JPH10160142A - 排ガス性状推定システム及び運転訓練システム - Google Patents

Abstract

(57)【要約】 【課題】 ゴミ焼却プラントの排ガス中の一酸化炭素又
は窒素酸化物の濃度を推定可能にする排ガス性状推定シ
ステム及び運転訓練システムを提供する。 【解決手段】 排ガス成分推定手段１をニューラルネッ
トワークで構成して、予め制御操作データと、プロセス
データと、それら両データに対応した排ガス中の窒素酸
化物及び一酸化炭素の濃度の実測値とを入力してニュー
ラルネットワークに学習させて、学習後のニューラルネ
ットワークに制御操作データとプロセスデータを入力し
て、排ガス中の窒素酸化物又は一酸化炭素の濃度を推定
出力するように排ガス性状推定システム構成してあり、
模擬プラントを制御する制御装置４と、模擬プラントと
しての第１推定手段２と、模擬プロセスデータから排ガ
ス成分を推定する第二推定手段３として、排ガス成分推
定手段１を用いて運転訓練システムを構成してある。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ゴミ焼却プラント
の排ガス性状判別システム及びゴミ焼却プラントの運転
訓練システムに関し、詳しくは、炉内に装入されたゴミ
を乾燥する乾燥帯と、乾燥後のゴミを燃焼させる燃焼帯
と、燃焼後の燃焼残渣を灰化させる後燃焼帯とを順次形
成したストーカ式のゴミ焼却炉を対象として、ゴミ焼却
炉の制御操作データとゴミ焼却炉の燃焼状態を示すプロ
セスデータとを入力して、ゴミ焼却プラントの排ガス中
の窒素酸化物又は一酸化炭素の濃度を推定する推定手段
を備えたゴミ焼却プラントの排ガス性状推定システム及
びゴミ焼却プラントを制御可能な制御装置と、前記制御
装置に入力される制御操作データに基づき、ゴミ焼却炉
の燃焼状態を示すプロセスデータを推定出力する第一推
定手段と、前記制御操作データと前記プロセスデータを
入力して、前記ゴミ焼却炉からの排ガス中の窒素酸化物
又は一酸化炭素の濃度を推定出力する第二推定手段とで
構成して、被訓練者の制御入力操作に対して、前記第二
推定手段で推定した排ガス中の窒素酸化物又は一酸化炭
素の濃度を、前記被訓練者に対して出力する運転訓練シ
ステムに関する。

【０００２】

【従来の技術】従来、ゴミ焼却プラントの排ガス性状判
別システムにおいては、実炉の運転結果から、ゴミ焼却
炉の炉内温度、炉出口温度、集塵装置の下流における酸
素濃度等のプロセスデータと、ゴミ焼却プラントの排ガ
ス中の窒素酸化物又は一酸化炭素の濃度との相関を、一
次近似又は二次近似して、得られた近似式により、前記
プロセスデータを解析して、前記排ガスの性状判別を行
い、前記排ガス中の窒素酸化物又は一酸化炭素の濃度を
求めることが行われている。

【０００３】

【発明が解決しようとする課題】しかしながら、排ガス
中の一酸化炭素濃度とプロセスデータとの相関について
は、殊に、燃焼温度と供給酸素量に大きな影響を受ける
ことが実証されているが、例えば、前記一酸化炭素濃度
とゴミ焼却炉の炉出口温度（図５参照）或いは乾燥帯近
傍の炉内温度（図６参照）との関係は、比較的強い相関
性は示しているものの、ばらつきが大きく、前記一酸化
炭素濃度と排ガス中の酸素濃度との関係も同様である
（図７参照）。つまり、排ガスと燃焼空気の攪拌が影響
しているものと考えられるが、例えば、燃焼帯上のゴミ
の燃切り位置によって、排ガス中の一酸化炭素濃度が変
化するというような問題を有している。これは、排ガス
と燃焼空気との攪拌が燃切り位置によって大きく変化す
るためと考えられる。また、ある程度の相関性は認識さ
れているものの、実際の相関を明らかにするためには、
条件のグループ化が必要であり、線型分離が困難である
という問題も有している。例えば、炉出口温度と排ガス
中の窒素酸化物濃度との関係についてみれば、炉出口温
度が８８５℃未満であれば、空気比を低下させるほど前
記窒素酸化物濃度は低下し、炉出口温度が８８５℃以上
になれば、前記窒素酸化物濃度は空気比の影響を受けな
いということが報告されている（「ファジィ制御とシミ
ュレータによる流動床ごみ焼却炉の燃焼制御」計装,vo
l.35(1992)No.10）。こうした線型分離困難な事情は、
他にもあり、例えば、炉の形状が異なれば、傾向が異な
るという問題もある。そこで、本発明のゴミ焼却プラン
トの排ガス性状判別システムは、上記の問題点を解決
し、実炉の運転データの蓄積によってゴミ焼却プラント
の排ガス中の一酸化炭素又は窒素酸化物の濃度を推定可
能にする手段及びそうした手段を用いて実炉の運転を模
擬した運転訓練システムを提供することを目的とする。

【０００４】

【課題を解決するための手段】

〔第１特徴構成〕上記の目的のための本発明によるゴミ
焼却プラントの排ガス性状判別システムの第１特徴構成
は、請求項１に記載の如く、ゴミ焼却炉の制御操作デー
タとゴミ焼却炉の燃焼状態を示すプロセスデータとを入
力して、ゴミ焼却プラントの排ガス中の窒素酸化物又は
一酸化炭素の濃度を推定する推定手段を、ニューラルネ
ットワークで構成して、予め前記制御操作データと、前
記プロセスデータと、それら両データに対応した前記排
ガス中の窒素酸化物及び一酸化炭素の濃度の実測値とを
入力して前記ニューラルネットワークに学習させて、学
習後の前記ニューラルネットワークに前記制御操作デー
タと前記プロセスデータを入力して、前記排ガス中の窒
素酸化物又は一酸化炭素の濃度を推定出力するように構
成してある点にある。 〔第１特徴構成の作用効果〕上記第１特徴構成によれ
ば、炉によって異なる挙動があっても、夫々に応じた排
ガス中の窒素酸化物濃度又は一酸化炭素濃度を推定出力
させることが可能となる。つまり、推定手段を構成する
ニューラルネットワークの入力層に、種々の燃焼パター
ンにおける設定時間内の種々のプロセスデータの移動平
均値を正規化して入力するとともに、例えば、一酸化炭
素と窒素酸化物の１２％酸素換算濃度の移動平均値を同
様に正規化して与えて学習させれば、バックプロパゲー
ションにより、入力層に入力するプロセスデータから出
力層に前記一酸化炭素と窒素酸化物の１２％酸素換算濃
度を推定出力させることが可能になる。これは、ニュー
ラルネットワークの学習能力を利用したもので、複雑な
解析を必要としない点に特徴を有するものである。その
結果、線型分離困難なゴミ焼却プラントの排ガスの性
状、即ち排ガス中の一酸化炭素又は窒素酸化物の濃度
を、容易、且つ正確に推定することが可能になった。

【０００５】〔第２特徴構成〕上記の目的のための本発
明によるゴミ焼却プラントの排ガス性状判別システムの
第２特徴構成は、請求項２に記載の如く、前記第１特徴
構成におけるプロセスデータを、乾燥帯の温度又は炉出
口温度と、後燃焼帯の温度又は燃焼帯におけるゴミの燃
切り位置と、排ガス中の酸素濃度とで構成し、制御操作
データとして、二次空気量の一次空気量に対する比率を
用いる点にある。 〔第２特徴構成の作用効果〕上記第２特徴構成によれ
ば、少ない入力層のユニット数で効果的にゴミ焼却プラ
ントの排ガス中の一酸化炭素又は窒素酸化物の濃度を推
定することが可能になる。つまり、乾燥帯の温度又は炉
出口温度及び排ガス中の酸素濃度は排ガス中の一酸化炭
素濃度との比較的強い相関性を示すプロセスデータであ
り、後燃焼帯の温度又は燃焼帯におけるゴミの燃切り位
置は排ガス中の窒素酸化物濃度との相関性を有するプロ
セスデータであり、二次空気量の一次空気量に対する比
率は、排ガスの攪拌のパラメータとしてみることのでき
る制御操作データであり、少なくともこれらのプロセス
データ及び制御操作データと、排ガス中の一酸化炭素及
び窒素酸化物の濃度を共にニューラルネットワークに入
力して学習させることにより、学習結果が比較的早く収
束し、前記プロセスデータ及び制御操作データを入力す
ることによって、排ガス中の一酸化炭素又は窒素酸化物
の濃度を推定出力させることが容易となる。

【０００６】〔第３特徴構成〕上記の目的のための本発
明によるゴミ焼却プラントの運転訓練システムの第３特
徴構成は、請求項３に記載の如く、第一推定手段から推
定出力されるゴミ焼却炉の燃焼状態を示すプロセスデー
タと、制御操作データとを入力して窒素酸化物又は一酸
化炭素の濃度を推定出力する第二推定手段として、前記
第１又は第２特徴構成における排ガス性状推定システム
を用いて構成してある点にある。 〔第３特徴構成の作用効果〕上記第３特徴構成によれ
ば、複雑な解析手段を備えることなく、実炉に対応する
運転訓練を、被訓練者に施すことが容易となる。つま
り、前記第１特徴構成又は第２特徴構成の作用効果に示
したように、ニューラルネットワークを第二推定手段に
用いることによって、線型分離困難なゴミ焼却プラント
の排ガスの性状を実炉の運転データの蓄積によって、排
ガス中の一酸化炭素又は窒素酸化物の濃度を推定して、
被訓練者に対して出力することが容易となる。殊に、特
定のゴミ焼却炉に対応して、種々の焼却パターンに応じ
たプロセスデータに基づき学習させておけば、特異な燃
焼状態を模擬した訓練も容易となる。その結果、実炉の
運転を模擬した運転訓練が可能となる。

【０００７】

【発明の実施の形態】上記本発明によるゴミ焼却プラン
トの排ガス性状判別システムを適用したゴミ焼却プラン
トの運転訓練システムの一例について、以下に、図面を
参照しながら説明する。運転訓練システムの一例を図１
に示し、排ガス性状判別手段に用いるニューラルネット
ワークの概略を図２に示す。

【０００８】図１に示すように、本発明のゴミ焼却プラ
ントの運転訓練システムは、模擬ゴミ焼却プラントを制
御するためのゴミ焼却プラントを制御可能な制御装置４
と、その制御装置４からの制御操作データを受けて、ゴ
ミ焼却プラントのモデルとして、プロセスデータを推定
し、出力する第一推定手段２と、その第一推定手段２か
らのプロセスデータと、前記制御装置４からの制御操作
データとから排ガス中の一酸化炭素又は窒素酸化物の濃
度を推定して出力する第二推定手段３とで構成されてお
り、前記第一推定手段２と前記第二推定手段３とは同じ
ラック内に組み込まれている。前記第二推定手段３は、
排ガス性状判別システムを形成する排ガス成分判定手段
で構成してある。つまり、前記第二推定手段３は、排ガ
ス成分推定手段１で形成されており、ニューラルネット
ワークで構成してある。さらに、訓練者の訓練内容を設
定可能にするために、前記第一推定手段２の設定条件を
入力するための訓練内容設定手段５を前記第一推定手段
２及び前記第二推定手段３と共に組み込んである。

【０００９】前記制御装置４には、訓練者が制御操作デ
ータを入力することができるように、且つ、模擬プラン
トの状況を認識できるように、訓練操作盤７を付設して
あり、操作量として給塵装置の給塵速度、炉内ゴミ搬送
装置の搬送速度、一次空気供給量、二次空気供給量、一
次空気予熱温度等が個別に、或いは連繋して入力できる
ようにしてある。前記制御装置４は、入力された操作量
を、制御操作データとして前記第一推定手段２に入力
し、その第一推定手段２から入力される全てのプロセス
データと、前記第二推定手段３から出力される排ガス中
の一酸化炭素或いは窒素酸化物の濃度とを、訓練者に出
力可能に構成してある。尚、前記操作量は、炉の制御に
適するように細分化されており、例えば、炉内ゴミ搬送
装置の搬送速度は、炉内の乾燥帯、燃焼帯（必要に応じ
て、第一燃焼帯、第二燃焼帯に区分される。）、後燃焼
帯等に区分され、また、一次空気供給量は、乾燥帯空気
量（必要に応じて、第一乾燥帯空気量、第二乾燥帯空気
量等に、風箱毎に区分される。）、燃焼帯空気量（同
右）、後燃焼帯空気量（同右）等に区分される。

【００１０】前記第一推定手段２は、前記訓練内容設定
手段５により訓練シナリオを設定されて、設定された条
件下のゴミ焼却プラントの運転を模擬し、前記制御装置
４から入力される前記制御操作データに基づき、各プロ
セスデータを出力するように構成されている。前記各プ
ロセスデータは、全てをそのまま前記制御装置４に入力
し、選択されたプロセス信号を、入力された制御データ
の一部と共に正規化して前記第二推定手段３に入力す
る。前記プロセスデータには、炉内温度（必要に応じ
て、乾燥帯温度、燃焼帯温度、後燃焼帯温度等に区分さ
れる。）、炉出口温度、ボイラ出口温度或いはガス冷却
室出口温度、集塵装置入口温度、排ガス処理装置出口温
度、一次空気温度等の各部の温度、燃焼帯におけるゴミ
の燃切り位置等の燃焼状態を示す指標、集塵装置出口に
おける排ガス中の酸素濃度等の運転監視データが含まれ
る。

【００１１】前記訓練内容設定手段５は、複数の予め設
定された訓練シナリオを記憶しており、付設された教育
操作盤８からの入力を受けて、設定条件を前記第一推定
手段２に出力する。前記訓練シナリオには、ゴミ焼却炉
の立ち上げ、通常運転、運転異常、炉の停止等があり、
前記運転異常には、炉内のゴミ切れ、一次空気過剰、ゴ
ミの供給過剰、ゴミの燃焼不良、ゴミの燃焼過剰等の炉
内状況が設定され、異常に対する対処を、実炉を用いる
ことなく、従って、周囲環境に影響を及ぼすことなく訓
練者に習得させることができるようにしてある。

【００１２】前記第二推定手段３は、上述のように、排
ガス性状判別システムを用いて構成してある。つまり、
排ガス成分推定手段１で形成し、ニューラルネットワー
クで構成されている。前記第二推定手段３には、前記第
一推定手段２から正規化した特定のプロセスデータと、
同様に正規化した特定の制御操作データとが入力され、
正規化された排ガス中の一酸化炭素又は窒素酸化物の推
定濃度が出力され、逆正規化して前記制御装置４に入力
される。尚、前記ニューラルネットワークの学習のため
に、実炉の前記特定のプロセスデータと、前記特定の制
御操作データと、同一条件下における排ガス中の一酸化
炭素及び窒素酸化物の濃度とを記憶蓄積したデータベー
スを備えた、前記ニューラルネットワークの学習操作盤
を兼ねるデータ入力装置６を付設してある。このデータ
入力装置６のデータベースは、随時更新されるようにな
っている。前記特定のプロセスデータには、炉内温度、
炉出口温度、集塵装置出口の排ガス中の酸素濃度等が含
まれ、前記特定の制御操作データには、二次空気量を一
次空気量で除した二次空気比が含まれる。これらのデー
タは全て正規化されており、例えば、排ガス中の酸素濃
度は、０〜２１％を０〜１に、炉内温度は、０〜１８０
０℃を０〜１に、夫々変換してある。

【００１３】本発明のゴミ焼却プラントの排ガス性状判
別システムにおける前記ニューラルネットワークは、図
２に示すような構成で、複数のユニットを多階層ネット
ワーク接続して構成してある。前記ニューラルネットワ
ークの学習にはバックプロパゲーションアルゴリズムが
用いられ、入力層と、単層若しくは複層の中間層（図２
には、例として単層の中間層を示した。）と、出力層と
を夫々備えて３層以上に構成され、前記入力層から入力
されたデータに対する学習結果に基づき、前記中間層を
介して前記出力層から推定結果を出力するように構成さ
れている。前記入力層には、炉出口温度、第１炉内温度
としての乾燥帯温度、第２炉内温度としての燃焼帯温
度、第３炉内温度としての後燃焼帯温度、排ガス中の酸
素濃度等を前記プロセスデータとして入力するユニット
が配置され、また、前記制御操作データとして、二次空
気量の一次空気量に対する比率である二次空気比率等を
入力するユニットも配置して構成してある。前記二次空
気比率は、排ガスの攪拌度に影響を及ぼす主要な制御操
作データである。前記ニューラルネットワークは、前記
入力層からの入力に基づき、バックプロパゲーションア
ルゴリズムの下で学習した結果を基に、出力データを推
定し、前記出力層から一酸化炭素及び窒素酸化物の排ガ
ス中の１２％酸素換算濃度を出力するように構成されて
いる。これらの入出力データは、全て設定最大値を１と
して正規化してある。

【００１４】前記ニューラルネットワークに学習させる
プロセスの概略を図３に示す。学習用データとして、実
炉の運転実績に基づく各種の運転パターンに対応したプ
ロセスデータと、制御操作データと、実測した排ガス中
の一酸化炭素濃度及び窒素酸化物濃度をデータ入力装置
６のデータベースから収集する（ステップ＃１）。前記
プロセスデータは、例えば炉出口温度、排ガス中酸素濃
度であり、前記制御操作データは、例えば二次空気比率
等である。これと同時に、教師データを収集する。前記
教師データは、例えば、前記学習用データに対応する排
ガス中の一酸化炭素及び窒素酸化物の１２％酸素換算濃
度である。尚、前記１２％酸素換算濃度は、実測値に対
して、排ガス中の酸素濃度が１２％になるように空気量
を減量或いは増量したものとして画一化して算定される
ものである。これらの収集データを、先述のように、各
データの実現範囲に応じて正規化する（ステップ＃
２）。例えば、一酸化炭素及び窒素酸化物の濃度は、排
ガス中の１２％酸素換算濃度に換算され、０〜２００ｐ
ｐｍを０〜１に、炉出口温度及び炉内温度は、０〜１２
００℃を０〜１に、排ガス中の酸素濃度は、０〜１５％
を０〜１に、夫々変換する。

【００１５】正規化した学習用データを前記入力装置６
から入力層の各ユニットに入力する（ステップ＃３）。
前記入力する学習用データには、例えばプロセスデータ
と制御操作データが用いられる。さらに、前記入力層の
各ユニットに入力した学習用データに対する推定結果に
対応する教師データを、前記データ入力装置６から出力
層の各ユニットに入力する（ステップ＃４）。前記教師
データの出力層への逆入力を受けて、前記入力層から学
習用データを伝達された中間層の各ユニットに対して前
記出力層からの教師データを逆伝播させて、前記出力層
に出力すべき推定結果を前記教師データに近づける方向
に、バックプロパゲーションアルゴリズムに基づきニュ
ーラルネットワークの内部調整を行うことにより学習さ
せる（ステップ＃５）。前記学習結果に基づく推定結果
と前記教師データとを比較する（ステップ＃６）。予め
設定してある収束条件に基づき、前記推定結果が収束し
ていないと判断される場合には、ステップ＃３〜ステッ
プ＃６を再度試行し、推定結果が収束すれば学習を終わ
る（ステップ＃７）。

【００１６】上記のようにしてニューラルネットワーク
に学習させると、非線型事象或いは線型分離困難な事象
に対しても、入力に対する推定結果の出力が得られ、そ
の近似精度も、学習用データの内容を適正に選択するこ
とと、学習の繰り返しを重ねることによって満足できる
レベルに到達する。例えば、従来行われているように、
ファジィ推論等により解析を行う場合には、推定出力の
近似精度が知識ベースの内容と質に依存するため、学習
を繰り返すうちに、知識ベースのメンテナンスを必要と
する場合があるが、上記の構成による排ガス性状推定シ
ステムにおいては、判別手段自身が次第に進化を遂げる
ので、従来行われているような知識ベースのメンテナン
スを必要としない。また線型近似する場合のように、線
型分離を行うための、入力データに応じた複数の処理過
程を設ける必要もなく、簡便な推定手段として用いられ
る。

【００１７】本発明の運転訓練システムによる訓練者の
訓練は以下のようにして行われる。先ず、指導者が教育
操作盤８から訓練条件を入力する。訓練内容設定手段５
は、入力された訓練条件に基づき第一推定手段２を初期
設定する。初期設定された第一推定手段２は初期状態の
各プロセスデータを出力し、制御装置４に入力する。前
記制御装置４は、入力されたプロセスデータに基づき、
訓練者にゴミ焼却プラントの状態を出力する。炉内の状
態は、収録してある画像データを選択して訓練操作盤７
上に表示する。訓練者は、出力されたゴミ焼却プラント
の状態に応じて、必要な制御操作を行う。前記制御操作
によって入力された制御量は、制御データとして前記制
御装置４から出力され、前記第一推定手段２に入力され
る。前記制御データの入力を受けた第一推定手段２は、
各プロセスデータを推定して出力し、全プロセスデータ
を前記訓練操作盤７に入力すると同時に、特定のプロセ
スデータを正規化して出力し、入力された前記制御操作
データの内から特定のものを正規化して出力して、両特
定のデータを共に第二推定手段３に入力する。前記第二
推定手段３は、入力された各データに応じて、学習結果
に基づき排ガス中の一酸化炭素及び窒素酸化物の１２％
酸素換算濃度を推定して、正規化されたデータとして出
力する。前記出力された一酸化炭素及び窒素酸化物の排
気ガス中濃度は逆正規化されて制御装置４に入力され
る。入力された排ガス中の一酸化炭素及び窒素酸化物の
濃度は、訓練操作盤７上に出力されて、訓練者は制御操
作の結果を知る。そして、ゴミ焼却プラントの状態変化
に応じて訓練者は制御操作を継続し、実プラントの制御
を模擬して経験し、所望の結果を得るための制御操作を
習得する。

【００１８】以上のように構成してあるので、例えば、
ニューラルネットワークの入力層にゴミ焼却プラントの
プラント名称を入力するユニットを設けるようにすれ
ば、型式の異なるゴミ焼却プラントにも対応が可能であ
る。従って、例えば、複数のプラントを集中制御する集
中制御室に本発明のゴミ焼却プラントの運転訓練システ
ムを設置すれば、各ゴミ焼却プラントの運転を正常に維
持しながら、熟練オペレータが、ゴミ焼却プラントの制
御操作を行いながら、訓練者に以上状態に対する処置を
訓練することも可能になる。

【００１９】次に、本発明の他の実施の形態について説
明する。 〈１〉上記実施の形態に於いては、ゴミ焼却プラントの
運転訓練システムに、ゴミ焼却プラントを制御可能な制
御装置４と、ゴミ焼却プラントのモデルとして、プロセ
スデータを推定し、出力する第一推定手段２と、排ガス
中の一酸化炭素又は窒素酸化物の濃度を推定して出力す
る第二推定手段３とで構成されている例を示したが、前
記制御装置と前記第一推定手段と前記第二推定手段との
機能を統合したプラントシミュレータを設けてあっても
よい。また、前記制御装置は、実プラントには対応しな
い模擬プラント用の制御装置であってもよい。 〈２〉上記実施の形態に於いては、ゴミ焼却プラントの
運転訓練システムに、ゴミ焼却プラントのモデルとし
て、プロセスデータを推定し、出力する第一推定手段２
と、排ガス中の一酸化炭素又は窒素酸化物の濃度を推定
して出力する第二推定手段３とで構成して、前記第二推
定手段３をニューラルネットワークで構成した例を示し
たが、前記第一推定手段も、入力層に制御操作データを
入力する各ユニットを配置し、出力層にプロセスデータ
を出力する各ユニットを配置した多階層ニューラルネッ
トワークで構成し、プロセスデータもニューラルネット
ワークで推定させるようにしてあってもよい。 〈３〉上記実施の形態に於いては、第一推定手段２と第
二推定手段３とは同じラック内に組み込まれている例を
示したが、前記両推定手段は別体に設けられてあっても
よい。 〈４〉ニューラルネットワークは、ノイマン型のコンピ
ュータで構成してあってもよく、ノイマン型マイクロコ
ンピュータを複数組み合わせて構成してあってもよく、
また、非ノイマン型コンピュータで構成してあってもよ
い。 〈５〉上記実施の形態に於いては、制御装置４に、訓練
者が制御操作データを入力することができるように、且
つ、模擬プラントの状況を認識できるように、訓練操作
盤７を付設してある例を示したが、前記訓練操作盤を前
記制御装置と一体に構成してあってもよい。 〈６〉上記実施の形態に於いては、訓練内容設定手段５
に、教育操作盤８を付設した例を示したが、前記訓練内
容設定手段への入力を訓練操作盤或いは入力装置から行
うように構成してあってもよい。 〈７〉上記実施の形態に於いては、第二推定手段３のニ
ューラルネットワークの学習のために、実炉の前記特定
のプロセスデータと、前記特定の制御操作データと、排
ガス中の一酸化炭素及び窒素酸化物の濃度とを記憶蓄積
したデータベースを備えた、前記ニューラルネットワー
クの学習操作盤を兼ねるデータ入力装置６を付設してあ
る例を示したが、前記データベースに代えて、別に設置
されたデータ記録装置から前記各データを前記ニューラ
ルネットワークに通信入力するように構成してあっても
よい。また、データ入力装置は教育操作盤に設けてあっ
てもよい。さらに、全ての操作盤を制御装置に設けてあ
ってもよい。 〈８〉上記実施の形態に於いては、第二推定手段３を、
ニューラルネットワークで構成して、前記第一推定手段
２から正規化した特定のプロセスデータと、同様に正規
化した特定の制御操作データとが入力され、正規化され
た排ガス中の一酸化炭素又は窒素酸化物の推定濃度が出
力され、逆正規化して前記制御装置４に入力される例を
示したが、正規化の範囲はプラントの特性に応じて適宜
設定されるべきものである。また、前記ニューラルネッ
トワークの入出力を正規化しないデータで行うようにし
てあってもよい。

【００２０】

【実施例】本発明の排ガス成分推定手段として、小規模
ニューラルネットワークを構成し、近似特性を確認し
た。前記小規模ニューラルネットワークは、図４に示す
ように、排ガス中の一酸化炭素濃度のみを推定するよう
に構成してあり、入力層を３ユニットとして、炉内温度
のうちでも前記一酸化炭素濃度との相関性の強い乾燥帯
温度と、炉出口温度と、集塵装置出口の排ガス中の酸素
濃度を夫々のユニットに割りつけ、中間層を３ユニット
の一層とし、出力層は１ユニットとして排ガス中の一酸
化炭素の１２％酸素濃度換算濃度を出力するようにし
て、多階層ネットワークとして接続して構成した。

【００２１】小規模ニューラルネットワークに学習させ
るための実炉（以下Ａ炉と称する。）のデータとして表
１に示すデータを用意した。上記データは、Ａ炉の特定
週の月曜日に収集したものであって、炉の燃焼状態を表
１に示す４種類に分類し、夫々の状態下での３つのプロ
セスデータと、排ガス中の一酸化炭素の１２％酸素濃度
換算濃度の１時間移動平均値を収録したものである。

【００２２】

【表１】 ・条件欄は以下の条件を示す。 Ａ ・・・ 適正燃焼条件 Ｂ ・・・ 低温度、低酸素濃度 Ｃ ・・・ やや低温度、適正酸素濃度 Ｄ ・・・ やや低温度、低酸素濃度 ・酸素濃度欄は集塵装置出口の排ガス中の酸素濃度を示
す。 ・一酸化炭素濃度欄は排ガス中の一酸化炭素の１２％酸
素換算濃度を示す。

【００２３】上記表１に示す各データを前記小規模ニュ
ーラルネットワークにバックプロパゲーションアルゴリ
ズムの下に学習させた。各データの正規化のスケールは
下記の通りとし、夫々０〜１の範囲に正規化した。 乾燥帯温度 ・・・・・ ０〜１０００℃ 炉出口温度 ・・・・・ ０〜１０００℃ 酸素濃度 ・・・・・ ０〜１０％ 一酸化炭素濃度 ・・・・・ ０〜１００ｐｐｍ

【００２４】表１に示した各データを基に前記小規模ニ
ューラルネットワークに、バックプロパゲーションアル
ゴリズムで、収束誤差目標０．０１として学習させた。
学習後の前記小規模ニューラルネットワークに、前記学
習データを入力して得られた確認出力データは表２に示
すとおりであった。参考までに学習の際の教師データを
併記した。単位は何れもｐｐｍである。表に示したよう
に、各条件共に１８％以内の誤差範囲で収束している。
必要に応じて収束誤差目標０．０１をさらに小さくする
ことによって、誤差をさらに小さくすることができる。

【００２５】

【表２】

【００２６】次に、ある週の一週間の各曜日にサンプリ
ングした先述のＡ炉のデータを用いて入力した結果の推
定出力は、表３に示すようなものであった。実際の一酸
化炭素濃度と推定出力との間の近似精度は高くはない
が、傾向はほぼ一致している。小規模ニューラルネット
ワークを用いて、限られた学習データからの推定として
はほぼ満足できるものである。因みに、ゴミ焼却炉の投
入ゴミの質は曜日による変動が激しいものであり、その
変動は表３に示す排ガス中の一酸化炭素濃度にも顕著に
現れている。

【００２７】

【表３】 ・ケース１〜６は、月曜から土曜に対応し、ケース８は
木曜に対応し、ケース７は金曜に対応するデータであ
る。 ・乾燥帯欄は炉内温度の乾燥帯温度を示し、単位は℃で
ある。 ・炉出口欄は炉出口温度を示し、単位は℃である。 ・酸素欄は集塵装置出口の排ガス中の酸素濃度を示し、
単位は％である。 ・実際データ欄は排ガス中の一酸化炭素の１２％酸素濃
度換算濃度を示し、単位はｐｐｍである。 ・実際データ欄の右隣の順位欄は前記実際データの値の
小さいものから順に順位を付したものである。 ・推定出力欄は排ガス中の一酸化炭素の１２％酸素濃度
換算濃度推定して、ニューラルネットワークから出力し
た値を示し、逆正規化してあり、単位はｐｐｍである。 ・推定出力欄の右隣の順位欄は前記推定出力の値の小さ
いものから順に順位を付したものである。

【００２８】尚、特許請求の範囲の項に図面との対照を
便利にするために符号を記すが、該記入により本発明は
添付図面の構成に限定されるものではない。

【図面の簡単な説明】

【図１】本発明に係るゴミ焼却プラントの運転訓練シス
テムの構成説明図

【図２】ニューラルネットワークの一例の構成説明図

【図３】ニューラルネットワークの学習プロセスを説明
する流れ図

【図４】本発明の検証に用いた小規模ニューラルネット
ワークの構成説明図

【図５】ゴミ焼却プラントにおける炉出口温度と排ガス
中の一酸化炭素濃度の関係を示す相関図

【図６】ゴミ焼却プラントにおける乾燥帯温度と排ガス
中の一酸化炭素濃度の関係を示す相関図

【図７】ゴミ焼却プラントにおける集塵装置出口の排ガ
ス中の酸素濃度と排ガス中の一酸化炭素濃度の関係を示
す相関図

【符号の説明】

１ 排ガス成分推定手段 ２ 第一推定手段 ３ 第二推定手段 ４ 制御装置

フロントページの続き (51)Int.Cl.⁶ 識別記号 ＦＩ Ｇ０６Ｆ 15/18 ５５０ Ｇ０６Ｆ 15/18 ５５０Ｅ

Claims (3)

【特許請求の範囲】
1. 【請求項１】 炉内に装入されたゴミを乾燥する乾燥帯
   と、乾燥後のゴミを燃焼させる燃焼帯と、燃焼後の燃焼
   残渣を灰化させる後燃焼帯とを順次形成したストーカ式
   のゴミ焼却炉を対象として、ゴミ焼却炉の制御操作デー
   タとゴミ焼却炉の燃焼状態を示すプロセスデータとを入
   力して、ゴミ焼却プラントの排ガス中の窒素酸化物又は
   一酸化炭素の濃度を推定する排ガス成分推定手段（１）
   を備えたゴミ焼却プラントの排ガス性状推定システムで
   あって、 前記排ガス成分推定手段（１）をニューラルネットワー
   クで構成して、予め前記制御操作データと、前記プロセ
   スデータと、それら両データに対応した前記排ガス中の
   窒素酸化物及び一酸化炭素の濃度の実測値とを入力して
   前記ニューラルネットワークに学習させて、学習後の前
   記ニューラルネットワークに前記制御操作データと前記
   プロセスデータを入力して、前記排ガス中の窒素酸化物
   又は一酸化炭素の濃度を推定出力するように構成してあ
   るゴミ焼却プラントの排ガス性状推定システム。
2. 【請求項２】 前記プロセスデータを、前記乾燥帯の温
   度又は炉出口温度と、前記後燃焼帯の温度又は前記燃焼
   帯におけるゴミの燃切り位置と、排ガス中の酸素濃度と
   で構成し、前記制御操作データとして、二次空気量の一
   次空気量に対する比率を用いる請求項１記載の排ガス性
   状推定システム。
3. 【請求項３】 ゴミ焼却プラントを制御可能な制御装置
   （４）と、前記制御装置（４）に入力される制御操作デ
   ータに基づき、ゴミ焼却炉の燃焼状態を示すプロセスデ
   ータを推定出力する第一推定手段（２）と、前記制御操
   作データと前記プロセスデータを入力して、前記ゴミ焼
   却炉からの排ガス中の窒素酸化物又は一酸化炭素の濃度
   を推定出力する第二推定手段（３）とで構成して、被訓
   練者の制御入力操作に対して、前記第二推定手段（３）
   で推定した排ガス中の窒素酸化物又は一酸化炭素の濃度
   を、前記被訓練者に対して出力するゴミ焼却プラントの
   運転訓練システムであって、 前記第二推定手段（３）を、請求項１又は２に記載の排
   ガス性状推定システムを用いて構成してあるゴミ焼却プ
   ラントの運転訓練システム。