特許ウォッチ

公開番号2024076635
公報種別公開特許公報(A)
公開日2024-06-06
出願番号2022188296
出願日2022-11-25
発明の名称学習モデル生成方法、学習モデル生成装置、燃焼予測方法、燃焼予測装置及びプログラム
出願人東京瓦斯株式会社
代理人個人,個人
主分類F23G 5/50 20060101AFI20240530BHJP(燃焼装置;燃焼方法)
要約【課題】炉の燃焼に関する目的変数の予測精度を高める。
【解決手段】コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、投入量と状態情報に対応する目的変数の測定値とを教師データとして取得し、コンピュータが、教師データを用い、投入量と状態情報を入力、目的変数の予測値を出力とする学習モデルを生成する学習モデル生成方法を提供する。
【選択図】図1
特許請求の範囲【請求項１】
コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得し、
コンピュータが、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する、
学習モデル生成方法。
続きを表示（約 1,100 文字）【請求項２】
前記状態情報は、前記炉から排出される特定ガスの原因物質を含む廃棄物の投入量と、当該廃棄物における当該原因物質の濃度と、当該廃棄物の粘度のうちの少なくとも１つを含む、
請求項１に記載の学習モデル生成方法。
【請求項３】
前記教師データを、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得し、
コンピュータが、前記期間別に取得された教師データを使用して、当該期間毎に前記学習モデルを生成する、
請求項１に記載の学習モデル生成方法。
【請求項４】
前記廃棄物だけが燃焼される期間又は前記燃料と当該廃棄物とが一緒に燃焼される期間に対応する前記学習モデルは、当該廃棄物の組成の違い別に取得された前記教師データを使用して、当該組成の違い別に生成される、
請求項３に記載の学習モデル生成方法。
【請求項５】
前記廃棄物は、他の設備からの廃液、他の設備からの廃油、他の設備からのプロセス排ガス、被焼却物の少なくとも１つである、
請求項３又は４に記載の学習モデル生成方法。
【請求項６】
前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、
請求項１に記載の学習モデル生成方法。
【請求項７】
前記教師データは、前記燃料の投入量と、廃棄物の投入量と、当該燃料と当該廃棄物の投入から予め定めた時間後に測定された前記測定値との組み合わせである、
請求項１に記載の学習モデル生成方法。
【請求項８】
コンピュータが、前記学習モデルを用いて予測した前記予測値と実際の測定値との誤差を用いて当該学習モデルを修正する、
請求項１に記載の学習モデル生成方法。
【請求項９】
前記状態情報は、プロセス排ガス、廃油、廃液、被焼却物、炉内の酸素濃度、炉内の温度、炉壁の温度の少なくとも１つを含む、
請求項１に記載の学習モデル生成方法。
【請求項１０】
前記目的変数は、ＣＯ、ＣＯ
２
、ＮＯ
ｘ
、ＳＯ
ｘ
、煤塵、ダイオキシン、未燃焼の燃料ガス、温室効果ガス、火炎輻射量、被加熱物の表面温度の少なくとも１つを含む、
請求項１に記載の学習モデル生成方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、学習モデル生成方法、学習モデル生成装置、燃焼予測方法、燃焼予測装置及びプログラムに関する。
続きを表示（約 5,000 文字）【背景技術】
【０００２】
産業用の燃焼炉の運転や管理は、長年、現場の作業員が担っている。しかし、作業員による属人的な調整は、精度のばらつきに加え、技能の継承に問題がある。また、作業員による調整は基本的に主観による。このため、現在の調整が最適解かも分からない。
【先行技術文献】
【特許文献】
【０００３】
特開２０１９－１８３６９８号公報
特開２０１７－０８９９２８号公報
特開２０１９－１９０８０２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
産業用の燃焼炉における炉内の状態は時々刻々と変化する。例えば炉内に投入される廃棄物の量や種類（以下「状態変数」という。）が排出源の都合で変動することがある。また、燃料として投入される燃料ガスや空気（以下「制御変数」という。）と状態変数の関係は複雑であり、燃焼の結果として燃焼炉から排出されるガス（以下「排出ガス」という。）の濃度、火炎輻射量、被加熱物の表面温度等（以下「目的変数」という。）を正確に予測することは難しい。
【０００５】
本発明の目的は、炉の燃焼に関する目的変数の予測精度を高めることである。
【課題を解決するための手段】
【０００６】
請求項１に記載の発明は、コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得し、コンピュータが、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する、学習モデル生成方法である。
請求項２に記載の発明は、前記状態情報は、前記炉から排出される特定ガスの原因物質を含む廃棄物の投入量と、当該廃棄物における当該原因物質の濃度と、当該廃棄物の粘度のうちの少なくとも１つを含む、請求項１に記載の学習モデル生成方法である。
請求項３に記載の発明は、前記教師データを、前記炉で前記燃料だけが燃焼される期間、当該炉で廃棄物だけが燃焼される期間、当該炉で当該燃料と当該廃棄物とが一緒に燃焼される期間別に取得し、コンピュータが、前記期間別に取得された教師データを使用して、当該期間毎に前記学習モデルを生成する、請求項１に記載の学習モデル生成方法である。
請求項４に記載の発明は、前記廃棄物だけが燃焼される期間又は前記燃料と当該廃棄物とが一緒に燃焼される期間に対応する前記学習モデルは、当該廃棄物の組成の違い別に取得された前記教師データを使用して、当該組成の違い別に生成される、請求項３に記載の学習モデル生成方法である。
請求項５に記載の発明は、前記廃棄物は、他の設備からの廃液、他の設備からの廃油、他の設備からのプロセス排ガス、被焼却物の少なくとも１つである、請求項３又は４に記載の学習モデル生成方法である。
請求項６に記載の発明は、前記教師データの取得と前記学習モデルの生成には、前記炉に対する廃棄物の投入に使用するノズルの数と投入に使用したノズルの位置の違いの少なくとも一方を反映する、請求項１に記載の学習モデル生成方法である。
請求項７に記載の発明は、前記教師データは、前記燃料の投入量と、廃棄物の投入量と、当該燃料と当該廃棄物の投入から予め定めた時間後に測定された前記測定値との組み合わせである、請求項１に記載の学習モデル生成方法である。
請求項８に記載の発明は、コンピュータが、前記学習モデルを用いて予測した前記予測値と実際の測定値との誤差を用いて当該学習モデルを修正する、請求項１に記載の学習モデル生成方法である。
請求項９に記載の発明は、前記状態情報は、プロセス排ガス、廃油、廃液、被焼却物、炉内の酸素濃度、炉内の温度、炉壁の温度の少なくとも１つを含む、請求項１に記載の学習モデル生成方法である。
請求項１０に記載の発明は、前記目的変数は、ＣＯ、ＣＯ
２
、ＮＯ
ｘ
、ＳＯ
ｘ
、煤塵、ダイオキシン、未燃焼の燃料ガス、温室効果ガス、火炎輻射量、被加熱物の表面温度の少なくとも１つを含む、請求項１に記載の学習モデル生成方法である。
請求項１１に記載の発明は、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する取得部と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する学習部を有する、学習モデル生成装置である。
請求項１２に記載の発明は、コンピュータに、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値とを教師データとして取得する機能と、前記教師データを用い、前記投入量と前記状態情報を入力、前記目的変数の予測値を出力とする学習モデルを生成する機能と、を実現させるためのプログラム。
請求項１３に記載の発明は、コンピュータが、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、対応する目的変数の予測値を出力する、燃焼結果予測方法である。
請求項１４に記載の発明は、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルと、前記投入量と前記状態情報が入力として与えられた場合、当該投入量の測定値と当該状態情報の測定値を前記学習モデルに与え、前記目的変数の予測値を出力する予測部と、を有する燃焼結果予測装置である。
請求項１５に記載の発明は、コンピュータに、制御変数としての燃料の投入量と、炉の状態情報と、当該投入量と当該状態情報に対応する目的変数の測定値との関係を学習した学習モデルに対し、当該投入量の測定値と当該状態情報の測定値を入力として与え、前記目的変数の予測値を出力する機能を実現させるためのプログラムである。
【発明の効果】
【０００７】
請求項１記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項２記載の発明によれば、炉から排出される特定ガスの予測精度を高めることができる。
請求項３記載の発明によれば、燃焼環境別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項４記載の発明によれば、廃棄物の組成別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項５記載の発明によれば、廃棄物の組成別に学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項６記載の発明によれば、ノズルの数と投入に使用したノズルの位置の違いを含めて学習モデルを生成することで目的変数の予測精度を一段と高めることができる。
請求項７記載の発明によれば、目的変数の予測精度を一段と高めることができる。
請求項８記載の発明によれば、学習モデルの精度を効率的に向上できる。
請求項９記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項１０記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項１１記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項１２記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項１３記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項１４記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
請求項１５記載の発明によれば、炉の燃焼に関する目的変数の予測精度を高めることができる。
【図面の簡単な説明】
【０００８】
実施の形態１で想定する燃焼炉システムの概念構成を説明する図である。
予測モデル生成装置の構成例を説明する図である。
実施の形態１における予測モデルの生成に使用する変数の一例を説明する図である。
排出ガスの濃度を予測値とする予測モデルの生成手順を説明するフローチャートである。
予測モデルを用いる排出ガスの濃度の予測機能を説明する図である。
生成処理１における予測モデルの生成に使用する変数の一例を説明する図である。
生成処理２における予測モデルの生成に使用する変数の他の例を説明する図である。
１つの燃焼炉において想定される燃焼パターンを説明する図表である。
実施の形態３における予測モデルの生成処理を説明する図である。
教師データの分類機能を説明する図である。
分類後の教師データを用いて各パターンに対応する専用の予測モデルの学習機能を説明する図である。
実施の形態３における予測値の予測処理を説明する図である。
燃焼炉の天井部分に被燃焼物毎に１つのノズルが設けられる場合を説明する図である。
燃焼炉の天井部分に被燃焼物毎に２つのノズルが設けられる場合を説明する図である。
燃焼炉の天井部分と壁面部分に分散して被燃焼物毎に合計２つのノズルが設けられる場合の他の例を説明する図である。
実施の形態４における予測モデルの生成処理を説明する図である。
教師データの分類機能を説明する図である。
分類後の教師データを用いて各パターンに対応する専用の予測モデルの学習機能を説明する図である。
実施の形態４における予測値の予測処理を説明する図である。
実施の形態５における予測モデルの生成処理を説明する図である。
基準時刻（現在時刻）に投入された被燃焼物の投入量等の測定値と基準時刻から一定時間後の排出ガスの濃度の測定値を教師データとする例を説明する図表である。
基準時刻（現在時刻）における排出ガスの濃度の測定値と基準時刻から一定時間前に投入された被燃焼物の投入量等の測定値を教師データとする例を説明する図表である。
勾配ブースティング決定木による予測モデルの修正方法を説明する図である。
実施の形態６における予測モデルの生成手順を説明するフローチャートである。
補間演算により生成した教師データを用いた学習モデルの修正方法を説明する図である。
教師データの生成方法を説明する図である。（Ａ）は線形補間を用いて教師データのサンプル数を増加させる方法を示し、（Ｂ）は多項式又は回帰モデルを用いて教師データのサンプル数を増加させる方法を示す。
実施の形態８で想定する燃焼炉システムの概念構成を説明する図である。
【発明を実施するための形態】
【０００９】
以下、図面を参照して、本発明の実施の形態を説明する。
＜実施の形態１＞
＜システム構成＞
本実施の形態では、廃棄物を燃焼する燃焼炉について説明する。特に、排出源の都合で廃棄物の投入量や投入される廃棄物の種類の組み合わせや比率が時々刻々と変化する燃焼炉について説明する。
【００１０】
この種の燃焼炉は、炉内の状態が時々刻々と変化する。このため、燃焼炉から排出される排出ガス等の予測が、廃棄物の投入量などが一定に制御される燃焼炉に比して格段に難しい。そこで、本実施の形態では、各時点の燃焼により発生する廃棄物の濃度等を正確に予測するための予想モデルを機械学習により生成する仕組みについて説明する。
（【００１１】以降は省略されています）

関連特許