好地推定狀態量。
(2)在若干個實施方式中，於上述(1)的構成中，
前述推定模型作成部，係使用前述學習資料進行機械學習，經此，作成前述推定模型。
根據上述(2)的構成，經由把爐內的燃燒時的影像資訊、以及拍攝了其影像資訊之際的狀態量予以對應關聯來作成學習資料，從已作成的學習資料進行機械學習，經此，可以作成推定模型。
(3)在若干個實施方式中，於上述(1)～(2)的構成中，
前述貢獻度，乃是表示與前述狀態量相對之相關的大小之指標。
根據上述(3)的構成，貢獻度乃是表示與狀態量相對之相關的大小之指標，根據貢獻度選擇特徵量，經此，可以使影像的不同處顯眼。
(4)在若干個實施方式中，於上述(1)～(3)的構成中，
前述特徵量選擇部，係
算出從各個前述特徵量算出前述狀態量之回歸式，
把已算出的前述回歸式中的前述特徵量的各個的貢獻率作為前述貢獻度。
根據上述(4)的構成，可以根據回歸式中的特徵量的各個的貢獻率來設定貢獻度。
(5)在若干個實施方式中，於上述(1)～(4)的構成中，
前述特徵量抽出部，係根據從前述過去的影像所得到的亮度資訊，抽出前述特徵量。
根據上述(5)的構成，亮度資訊並不是檢測火炎本身而是從影像所得到的資訊，例如即便是在把攝像裝置設置在爐內的上部等因排放氣體而拍攝不到火炎的情況下，也可以得到影像資訊。藉此，用於拍攝爐內的攝像裝置(爐內攝影機)的設置也可以容易化。
(6)在若干個實施方式中，於上述(1)～(5)的構成中，
前述狀態量，乃是與在前述爐內的燃燒時所生出的排放氣體或是排出物相關的狀態量；
前述學習資料產生部，係藉由與從拍攝了前述影像時開始經過特定的時間後在前述狀態量的計測地點所計測到的計測值予以對應關聯，來產生前述學習資料。
根據上述(6)的構成，學習資料，係考慮到在藉由過去影像資訊所示的燃燒狀態所生的排放氣體或是排出物一直到達狀態量的計測地點為止的時間延遲來作成。這樣的時間延遲是有因為燃燒爐的種類或計測地點的位置而無法忽略不同之情況，經由考慮到時間延遲而作成學習資料，可以作成推定精度高的推定模型。
(7)在若干個實施方式中，於上述(1)～(6)的構成中，
前述推定模型作成部，係使用複數個機械學習的手法來作成複數個前述推定模型。
根據上述(7)的構成，可以用各個根據複數個機械學習手法(演算法)而分別作成的複數個推定模型，推定狀態量。例如，比較複數個機械學習手法的各個所致之推定結果、與構成學習資料之狀態量(計測值等)，經此，可以從複數個推定模型中選擇推定精度高的推定模型，可以選擇適用於學習資料等的條件(影像尺寸、學習資料數等)或燃燒爐的種類等之推定模型。
(8)在若干個實施方式中，於上述(1)～(7)的構成中，
更具備再學習決定部，其係在前述狀態量的推定值、與前述狀態量的計測值的差異超過了特定的閾值的情況下，決定再學習所致之前述推定模型的再作成。
根據上述(8)的構成，在確認了推定精度下降的情況下，判定有必要再作成再學習所致之推定模型。因應該判定，經由再學習重新作成推定模型，再取得新的推定模型，據此，可以持續適切的推定精度所致之推定。因此，可以一邊追隨上燃燒爐的運轉環境的變化等，一邊從輸入影像資訊精度良好地推定狀態量。
(9)有關本發明的至少一實施方式之推定模型作成裝置，具備推定模型作成部，
該推定模型作成部係：進行讓根據拍攝到爐內的影像所得到的特徵量也就是根據過去的前述影像所得到的過去影像資訊、以及與在前述過去的影像所示的燃燒狀態相應的狀態量做了對應關聯之學習資料的機械學習，從拍攝了前述爐內的輸入影像資訊，作成推定推定狀態量之推定模型。
根據上述(9)的構成，與上述(2)同樣，經由把爐內的燃燒時的影像資訊、以及拍攝了其影像資訊之際的狀態量予以對應關聯來作成學習資料，從已作成的學習資料進行機械學習，經此，可以作成推定模型。可以藉由使用該推定模型，可以從燃燒時的爐內的影像資訊(輸入影像資訊)迅速推定狀態量。
而且，根據上述(9)的構成，從燃燒時的爐內的影像資訊(輸入影像資訊)迅速推定狀態量，經此，在灰中未燃燒部分、NOx濃度、CO濃度等的狀態量上升的情況下，發出警報來通知操作員，或者是自動作動用於使這些的狀態量減少的操作，藉此，可以維持即時的運轉控制所致之最佳的燃燒狀態。
(10)有關本發明的至少一實施方式之爐內狀態量推定程式，係用於使電腦執行以下的步驟：
特徵量抽出步驟，其係從拍攝了爐內的影像抽出特徵量；
特徵量選擇步驟，其係從已抽出的前述特徵量中，選擇1個以上的前述特徵量；
學習資料產生步驟，其係把與在前述影像所示出的燃燒狀態相應的前述爐的狀態量、和已選擇的前述特徵量予以對應關聯，經此，產生學習資料；
推定模型作成步驟，其係使用前述學習資料，作成從前述爐內的影像推定燃燒狀態的推定模型；以及
推定狀態量算出步驟，其係取得拍攝了爐內之前述影像，使用前述推定模型，推定與在取得的前述影像所示的燃燒狀態相應的前述狀態量；
其中，
前述特徵量，係以對成為推定對象的前述狀態量之貢獻度為基礎來選擇。
根據上述(10)的構成，發揮與上述(1)同樣的效果。
(11)在若干個實施方式中，於上述(10)的構成中，
前述推定模型作成步驟，係使用前述學習資料進行機械學習，經此，作成前述推定模型。
根據上述(11)的構成，發揮與上述(2)同樣的效果。
(12)有關本發明的至少一實施方式之爐內狀態量推定方法，具備：
特徵量抽出步驟，其係從拍攝了爐內的影像抽出特徵量；
特徵量選擇步驟，其係從已抽出的前述特徵量中，選擇1個以上的前述特徵量；
學習資料產生步驟，其係把與在前述影像所示出的燃燒狀態相應的前述爐的狀態量、和已選擇的前述特徵量予以對應關聯，經此，產生學習資料；
推定模型作成步驟，其係使用前述學習資料，作成從前述爐內的影像推定燃燒狀態的推定模型；以及
推定狀態量算出步驟，其係取得拍攝了爐內之前述影像，使用前述推定模型，推定與在取得的前述影像所示的燃燒狀態相應的前述狀態量；
其中，
前述特徵量，係以對成為推定對象的前述狀態量之貢獻度為基礎來選擇。
根據上述(12)的構成，發揮與上述(1)同樣的效果。
(13)在若干個實施方式中，於上述(12)的構成中，
前述推定模型作成步驟，係使用前述學習資料進行機械學習，經此，作成前述推定模型。
根據上述(13)的構成，發揮與上述(2)同樣的效果。

[發明效果]
根據本發明的至少一實施方式，可以提供一種爐內狀態量推定裝置，該爐內狀態量推定裝置係根據爐內的影像資訊迅速且精度良好地推定可以判定爐內的燃燒狀態之狀態量。
以下，參閱附圖，說明有關本發明的若干個實施方式。但是，作為實施方式所記載或是圖面所揭示的構成零件的尺寸、材質、形狀、其相對的配置等，其主旨並非用來限定本發明的範圍，只不過是單純的說明例。
例如，表示「在某方向」、「沿某方向」、「平行」、「正交」、「中心」、「同心」或者是「同軸」等的相對的或者是絶對的配置之表現，係不僅是嚴謹地表示出這樣的配置，也表示因公差、或者是可以得到相同功能的程度的角度或距離而相對變位的狀態。
例如，表示「相同」，「相等」及「均質」等的物事為相等的狀態之表現，係不僅是嚴謹地表示相等的狀態，也表示存在著公差、或者是可以得到相同功能的程度的差的狀態。
例如，表示四角形狀或圓桶形狀等的形狀之表現，係不僅是以幾何學上的嚴謹的意味下的四角形狀或圓桶形狀等的形狀，也表示在可以得到相同效果的範圍下，包含凹凸部或倒角部等的形狀。
另一方面，所謂「備有」、「具有」、「具備」、「包含」或是「有」一構成要件之表現，並不是要排除其他的構成要件的存在之排他的表現。
圖1為概略性表示有關本發明的一實施方式之設置了爐內狀態量推定裝置1之燃燒爐7的構成之圖。圖1表示的實施方式的燃燒爐7，乃是把都市垃圾或是事業廢棄物等作為燃料Fg之推料式(stoker type)的垃圾焚化爐；爐內狀態量推定裝置1係推定垃圾焚化爐中的，例如灰中未燃燒部分、NOx濃度、CO濃度等的狀態量S。以下，把具備燃燒垃圾的燃燒範圍8(燃燒室)之垃圾焚化爐作為燃燒爐7的例子來說明本發明，但是，本發明並不被限定在本實施方式。在其他若干個實施方式，爐內狀態量推定裝置1，係也可以構成推定因應具備使把鍋爐、IGCC中的煤炭氣體化的汽化爐等的燃料Fg燃燒之燃燒室的燃燒爐7中的燃燒狀態而變化的狀態量S。垃圾焚化爐或鍋爐、氣體燃燒爐等係在具有後述的上部7c及側壁部7s這一點為共通，在燃燒爐7為鍋爐或氣體燃燒爐的情況下，可以適宜地把以下記載的燃燒爐7改稱為鍋爐或汽化爐。
說明有關圖1表示的垃圾焚化爐，於燃燒爐7，燃料Fg從燃料供給口71被燃料擠入裝置72壓入到爐內後，在位於燃燒範圍8的爐篦73(機動爐排)上乾燥、燃燒、餘燼燃燒，變成灰(燃燒灰)，灰被灰排出口74排出到爐外。而且，燃燒爐7係在其爐內，具有燃燒範圍8；該燃燒範圍是以一次燃燒範圍81以及二次燃燒範圍82所構成；該一次燃燒範圍是位於爐篦73上，是由燃料Fg提升火炎使其旺盛燃燒的主燃燒範圍81a及進行餘燼燃燒的餘燼燃燒範圍82b所組成；該二次燃燒範圍是使爐篦73的上方中的未燃燒部分的燃料燃燒。燃料Fg的燃燒用氣體G係通過氣體供給管77供給到爐內，其中，從送風機等的氣體供給裝置76透過第1氣體流量調節閥78a來從爐篦73的下部供給到一次燃燒範圍81，或是從氣體供給裝置76透過第2氣體流量調節閥78b來從燃燒爐7的側部供給到二次燃燒範圍82。燃燒用氣體G的代表例子是空氣，但是，只要是可燃性氣體就可以，例如也可以用特定的混合比來與從一次燃燒範圍81排出的EGR氣體(燃燒排放氣體)混合，產生燃燒用氣體G。另一方面，燃燒燃料Fg所產生的排放氣體E，係通過排放氣體通路91，經過排放氣體處理裝置92，從煙囪93排出。
而且，如圖1表示，在燃燒爐7，設置用於拍攝爐內的攝像裝置6。攝像裝置6例如是可以拍攝動態畫像或是靜止畫面像中至少其中一方的爐內攝影機。更具體方面，攝像裝置6例如是數位攝像機、視訊攝影機，只要是可以檢測特定的波長的紅外線攝影機等的攝影機即可。在圖1表示的實施方式中，攝像裝置6被設置在位置在一次燃燒範圍81的上方(在圖1為正上部)之燃燒爐7的上部7c，構成從正上方拍攝燃燒狀態。但是，本發明不被限定在本實施方式，在其他若干個實施方式中，攝像裝置6也可以設置在燃燒爐7的側壁部7s等，燃燒爐7的上部7c以外的位置。例如，在形成側壁部7s中的二次燃燒範圍82的部分、或是其更往上的部分(更靠近上部7c的部分)設置攝像裝置6，並且，也可以為了拍攝一次燃燒範圍81所位置的下方而設置成朝向斜下方。如此藉由攝像裝置6所拍攝到的燃料Fg的燃燒時的爐內的影像V(燃燒影像)，被記憶(儲存)在連接到攝像裝置6的記憶裝置。在圖1表示的實施方式中，構成被記憶在爐內狀態量推定裝置1的記憶裝置1m，但是，在其他若干個實施方式中，例如後述的推定模型作成裝置2b所具備的記憶裝置、或其他的裝置的記憶裝置等， 只要是記憶在與爐內狀態量推定裝置1為不同體的記憶裝置即可。
接著，關於爐內狀態量推定裝置1，使用圖2說明之。圖2為表示有關本發明的一實施方式之爐內狀態量推定裝置1的功能之方塊圖。如圖2表示，爐內狀態量推定裝置1具備：推定模型取得部3、輸入影像資訊取得部4、以及推定狀態量算出部5。在圖2表示的實施方式中，爐內狀態量推定裝置1更具備推定模型作成部2，構成使用藉由推定模型作成部2所作成的推定模型M，進行上述的功能部(3~5)所致之狀態量S的推定。
關於上述的功能部，分別說明之。
尚且，爐內狀態量推定裝置1係用電腦來構成，具備未圖示的CPU(處理器)、ROM或RAM之記憶體或成為外部記憶裝置等之記憶裝置1m。接著，依據裝載在記憶體(主記憶裝置)的程式(爐內狀態量推定程式、推定模型作成程式)的命令讓CPU動作(資料的演算等)，藉此實現爐內狀態量推定裝置1所具備之上述的各功能部等。換言之，上述的程式乃是使電腦實現上述的各功能部的軟體。
推定模型作成部2，係進行讓根據拍攝了燃燒爐7的爐內之影像V(以下，間單稱作影像V。)所得到的影像資訊I也就是根據過去的影像V所得到的過去影像資訊Ip、以及與在過去影像資訊Ip所示的燃燒狀態對應的狀態量S做了對應關聯的學習資料D的機械學習，作成推定模型M學習資料D，係構成複數筆把根據過去的影像V所得到的過去影像資訊Ip(影像資訊I)、與拍攝了該過去的影像V之際的狀態量S的計測值Sr或是推定值做了對應關聯的資料(學習構成資料)。影像資訊I，係可以是拍攝了爐內的影像V本身，也可以是如後述般，可以從影像V抽出的特徵量F。而且，影像V，係可以是靜止畫面像，也可以是構成動態畫像的訊框(影像)。接著，推定模型作成部2，係使用公知個機械學習的手法(演算法)中至少1種，來執行學習資料D的機械學習，經此，作成用於從影像資訊I算出狀態量S的推定模型M，把已作成的推定模型M記憶到外部記憶裝置等的記憶裝置1m。
在圖2表示的實施方式中，取得與過去的影像V的拍攝時序同步來對灰中未燃燒部分取樣、或是用感測器計測NOx濃度或CO濃度等，經此，取得狀態量S，並且，對應關聯在根據其過去的影像V所得到的過去影像資訊Ip所取得的狀態量S，藉此，作成各學習構成資料。尚且，灰中未燃燒部分的值是成為燃燒效率的指標，可以經由用分析計加熱在爐出口取樣到的灰，並計測此時的重量變化的手法(JIS M 8815)來求得。關於推定模型M的作成的詳細，後述之。
接著，接著進行說明的推定模型取得部3、輸入影像資訊取得部4、及推定狀態量算出部5，係構成把欲求出的狀態量S的推定值(推定狀態量Se)之影像資訊I(後述的輸入影像資訊It)，輸入到藉由推定模型作成部2所作成的推定模型M，經此，推定與輸入影像資訊It對應的狀態量S。
取得藉由推定模型取得部3、推定模型作成部2所作成的推定模型M。在圖2表示的實施方式中，推定模型取得部3，係經由把記憶在外部記憶裝置的推定模型M，讀入到RAM等的記憶體的方式，來取得推定模型M。但是，本發明不被限定在本實施方式。在其他若干個實施方式中，也可以是，與爐內狀態量推定裝置1為不同體的推定模型作成裝置2b具備推定模型作成部2(推定模型作成程式)。該情況下，爐內狀態量推定裝置1的推定模型取得部3，係可以透過例如通訊網路、或USB記憶體等之可以攜帶的記憶媒體，來取得藉由推定模型作成裝置2b所作成的推定模型M。
輸入影像資訊取得部4，係取得上述的影像資訊I中，成為輸入到推定模型M的輸入影像資訊It。輸入影像資訊It，是有必要是與過去影像資訊Ip為相同種類的資訊。在圖2表示的實施方式中，輸入影像資訊取得部4，係連接到設置在燃燒爐7的攝像裝置6，可以即時輸入藉由攝像裝置6所拍攝到的影像V。而且，輸入影像資訊取得部4，係從影像V抽出後述的特徵量F(後述)。
推定狀態量算出部5，係使用推定模型M算出：與在藉由輸入影像資訊取得部4所取得的輸入影像資訊It所表示出的燃燒狀態對應之推定狀態量Se。換言之，根據推定模型M演算輸入影像資訊It，作為其結果輸出推定狀態量Se。在圖2表示的實施方式中，顯示在顯示器等的顯示裝置。此時，加上此次算出的推定狀態量Se，可以一起顯示包含記憶在記憶裝置1m等之過去已算出的1個以上的推定狀態量Se，也可以顯示推定狀態量Se之時間上的推移。藉此，燃燒爐7的操作員等，係經由確認顯示在顯示器的推定狀態量Se，可以定量地掌握與表示在影像資訊I的燃燒狀態對應的狀態量S。
根據上述的構成，因應爐內的燃燒狀態，例如灰中未燃燒部分、或NOx濃度、CO濃度等的狀態量S發生變化，使用經由讓爐內的燃燒時的影像資訊I、以及拍攝了其影像資訊I之際的狀態量S(計測值Sr或推定值等)做了對應關聯之學習資料D的機械學習所作成的推定模型M，從拍攝了燃燒時的爐內之影像資訊I，推定在其燃燒狀態所產生的狀態量S(推定狀態量Se)。一起表示藉此，可以從爐內的影像資訊迅速且精度良好地推定狀態量。
接著，說明有關與推定模型作成部2相關之若干個實施方式。
在若干個實施方式中，如圖2表示，推定模型作成部2，具備：特徵量抽出部21、學習資料產生部23、以及機械學習執行部24。關於上述的功能部，分別說明之。
特徵量抽出部21，係從過去的影像V抽出至少1個特徵量F。特徵量F乃是可以捕捉到影像V的特徵之指標。換言之，特徵量F為可以把與其他的影像V的不同處予以定量化之指標。例如，特徵量F，只要是出現在影像V或是根據影像V所得到的形狀、大小、顏色、濃淡、亮度、溫度(溫度分布)、波長(波長分布)等的資訊，或是這些的資訊中至少一個的資訊的變化量即可。在把特徵量F決定為上述的變化量等的情況下，可以是經由例如立方高階局部自相關特徵量(CHLAC特徵量)、CNN(Convolution Neural Network)、AE(Auto Encoder)所得到的特徵。CHLAC特徵量，係具有可以緊緻地表現在影像V的整體所顯現出的時空間變動之優點。CNN係以摺積(convolution)處理或匯總(pooling)處理，而且在AE是以編碼處理來得到特徵的方式，具有可以有效果地取得並縮小影像V的整體的特徵之優點。
在圖2表示的實施方式中，特徵量抽出部21，係根據從過去的影像V所得到的亮度資訊，抽出特徵量F。更具體方面，根據亮度資訊所抽出的特徵量F，可以是從影像V所得到的亮度的值(亮度值)本身，也可以是亮度值的平均、波峰等的統計值。或者是，上述的特徵量F，也可以是具有特定值以上的亮度之部分的面積、形狀、大小中任意一個者。只要是亮度值的變化量即可。尚且，也可以於亮度資訊，含有從經由轉換亮度值所得到的溫度或溫度分布等的亮度值而可以轉換的資訊。特徵量抽出部21，係從過去的影像V，抽出這些特徵量F中的1個或是複數個特徵量F。亮度資訊並不是檢測火炎本身而是從影像V所得到的資訊，例如即便是在把攝像裝置6設置在爐內的上部等因排放氣體E而拍攝不到火炎的情況下，也可以得到影像資訊I。藉此，用於拍攝爐內的攝像裝置6(爐內攝影機)的設置也可以容易化。
學習資料產生部23，係把藉由特徵量抽出部21所抽出之至少1個特徵量F與狀態量S予以對應關聯，經此，產生學習資料D。亦即，從複數個過去的影像V分別抽出的1個或是複數個特徵量F，係相當於對應關聯到各狀態量S之上述的過去影像資訊Ip。尚且，學習資料產生部23，也可以對已抽出的特徵量F，進行例如平均值化處理等的任意的前處理，並把被前處理過的特徵量F與狀態量S予以對應關聯。
機械學習執行部24，係根據藉由學習資料產生部23所產生出的學習資料D，執行機械學習。機械學習執行部24，係用類神經網路、廣義線性模型等的公知的機械學習的手法(演算法)中任意一個進行機械學習即可。
根據上述的構成，作成對應關聯過去的影像V的特徵量F與狀態量S之學習資料D，使用該學習資料D，進行機械學習。如此，著眼於特徵量F與狀態量S的關係來進行機械學習，經此，可以作成推定精度高的推定模型M。
而且，在上述的特徵量抽出部21抽出複數個特徵量F的情況下，在若干個實施方式中，如圖2表示，推定模型作成部2，也可以更具有特徵量選擇部22；該特徵量選擇部係從藉由特徵量抽出部21所抽出的複數個特徵量F中，根據對狀態量S的貢獻度C，來選擇N個(N表示1以上的整數。)的特徵量F。該情況下，上述的學習資料產生部23，係把藉由特徵量選擇部22所選擇出的N個的特徵量F與狀態量S予以對應關聯，經此，產生學習資料D。在圖2表示的實施方式中，特徵量選擇部22，係根據預先設定的N個數，自動選擇貢獻度C大的上位N個(精煉)。但是，本發明不被限定在本實施方式。在其他若干個實施方式中，在特徵量選擇部22所自動選擇出的特徵量F及貢獻度C表示成操作員等所能理解之下，也可以構成查核方塊的點選等所致之操作員所致之選擇操作(選擇、選擇解除)。該情況下，特徵量選擇部22，係根據受理操作員所致之選擇操作的結果，進行特徵量F的選擇(取得)。在其他若干個實施方式中，特徵量選擇部22，係也可以一覽表示特徵量F及其貢獻度C，受理經由操作員的選擇操作所選擇出的N個，藉此，進行特徵量F的選擇。
在此，上述的貢獻度C，係意味著表示與狀態量S相對之相關的大小之指標。因此，貢獻度C越是高的特徵量F，與其變化相應，狀態量S更大幅變化。與表示燃燒狀態的影像V(特徵量F)的變化相應而狀態量S也變化的話，貢獻度C也可以稱為表示特徵量F是否可以捕捉到狀態量S的變化之指標。因此，貢獻度C越是高的特徵量F，越可以使影像V的不同處顯眼。
在若干個實施方式中，貢獻度C也可以是回歸分析中的貢獻率。具體方面，針對從1個過去的影像V所抽出的複數(n個)個特徵量F之各個，分別對應關聯與影像V對應之相同的狀態量S，藉此，作成僅特徵量F為相異之複數(n個)個資料設定(n個的資料設定的集合=｛(F1 ，Sa )，(F2 ，Sa )，…，(Fn ，Sa )｝。n為整數，Sa 為灰中未燃燒部分等的狀態量S的值)。據此分別求出有關構成學習資料D之複數個學習構成資料。接著，針對利用從複數個學習構成資料所得到，具有例如F1 之所謂相同的特徵量F之複數個資料設定所構成的集合，執行回歸分析，求出用於從特徵量F算出狀態量S的回歸式。接著，也可以用實際值的離勢，對使用上述的資料設定而經由回歸式所算出的狀態量S的預測值的離勢，做除法運算，藉此，算出回歸式的貢獻率。
在其他的實施方式中，也可以從複數個學習構成資料，求出利用從1個過去影像資訊Ip所抽出的複數個特徵量F與狀態量S(實際值)所組成的資料設定，經由多元迴歸分析，求出從複數個特徵量F求出狀態量S的回歸式(S=Σ(bi ×Fi )+c)，(i=1，2，3，…，n。n為2以上的整數。)，並且，根據回歸式中的係數(係數bi )的大小，例如算出比例等，來算出貢獻度C。
根據上述的構成，根據貢獻度C精煉特徵量F，經此，可以提升推定模型M所致之狀態量S的推定精度。
但是，本發明不被限定在上述的實施方式。在其他若干個實施方式中，爐內狀態量推定裝置1(推定模型作成部2)，也可以不具備：特徵量抽出部21、特徵量選擇部22、學習資料產生部23。該情況下，對爐內狀態量推定裝置1輸入作成推定模型作成部2的學習資料D的話，機械學習執行部24係使用已被輸入的學習資料D本身，執行機械學習。該情況下，學習資料D係可以藉由與爐內狀態量推定裝置1為不同體的其他裝置來作成，也可以用人力來作成。
而且，在若干個實施方式中，推定模型作成部2係使用複數個機械學習的手法來作成複數個推定模型M。可以任意採用公知的機械學習的手法(演算法)，例如也可以分別作成類神經網路、廣義線性模型等的推定模型M。
根據上述的構成，可以用各個根據複數個機械學習手法(演算法)而分別作成的複數個推定模型M，推定狀態量S。例如，比較複數個機械學習手法的各個所致之推定結果、與構成學習資料D之狀態量S(計測值Sr等)，經此，可以從複數個推定模型M中選擇推定精度高的推定模型M，可以選擇適用於學習資料D等的條件(影像尺寸、學習資料數等)或燃燒爐7的種類等之推定模型M。
接著，說明有關與學習資料D的作成(學習資料產生部23)相關的若干個實施方式。
在上述的狀態量S為與爐內的燃燒時所生的排放氣體E、或是排放氣體E中所含的燃燒灰等的排出物有關的狀態量S的情況下，在若干個實施方式中，如圖2表示，上述的學習資料產生部23，係對於上述的過去影像資訊Ip，把從拍攝到成為該過去影像資訊Ip的基礎的影像V時開始經過特定的時間後在狀態量S的計測地點所計測到的計測值Sr予以對應關聯，藉此，產生學習資料D。經由燃料Fg的燃燒所生的排放氣體E，係從燃燒範圍8朝向排放氣體通路91而流動(參閱圖1)，但是，在從影像V所示的拍攝地點(位置)一直到狀態量S的計測地點為止有距離的情況下，在影像V所示的燃燒狀態下所產生出的排放氣體E一直到到達狀態量S的計測地點為止是存在有時間延遲(特定時間)。為此，考慮到該時間延遲，把影像V與狀態量S的計測值Sr予以對應關聯。尚且，例如，在垃圾焚化爐的時間延遲，係與把燒粉煤的鍋爐等燃料Fg細細粉碎而使其燃燒的情況相比，還要更長。
例如，學習資料產生部23，係可以控制成在從影像V的拍攝時序經過特定的時間後計測NOx濃度或CO濃度等的狀態量S，把影像V與狀態量S的計測值Sr予以對應關聯。在灰中未燃燒部分的情況下，也可以在從影像V的拍攝時序經過特定的時間後進行了取樣後，把影像V與試樣的分析結果(計測值Sr)予以對應關聯。或者是，也可以從已經保存中的影像V的集合及狀態量S的計測值Sr的集合，參閱影像V的拍攝時間及狀態量S的各個的計測時間等的時間資訊，檢索從影像V的拍攝時間起算具有與預先查找的經過特定時間後的時間一致的計測時間之計測值Sr，把兩者予以對應關聯。
根據上述的構成，學習資料D，係考慮到在藉由過去影像資訊Ip所示的燃燒狀態下所生的排放氣體E一直到到達狀態量S的計測地點為止的時間延遲來作成。這樣的時間延遲是有因為燃燒爐的種類或計測地點的位置而無法忽略不同之情況，經由考慮到時間延遲而作成學習資料D，可以作成推定精度高的推定模型M。
而且，在若干個實施方式中，上述的學習資料產生部23，係也可以根據與預先設定的學習資料D的作成相關的參數，作成學習資料D。具體方面，參數係可以是左右畫質的像素數(影像尺寸)、應包含在學習資料D的學習構成資料的數據、對影像V之前處理的內容等中至少1個者。以調整參數的方式，可以適切設定推定模型M所致之推定精度。
其他，在若干個實施方式中，如圖2表示，爐內狀態量推定裝置1，更具備再學習決定部13，該再學習決定部係在推定狀態量Se、與狀態量S的計測值Sr的差異超過了特定的閾值的情況下，決定再作成再學習所致之推定模型M。用在再學習的決定的狀態量S的計測值Sr，係以例如比爐內狀態量推定裝置1的推定間隔還長的定期的時序等的任意的時序來計測。接著，輸入狀態量S的計測值Sr到爐內狀態量推定裝置1的話，再學習決定部13，係算出推定狀態量Se與狀態量S的計測值Sr的差異，並且，根據閾值，判定再學習的必要性。例如，上述的差異，也可以是對推定狀態量Se與狀態量S的計測值Sr做完除法運算後結果的絕對值。尚且，只要可以算出差異，是不問演算方法的。再圖2表示的實施方式中，在決定了再學習的情況下，通知其要旨到推定模型作成部2，推定模型作成部2，係以該通知為契機，進行推定模型M的再作成。
根據上述的構成，在確認了推定精度下降的情況下，判定有必要再作成再學習所致之推定模型M。因應該判定，經由再學習重新作成推定模型M，再取得新的推定模型M，據此，可以持續適切的推定精度所致之推定。因此，可以一邊追隨上燃燒爐的運轉環境的變化等，一邊從輸入影像資訊It精度良好地推定狀態量S。
以下，關於與上述的爐內狀態量推定裝置1(爐內狀態量推定程式)所執行的處理對應之爐內狀態量推定方法，使用圖3～圖5說明之。圖3為表示有關本發明的一實施方式的爐內狀態量推定方法之流程圖。圖4為表示有關本發明的一實施方式的推定模型作成步驟(S1)之流程圖。而且，圖5為表示有關本發明的一實施方式的再學習決定步驟之流程圖。爐內狀態量推定程式，係使電腦執行下述的各步驟。
在若干個實施方式中，如圖3表示，爐內狀態量推定方法，具備：推定模型取得步驟(S2)、輸入影像資訊取得步驟(S3)、以及推定狀態量算出步驟(S4)。本實施方式中，在若干個實施方式下，如圖3表示，爐內狀態量推定方法更具備推定模型作成步驟(S1)，該推定模型作成步驟係在上述的推定模型取得步驟(S2)之前執行。
依圖3的步驟順序，說明圖3表示的爐內狀態量推定方法。
圖3的步驟S1中，執行推定模型作成步驟。推定模型作成步驟，乃是進行上述的學習資料D的機械學習，作成上述的推定模型M之步驟。推定模型作成步驟，係與上述的推定模型作成部2所執行的處理內容相同。關於詳細部分，後述之。尚且，推定模型作成步驟，也可以使電腦執行與爐內狀態量推定程式有別的程式(推定模型作成程式)。
步驟S2中，執行推定模型取得步驟。推定模型取得步驟，乃是執行上述的推定模型M之步驟。推定模型取得步驟，係與上述的推定模型取得部3所執行的處理內容相同的緣故，省略詳細部分。
步驟S3中，執行輸入影像資訊取得步驟。輸入影像資訊取得步驟，乃是取得上述的輸入影像資訊It之步驟。輸入影像資訊取得步驟，係與上述的輸入影像資訊取得部4所執行的處理內容相同的緣故，省略詳細部分。
步驟S4中，執行推定狀態量算出步驟。推定狀態量算出步驟，乃是使用藉由推定模型取得步驟(S2)所取得的推定模型M，算出與在藉由上述的輸入影像資訊取得步驟(S3)所取得的輸入影像資訊It所表示出的燃燒狀態對應之推定狀態量Se之步驟。推定狀態量算出步驟，係與上述的推定狀態量算出部5所執行的處理內容相同的緣故，省略詳細部分。
根據上述的構成，可以從爐內的影像資訊I迅速且精度良好地推定狀態量S。
在若干個實施方式中，如圖4表示，推定模型作成步驟(S1)，具有：特徵量抽出步驟(S11)、學習資料產生步驟(S13)、以及機械學習執行步驟(S14)。本實施方式中，在若干個實施方式下，如圖4表示，推定模型作成步驟(S1)更具有特徵量選擇步驟(S12)；該特徵量選擇步驟係在這些的特徵量抽出步驟(S11)與學習資料產生步驟(S13)之間執行。
依圖4的步驟順序，說明圖4表示的推定模型作成步驟(S1)。
圖4的步驟S11中，執行特徵量抽出步驟。特徵量抽出步驟，乃是從藉由攝像裝置6所拍攝出過去的影像V，抽出至少1個特徵量F之步驟。特徵量抽出步驟，係與上述的特徵量抽出部21所執行的處理內容相同的緣故，省略詳細部分。
圖4的步驟S12中，執行特徵量選擇步驟。特徵量選擇步驟，乃是在藉由上述的特徵量抽出步驟(S11)抽出了複數個特徵量F的情況下，從前述複數個特徵量中，根據對狀態量S的貢獻度，選擇N個(N表示1以上的整數。)的特徵量F之步驟。特徵量選擇步驟(S12)，係與上述的特徵量選擇部22所執行的處理內容相同的緣故，省略詳細部分。
圖4的步驟S13中，執行學習資料產生步驟。學習資料產生步驟，乃是經由把上述的過去影像資訊Ip也就是至少1個特徵量F與狀態量S予以對應關聯，來產生學習資料D之步驟。學習資料產生步驟，係與上述的學習資料產生部23所執行的處理內容相同的緣故，省略詳細部分。
步驟S14中，執行機械學習執行步驟。機械學習執行步驟，乃是執行藉由上述的學習資料產生步驟(S13)所產生出的學習資料D的機械學習之步驟。機械學習執行步驟，係與上述的機械學習執行部24所執行的處理內容相同的緣故，省略詳細部分。
根據上述的構成，著眼於特徵量F與狀態量S的關係來進行機械學習，經此，可以作成推定精度高的推定模型M。
而且，在若干個實施方式中，如圖5表示，爐內狀態量推定方法更具備再學習決定步驟(S51～S55)。再學習決定步驟(S51～S55)，係與上述的再學習決定部13所執行的處理內容相同。在圖5表示的實施方式中，步驟S51中，經由在任意的時序進行計測的方式，取得狀態量S的計測值Sr。步驟S52中，取得經由推定狀態量算出步驟(S4)算出的推定狀態量Se。步驟S53中，從狀態量S的計測值Sr對推定狀態量Se做除法運算等而算出差分(差異)。接著，在步驟S54，在判定出上述的差分超過特定的閾值的情況下，在步驟S55決定再學習。相反地，在判定出上述的差分為特定的閾值以下的情況下，決定不用再學習，結束再學習決定步驟。
本發明並不被上述的實施方式限定，也包含在上述的實施方式加上變形的型態、或把這些的型態予以適宜組合的型態。
1‧‧‧爐內狀態量推定裝置
1m‧‧‧記憶裝置
13‧‧‧再學習決定部
2‧‧‧推定模型作成部
21‧‧‧特徵量抽出部
22‧‧‧特徵量選擇部
23‧‧‧學習資料產生部
24‧‧‧機械學習執行部
2b‧‧‧推定模型作成裝置
3‧‧‧推定模型取得部
4‧‧‧輸入影像資訊取得部
5‧‧‧推定狀態量算出部
6‧‧‧攝像裝置
7‧‧‧燃燒爐
7c‧‧‧燃燒爐的上部
7s‧‧‧燃燒爐的側壁部
71‧‧‧燃料供給口
72‧‧‧燃料擠入裝置
73‧‧‧爐篦(爐排，stoker)
74‧‧‧灰排出口
76‧‧‧氣體供給裝置
77‧‧‧氣體供給管
78a‧‧‧第1氣體流量調節閥
78b‧‧‧第2氣體流量調節閥
8‧‧‧燃燒範圍
81‧‧‧一次燃燒範圍
81a‧‧‧主燃燒範圍
82b‧‧‧餘燼燃燒範圍
82‧‧‧二次燃燒範圍
91‧‧‧排放氣體通路
92‧‧‧排放氣體處理裝置
93‧‧‧煙囪
Fg‧‧‧燃料
G‧‧‧燃燒用氣體
E‧‧‧排放氣體
S‧‧‧狀態量
Sr‧‧‧狀態量的計測值
D‧‧‧學習資料
V‧‧‧影像
I‧‧‧影像資訊
Ip‧‧‧過去影像資訊
It‧‧‧輸入影像資訊
M‧‧‧推定模型
Se‧‧‧推定狀態量
F‧‧‧特徵量
C‧‧‧貢獻度
ai‧‧‧係數
bi‧‧‧係數
[圖1] 為概略性表示有關本發明的一實施方式之設置了爐內狀態量推定裝置之燃燒爐的構成之圖。
[圖2] 為表示有關本發明的一實施方式之爐內狀態量推定裝置的功能之方塊圖。
[圖3] 為表示有關本發明的一實施方式的爐內狀態量推定方法之流程圖。
[圖4] 為表示有關本發明的一實施方式的推定模型作成步驟(S1)之流程圖。
[圖5] 為表示有關本發明的一實施方式的再學習決定步驟之流程圖。

Claims (14)

  1. 一種爐內狀態量推定裝置，具備：特徵量抽出部，其係從拍攝了爐內的影像抽出特徵量；特徵量選擇部，其係從已抽出的前述特徵量中，選擇1個以上的前述特徵量；學習資料產生部，其係把與在前述影像所示出的燃燒狀態相應的前述爐的狀態量、和已選擇的前述特徵量予以對應關聯，經此，產生學習資料；推定模型作成部，其係使用前述學習資料，作成從前述爐內的影像推定燃燒狀態的推定模型；以及推定狀態量算出部，其係取得拍攝了爐內之前述影像，使用前述推定模型，推定與在取得的前述影像所示的燃燒狀態相應的前述狀態量；其中，前述特徵量，係以對成為推定對象的前述狀態量之貢獻度為基礎來選擇。
  2. 如請求項1的爐內狀態量推定裝置，其中，前述推定模型作成部，係使用前述學習資料進行機械學習，經此，作成前述推定模型。
  3. 如請求項1或是2的爐內狀態量推定裝置，其中，前述貢獻度，乃是表示與前述狀態量相對之相關的大小之指標。
  4. 如請求項1或是2的爐內狀態量推定裝置，其中，前述特徵量選擇部，係算出從各個前述特徵量算出前述狀態量之回歸式，把已算出的前述回歸式中的前述特徵量的各個的貢獻率作為前述貢獻度。
  5. 如請求項1或是2的爐內狀態量推定裝置，其中，前述特徵量抽出部，係根據從前述過去的影像所得到的亮度資訊，抽出前述特徵量。
  6. 如請求項1或是2的爐內狀態量推定裝置，其中，前述狀態量，乃是與在前述爐內的燃燒時所生出的排放氣體或是排出物相關的狀態量；前述學習資料產生部，係藉由與從拍攝了前述影像時開始經過特定的時間後在前述狀態量的計測地點所計測到的計測值予以對應關聯，來產生前述學習資料。
  7. 如請求項1或是2的爐內狀態量推定裝置，其中，前述推定模型作成部，係使用複數個機械學習的手法來作成複數個前述推定模型。
  8. 如請求項1或是2的爐內狀態量推定裝置，其中，更具備再學習決定部，其係在前述狀態量的推定值、與前述狀態量的計測值的差異超過了特定的閾值的情況下，決定再學習所致之前述推定模型的再作成。
  9. 一種推定模型作成裝置，具備推定模型作成部，該推定模型作成部係：進行讓根據拍攝到爐內的影像所得到的特徵量也就是根據過去的前述影像所得到的過去影像資訊、以及與在前述過去的影像所示的燃燒狀態相應之灰中未燃燒部分、NOx濃度、或CO濃度中至少包含1個的狀態量做了對應關聯之學習資料的機械學習，從拍攝了前述爐內的輸入影像資訊，作成推定推定狀態量之推定模型。
  10. 如請求項9的推定模型作成裝置，其中，前述特徵量，係以對成為推定對象的前述狀態量之貢獻度為基礎來選擇。
  11. 一種爐內狀態量推定程式，係用於使電腦執行以下的步驟：特徵量抽出步驟，其係從拍攝了爐內的影像抽出特徵量；特徵量選擇步驟，其係從已抽出的前述特徵量中，選擇1個以上的前述特徵量；學習資料產生步驟，其係把與在前述影像所示出的燃燒狀態相應的前述爐的狀態量、和已選擇的前述特徵量予以對應關聯，經此，產生學習資料；推定模型作成步驟，其係使用前述學習資料，作成從前述爐內的影像推定燃燒狀態的推定模型；以及推定狀態量算出步驟，其係取得拍攝了爐內之前述影像，使用前述推定模型，推定與在取得的前述影像所示的燃燒狀態相應的前述狀態量；其中，前述特徵量，係以對成為推定對象的前述狀態量之貢獻度為基礎來選擇。
  12. 如請求項11的爐內狀態量推定程式，其中，前述推定模型作成步驟，係使用前述學習資料進行機械學習，經此，作成前述推定模型。
  13. 一種爐內狀態量推定方法，具備：特徵量抽出步驟，其係從拍攝了爐內的影像抽出特徵量；特徵量選擇步驟，其係從已抽出的前述特徵量中，選擇1個以上的前述特徵量；學習資料產生步驟，其係把與在前述影像所示出的燃燒狀態相應的前述爐的狀態量、和已選擇的前述特徵量予以對應關聯，經此，產生學習資料；推定模型作成步驟，其係使用前述學習資料，作成從前述爐內的影像推定燃燒狀態的推定模型；以及推定狀態量算出步驟，其係取得拍攝了爐內之前述影像，使用前述推定模型，推定與在取得的前述影像所示的燃燒狀態相應的前述狀態量；其中，前述特徵量，係以對成為推定對象的前述狀態量之貢獻度為基礎來選擇。
  14. 如請求項13的爐內狀態量推定方法，其中，前述推定模型作成步驟，係使用前述學習資料進行機械學習，經此，作成前述推定模型。
TW107135344A 2017-10-13 2018-10-08 爐內狀態量推定裝置、推定模型作成裝置、其之程式以及方法 TWI680260B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-199427 2017-10-13
JP2017199427A JP6824859B2 (ja) 2017-10-13 2017-10-13 炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法

Publications (2)

Publication Number Publication Date
TW201923286A TW201923286A (zh) 2019-06-16
TWI680260B true TWI680260B (zh) 2019-12-21

Family

ID=66100742

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107135344A TWI680260B (zh) 2017-10-13 2018-10-08 爐內狀態量推定裝置、推定模型作成裝置、其之程式以及方法

Country Status (5)

Country Link
JP (1) JP6824859B2 (zh)
DE (1) DE112018005479T8 (zh)
PH (1) PH12019502446A1 (zh)
TW (1) TWI680260B (zh)
WO (1) WO2019073852A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7104653B2 (ja) * 2019-03-29 2022-07-21 Ｊｘ金属株式会社 燃焼設備の操業方法
JP7443683B2 (ja) * 2019-07-02 2024-03-06 Ｊｆｅエンジニアリング株式会社 自動燃焼制御方法および監視センタ
JP7308392B2 (ja) * 2019-08-02 2023-07-14 日本エア・リキード合同会社 炉の制御システム、炉の制御方法およびその制御システムを備える炉
JP7403295B2 (ja) 2019-11-29 2023-12-22 三菱重工業株式会社 燃焼設備、演算方法およびプログラム
JP7316234B2 (ja) * 2020-02-26 2023-07-27 三菱重工業株式会社 制御装置、制御方法およびプログラム
JP7523337B2 (ja) 2020-12-10 2024-07-26 株式会社神鋼環境ソリューション 学習済モデル生成装置、学習済モデル生成プログラム、炉内温度予測装置、炉内温度予測プログラム、学習済モデル、および焼却システム
JP7085039B1 (ja) 2021-03-03 2022-06-15 三菱重工業株式会社 予測モデル作成装置、排ガス濃度制御システム、予測モデル作成方法、及び排ガス濃度制御方法
JP7391286B2 (ja) * 2022-03-02 2023-12-05 荏原環境プラント株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP7390581B2 (ja) * 2022-03-02 2023-12-04 荏原環境プラント株式会社 情報処理装置、情報処理方法、および情報処理プログラム
TW202403235A (zh) * 2022-03-02 2024-01-16 日商荏原環境工程股份有限公司 資訊處理裝置、資訊處理方法、及資訊處理程式

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5249954A (en) * 1992-07-07 1993-10-05 Electric Power Research Institute, Inc. Integrated imaging sensor/neural network controller for combustion systems
JPH06266410A (ja) * 1993-03-11 1994-09-22 Toshiba Corp ビジュアルフィードバック制御装置
JPH1038243A (ja) * 1996-07-23 1998-02-13 Kawasaki Heavy Ind Ltd 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
JP2010097341A (ja) * 2008-10-15 2010-04-30 Fanuc Ltd 入力画像から検出対象物の像を検出する画像処理装置
CN105493089A (zh) * 2013-06-28 2016-04-13 尼克帕沃有限公司 通过热平衡及设计程序和工作人员的工作方式分析的焚烧设施和固体燃料锅炉的诊断和控制及设备寿命周期管理系统及方法
CN105678295A (zh) * 2016-01-04 2016-06-15 武汉科技大学 基于roi平均图像分析的燃气加热炉火焰实时监测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04143515A (ja) 1990-10-02 1992-05-18 Mitsubishi Heavy Ind Ltd バーナの異常検出方法
JPH08128615A (ja) * 1994-11-01 1996-05-21 Kubota Corp ゴミ焼却炉の燃焼制御装置
JPH10160142A (ja) * 1996-11-26 1998-06-19 Kubota Corp 排ガス性状推定システム及び運転訓練システム
JP2001004116A (ja) 1999-06-18 2001-01-12 Mitsubishi Heavy Ind Ltd 燃焼炉の燃焼制御方法及び燃焼制御装置
JP2014234981A (ja) * 2013-06-05 2014-12-15 株式会社タクマ 燃焼炉内の燃焼管理システムおよび燃焼炉の燃焼制御システム
JP6179286B2 (ja) * 2013-09-06 2017-08-16 新日鐵住金株式会社 高炉の操業状況判定方法
JP6696816B2 (ja) * 2016-04-06 2020-05-20 日立造船株式会社 ストーカ式焼却炉

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5249954A (en) * 1992-07-07 1993-10-05 Electric Power Research Institute, Inc. Integrated imaging sensor/neural network controller for combustion systems
JPH06266410A (ja) * 1993-03-11 1994-09-22 Toshiba Corp ビジュアルフィードバック制御装置
JPH1038243A (ja) * 1996-07-23 1998-02-13 Kawasaki Heavy Ind Ltd 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
JP2010097341A (ja) * 2008-10-15 2010-04-30 Fanuc Ltd 入力画像から検出対象物の像を検出する画像処理装置
CN105493089A (zh) * 2013-06-28 2016-04-13 尼克帕沃有限公司 通过热平衡及设计程序和工作人员的工作方式分析的焚烧设施和固体燃料锅炉的诊断和控制及设备寿命周期管理系统及方法
CN105678295A (zh) * 2016-01-04 2016-06-15 武汉科技大学 基于roi平均图像分析的燃气加热炉火焰实时监测方法

Also Published As

Publication number Publication date
JP2019074240A (ja) 2019-05-16
WO2019073852A1 (ja) 2019-04-18
DE112018005479T5 (de) 2020-07-16
JP6824859B2 (ja) 2021-02-03
DE112018005479T8 (de) 2020-09-10
PH12019502446A1 (en) 2020-07-13
TW201923286A (zh) 2019-06-16

Similar Documents

Publication Publication Date Title
TWI680260B (zh) 爐內狀態量推定裝置、推定模型作成裝置、其之程式以及方法
JP6723864B2 (ja) ごみ移動速度検出機能を備えた燃焼制御装置
JP6880146B2 (ja) 燃焼状況評価方法及び燃焼制御方法
US20220252265A1 (en) Systems and methods for detecting discrepancy in a combustion system
JP2014234981A (ja) 燃焼炉内の燃焼管理システムおよび燃焼炉の燃焼制御システム
CA2863911C (en) A method for controlling a combustion and/or gasification device
JP7548109B2 (ja) ごみ質予測装置、焼却炉の燃焼制御装置、ごみ質予測方法、ごみ質予測モデルの学習方法およびごみ質予測モデルプログラム
Vogelbacher et al. Image-based characterization of alternative fuel combustion with multifuel burners
JP4976496B2 (ja) 焼却施設での排ガス燃焼品質を特性化する方法
JP2019219108A (ja) 炉内状況判定方法及び蒸発量制御方法
JP7154537B2 (ja) 画像特徴抽出方法、および、画像特徴抽出装置
US6551094B2 (en) Method and device for determining a soot charge in a combustion chamber
JP7085039B1 (ja) 予測モデル作成装置、排ガス濃度制御システム、予測モデル作成方法、及び排ガス濃度制御方法
JP2021173497A (ja) 廃棄物供給異常検知方法、廃棄物供給制御方法、廃棄物供給異常検知装置および廃棄物供給制御装置
JP2023550304A (ja) 産業プロセスの自動制御のためのシステム及び方法
JPS63298018A (ja) バ−ナ燃焼状態解析装置
JP5203763B2 (ja) 石炭焚きボイラの炭種判別装置及び石炭焚きボイラの炭種判別方法
JP7243491B2 (ja) 炉内監視装置及び炉内監視方法
JP7071437B2 (ja) 燃焼炉の状態推定装置、プログラム及び方法並びに燃焼炉システム
Heck The influence of wind on the structure of inclined flames
JP4187604B2 (ja) 被燃焼物における放射エネルギーの計測方法および計測装置
JP3825148B2 (ja) ごみ焼却炉における燃焼制御方法とその装置
JP7104653B2 (ja) 燃焼設備の操業方法
JP7516963B2 (ja) 情報処理装置および情報処理方法
JP2021173495A (ja) 廃棄物供給異常検知方法、廃棄物供給制御方法、廃棄物供給異常検知装置および廃棄物供給制御装置