特許 7592887 蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステム及びこれを用いた揮発性有機化合物（ＶＯＣ）測定センサーの検証方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-11-22

(45)【発行日】2024-12-02

(54)【発明の名称】蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステム及びこれを用いた揮発性有機化合物（ＶＯＣ）測定センサーの検証方法

(51)【国際特許分類】

   F23G 7/06 20060101AFI20241125BHJP

   F23G 5/50 20060101ALI20241125BHJP

【ＦＩ】

F23G7/06 103

F23G5/50 Q ZAB

【請求項の数】 12

(21)【出願番号】P 2023553379

(86)(22)【出願日】2022-08-26

(65)【公表番号】

(43)【公表日】2024-04-11

(86)【国際出願番号】 KR2022012790

(87)【国際公開番号】W WO2023153571

(87)【国際公開日】2023-08-17

【審査請求日】2023-09-01

(31)【優先権主張番号】10-2022-0018487

(32)【優先日】2022-02-11

(33)【優先権主張国・地域又は機関】KR

(73)【特許権者】

【識別番号】500239823

【氏名又は名称】エルジー・ケム・リミテッド

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広 信哉

(74)【代理人】

【識別番号】100122161

【弁理士】

【氏名又は名称】渡部 崇

(72)【発明者】

【氏名】イェ・リン・ジョン

(72)【発明者】

【氏名】ジェ・フン・チェ

(72)【発明者】

【氏名】チャン・ソン・イ

【審査官】河野 俊二

(56)【参考文献】

【文献】特開２０１０－１６９３４０（ＪＰ，Ａ）

【文献】特開２００８－２７５３８３（ＪＰ，Ａ）

【文献】特開平０７－３０１４１３（ＪＰ，Ａ）

【文献】特開２０１５－０７１１２９（ＪＰ，Ａ）

【文献】米国特許第０５４６６４１８（ＵＳ，Ａ）

【文献】特開２００３－０５７２２１（ＪＰ，Ａ）

【文献】米国特許第０６１６５２５１（ＵＳ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｆ２３Ｇ ７／０６

Ｆ２３Ｇ ５／５０

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

多数の蓄熱式焼却炉（ＲＴＯ）とこれらを制御する蓄熱式焼却炉（ＲＴＯ）制御装置を備える揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステムにおいて、
前記蓄熱式焼却炉（ＲＴＯ）制御装置は、
水素炎イオン化検出器（ＦＩＤ）センサーの有無または信頼度を検証する信頼度検証部と、
蓄熱式焼却炉（ＲＴＯ）運転データを用いて揮発性有機化合物（ＶＯＣ）流入量を推定するように学習された第１の揮発性有機化合物（ＶＯＣ）算出モデルを搭載した第１の仮想センサー部と、
揮発性有機化合物（ＶＯＣ）燃焼エネルギーを用いて揮発性有機化合物（ＶＯＣ）流入量を算出する第２の揮発性有機化合物（ＶＯＣ）算出モデルを搭載した第２の仮想センサー部と、
前記信頼度検証部における検証結果と水素炎イオン化検出器（ＦＩＤ）センサーの有無に応じて、前記第１の仮想センサー部及び第２の仮想センサー部の動作を制御する制御部と、
を備える蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステム。

【請求項2】

各蓄熱式焼却炉（ＲＴＯ）は、
一定の周期ごとに、揮発性有機化合物（ＶＯＣ）流入量を測定する水素炎イオン化検出器（ＦＩＤ：Ｆｌａｍｅ Ｉｏｎｉｚａｔｉｏｎ Ｄｅｔｅｃｔｏｒ）センサー部と、
一定の周期ごとに、蓄熱式焼却炉（ＲＴＯ）運転データを測定する運転データ測定部と、
を備えてなる、請求項１に記載の蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステム。

【請求項3】

前記信頼度検証部は、
各蓄熱式焼却炉（ＲＴＯ）の水素炎イオン化検出器（ＦＩＤ）センサー部から入力される揮発性有機化合物（ＶＯＣ）流入量測定値が所定の時間以上変化がない場合、または蓄熱式焼却炉（ＲＴＯ）運転データに基準範囲以上変化がないにも拘わらず、揮発性有機化合物（ＶＯＣ）流入量測定値が基準値を超える場合のうちのどちらか一方にでも該当すれば、水素炎イオン化検出器（ＦＩＤ）センサー信頼度が低いと判断することを特徴とする、請求項２に記載の蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステム。

【請求項4】

前記制御部は、
前記信頼度検証部における検証の結果、水素炎イオン化検出器（ＦＩＤ）センサーが存在し、水素炎イオン化検出器（ＦＩＤ）センサー信頼度が高いと判断された場合であれば、前記第１の仮想センサー部から揮発性有機化合物（ＶＯＣ）流入量を算出し、水素炎イオン化検出器（ＦＩＤ）センサーが存在しないか、あるいは、水素炎イオン化検出器（ＦＩＤ）センサー信頼度が低いと判断された場合であれば、前記第２の仮想センサー部から揮発性有機化合物（ＶＯＣ）流入量を算出する仮想センサー選択部を備えてなる、請求項３に記載の蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステム。

【請求項5】

前記制御部は、
前記仮想センサー選択部において取得した第１の仮想センサー部または第２の仮想センサー部からの揮発性有機化合物（ＶＯＣ）流入量と、同一の時点に対する水素炎イオン化検出器（ＦＩＤ）センサーの揮発性有機化合物（ＶＯＣ）流入量測定値とを互いに比較して、その比較結果を踏まえて、揮発性有機化合物（ＶＯＣ）流入量測定値に関する診断警報を生成する診断警報生成部をさらに備えてなる、請求項４に記載の蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステム。

【請求項6】

前記第１の仮想センサー部の第１の揮発性有機化合物（ＶＯＣ）算出モデルは、
前記水素炎イオン化検出器（ＦＩＤ）センサー部において測定した揮発性有機化合物（ＶＯＣ）流入量測定値と当該揮発性有機化合物（ＶＯＣ）流入量測定値に対応する蓄熱式焼却炉（ＲＴＯ）運転データを用いて学習された人工知能ニューラルネットワークモデルであることを特徴とする、請求項４に記載の蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステム。

【請求項7】

前記第２の仮想センサー部の第２の揮発性有機化合物（ＶＯＣ）算出モデルは、
蓄熱式焼却炉（ＲＴＯ）の燃焼エネルギー、燃焼前／後の熱風昇温エネルギー及び揮発性有機化合物（ＶＯＣ）の燃焼エネルギーから揮発性有機化合物（ＶＯＣ）流入量を算出することを特徴とする、請求項４に記載の蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステム。

【請求項8】

前記第２の仮想センサー部からの揮発性有機化合物（ＶＯＣ）流入量ＶＯＣ_ｆは、下記の数式（１）により算出されることを特徴とする、請求項７に記載の蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）流入量測定仮想センサーシステム。
［数式１］
ＶＯＣ_ｆ＝ＶＯＣ_ｉｎ／熱風流入量
ＶＯＣ_ｉｎ＝揮発性有機化合物（ＶＯＣ）燃焼エネルギー／揮発性有機化合物（ＶＯＣ）燃焼熱
揮発性有機化合物（ＶＯＣ）燃焼エネルギー＝（燃焼前／後の熱風昇温エネルギー）－燃料燃焼エネルギー
…（１）

【請求項9】

仮想センサーを用いて蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）測定センサーを検証する方法において、
多数の蓄熱式焼却炉（ＲＴＯ）の各々から一定の周期ごとに測定される運転データ及び揮発性有機化合物（ＶＯＣ）センサー測定値を収集するデータ測定及び収集ステップと、
前記収集した各蓄熱式焼却炉（ＲＴＯ）ごとの揮発性有機化合物（ＶＯＣ）センサー測定値に基づいて、当該蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）センサーの信頼度を検証し、その検証結果を基準として、学習ベースの仮想センサーと理論ベースの仮想センサーのうちのどちらか一方を選択する揮発性有機化合物（ＶＯＣ）センサー検証及び仮想センサー選択ステップと、
前記揮発性有機化合物（ＶＯＣ）センサー検証及び仮想センサー選択ステップにおいて各蓄熱式焼却炉（ＲＴＯ）ごとに前記選択した仮想センサーからの揮発性有機化合物（ＶＯＣ）流入量算出値を取得する仮想センサー予測値取得ステップと、
前記仮想センサー予測値取得ステップを通じて各蓄熱式焼却炉（ＲＴＯ）ごとに取得した揮発性有機化合物（ＶＯＣ）流入量算出値と、同一の時点に対して前記収集した揮発性有機化合物（ＶＯＣ）センサー測定値とを互いに比較するセンサーデータ比較ステップと、
前記比較の結果、前記揮発性有機化合物（ＶＯＣ）流入量算出値と前記揮発性有機化合物（ＶＯＣ）センサー測定値との間に所定の基準値以上の差が出る場合、前記揮発性有機化合物（ＶＯＣ）センサー測定値に関する診断警報を発する診断警報発生ステップと、
を含む蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）測定センサーの検証方法。

【請求項10】

前記揮発性有機化合物（ＶＯＣ）センサー検証及び仮想センサー選択ステップは、
揮発性有機化合物（ＶＯＣ）センサーが存在し、揮発性有機化合物（ＶＯＣ）センサーの信頼度が所定の基準以上であれば、学習ベースの仮想センサーを選択し、揮発性有機化合物（ＶＯＣ）センサーが存在しないか、あるいは、揮発性有機化合物（ＶＯＣ）センサーの信頼度が所定の基準未満であれば、理論ベースの仮想センサーを選択することを特徴とする、請求項９に記載の蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）測定センサーの検証方法。

【請求項11】

前記学習ベースの仮想センサーは、
揮発性有機化合物（ＶＯＣ）センサー測定値と当該揮発性有機化合物（ＶＯＣ）センサー測定値に対応する蓄熱式焼却炉（ＲＴＯ）運転データを用いて学習された人工知能ニューラルネットワークモデルを通じて蓄熱式焼却炉（ＲＴＯ）運転データを用いて揮発性有機化合物（ＶＯＣ）流入量を算出することを特徴とする、請求項１０に記載の蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）測定センサーの検証方法。

【請求項12】

前記理論ベースの仮想センサーは、
蓄熱式焼却炉（ＲＴＯ）の燃焼エネルギー、燃焼前／後の熱風昇温エネルギー及び揮発性有機化合物（ＶＯＣ）の燃焼エネルギーを用いて、下記の数式（１）により揮発性有機化合物（ＶＯＣ）流入量ＶＯＣ_ｆを算出することを特徴とする、請求項１０に記載の蓄熱式焼却炉（ＲＴＯ）の揮発性有機化合物（ＶＯＣ）測定センサーの検証方法。
［数式１］
ＶＯＣ_ｆ＝ＶＯＣ_ｉｎ／熱風流入量
ＶＯＣ_ｉｎ＝揮発性有機化合物（ＶＯＣ）燃焼エネルギー／揮発性有機化合物（ＶＯＣ）燃焼熱
揮発性有機化合物（ＶＯＣ）燃焼エネルギー＝（燃焼前／後の熱風昇温エネルギー）－燃料燃焼エネルギー
…（１）

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ＲＴＯのＶＯＣ流入量測定仮想センサーシステム及びこれを用いたＶＯＣ測定センサーの検証方法に係り、さらに詳しくは、二種類の方式に基づく仮想センサーを用いてＶＯＣ測定センサーの信頼度が検証可能なシステム及び方法に関する。

【背景技術】

【0002】

蓄熱式焼却炉（Ｒｅｇｅｎｅｒａｔｉｖｅ Ｔｈｅｒｍａｌ Ｏｘｉｄｉｚｅｒ、以下、「ＲＴＯ」と称する。）とは、工程において生じた揮発性有機化合物（Ｖｏｌａｔｉｌｅ Ｏｒｇａｎｉｃ Ｃｏｍｐｏｕｎｄｓ、以下、「ＶＯＣ」と称する。）ガスを焼却して取り除く装置のことをいう。ＲＴＯは、燃焼チャンバー（Ｃｈａｍｂｅｒ）と熱回収率の増大を図るために、蓄熱材からなる所定の数のベッド（Ｂｅｄ）を備える。

【0003】

一方、ＲＴＯは、蓄熱材を用いるが故に、急激な温度の変化があるときに安全事故が起きる虞がある。特に、高濃度のＶＯＣが流れ込む場合、数秒内に急激な温度の上昇が起こる可能性がある。ＲＴＯに流れ込むＶＯＣの量に対する持続的なモニタリングが必要である。

【0004】

このような不都合を解消するために、一般に、ＲＴＯに流れ込むＶＯＣの量をリアルタイムにて測定するセンサーを用いて、ＶＯＣ流入量をモニタリングする方式を利用している。しかしながら、ＶＯＣ測定センサーの中で最も信頼度が高いと言われている水素炎イオン化感知器（水素炎イオン化検出器（ＦＩＤ）：Ｆｌａｍｅ Ｉｏｎｉｚａｔｉｏｎ Ｄｅｔｅｃｔｏｒ）センサーもまた、測定誤差が生じる虞があり、これにより、ＶＯＣ流入量を正確に把握し難いという不都合がある。

【0005】

関連する先行技術としては、韓国登録特許第１０－１６０７８７８号公報が挙げられる。

【発明の概要】

【発明が解決しようとする課題】

【0006】

本発明は、上述した不都合を解消するために案出されたものであって、ＶＯＣ測定センサーと並行活用して校正時点の確認に使用可能な仮想センサーシステム及びこれを用いたＶＯＣ測定センサー診断方法を提供するところにその目的がある。

【課題を解決するための手段】

【0007】

上述した不都合を解消するために、本発明は、多数のＲＴＯとこれらを制御するＲＴＯ制御装置を備えるＶＯＣ流入量測定仮想センサーシステムにおいて、ＲＴＯ制御装置は、水素炎イオン化検出器（ＦＩＤ）センサーの有無または信頼度を検証する信頼度検証部と、ＲＴＯ運転データを用いてＶＯＣ流入量を推定するように学習された第１のＶＯＣ算出モデルを搭載した第１の仮想センサー部と、ＶＯＣ燃焼エネルギーを用いてＶＯＣ流入量を算出する第２のＶＯＣ算出モデルを搭載した第２の仮想センサー部と、前記信頼度検証部における検証結果と水素炎イオン化検出器（ＦＩＤ）センサーの有無に応じて、前記第１の仮想センサー部及び第２の仮想センサー部の動作を制御する制御部と、を備えるＲＴＯのＶＯＣ流入量測定仮想センサーシステムを提供する。

【0008】

このとき、前記各ＲＴＯは、一定の周期ごとに、ＶＯＣ流入量を測定する水素炎イオン化検出器（水素炎イオン化検出器（ＦＩＤ）：Ｆｌａｍｅ Ｉｏｎｉｚａｔｉｏｎ Ｄｅｔｅｃｔｏｒ）センサー部と、一定の周期ごとに、ＲＴＯ運転データを測定する運転データ測定部と、を備えてなり、前記信頼度検証部は、各ＲＴＯの水素炎イオン化検出器（ＦＩＤ）センサー部から入力されるＶＯＣ流入量測定値が所定の時間以上変化がない場合、またはＲＴＯ運転データに基準範囲以上変化がないにも拘わらず、ＶＯＣ流入量測定値が基準値を超える場合のうちのどちらか一方にでも該当すれば、水素炎イオン化検出器（ＦＩＤ）センサー信頼度が低いと判断することを特徴とする。

【0009】

前記制御部は、前記信頼度検証部における検証の結果、水素炎イオン化検出器（ＦＩＤ）センサーが存在し、水素炎イオン化検出器（ＦＩＤ）センサー信頼度が高いと判断された場合であれば、前記第１の仮想センサー部からＶＯＣ流入量を算出し、水素炎イオン化検出器（ＦＩＤ）センサーが存在しないか、あるいは、水素炎イオン化検出器（ＦＩＤ）センサー信頼度が低いと判断された場合であれば、前記第２の仮想センサー部からＶＯＣ流入量を算出する仮想センサー選択部を備えてなることが好ましく、前記仮想センサー選択部において取得した第１の仮想センサー部または第２の仮想センサー部からのＶＯＣ流入量と、同一の時点に対する水素炎イオン化検出器（ＦＩＤ）センサーのＶＯＣ流入量測定値とを互いに比較して、その比較結果を踏まえて、ＶＯＣ流入量測定値に関する診断警報を生成する診断警報生成部をさらに備えてなることが好ましい。

【0010】

前記第１の仮想センサー部の第１のＶＯＣ算出モデルは、前記水素炎イオン化検出器（ＦＩＤ）センサー部において測定したＶＯＣ流入量測定値と当該ＶＯＣ流入量測定値に対応するＲＴＯ運転データを用いて学習された人工知能ニューラルネットワークモデルであり、前記第２の仮想センサー部の第２のＶＯＣ算出モデルは、ＲＴＯの燃焼エネルギー、燃焼前／後の熱風昇温エネルギー及びＶＯＣの燃焼エネルギーからＶＯＣ流入量を算出するものであってもよい。

【0011】

また、本発明は、仮想センサーを用いてＲＴＯのＶＯＣ測定センサーを検証する方法において、多数のＲＴＯの各々から一定の周期ごとに測定される運転データ及びＶＯＣセンサー測定値を収集するデータ測定及び収集ステップと、前記収集した各ＲＴＯごとのＶＯＣセンサー測定値に基づいて、当該ＲＴＯのＶＯＣセンサーの信頼度を検証し、その検証結果を基準として、学習ベースの仮想センサーと理論ベースの仮想センサーのうちのどちらか一方を選択するＶＯＣセンサー検証及び仮想センサー選択ステップと、前記ＶＯＣ検証及び仮想センサー選択ステップにおいて各ＲＴＯごとに前記選択した仮想センサーからのＶＯＣ流入量算出値を取得する仮想センサー予測値取得ステップと、前記仮想センサー予測値取得ステップを通じて各ＲＴＯごとに取得したＶＯＣ流入量算出値と、同一の時点に対して前記収集したＶＯＣセンサー測定値とを互いに比較するセンサーデータ比較ステップと、前記比較の結果、前記ＶＯＣ流入量算出値と前記ＶＯＣセンサー測定値との間に所定の基準値以上の差が出る場合、前記ＶＯＣセンサー測定値に関する診断警報を発する診断警報発生ステップと、を含むＲＴＯのＶＯＣ測定センサーの検証方法を提供する。

【0012】

前記ＶＯＣセンサー検証及び仮想センサー選択ステップは、ＶＯＣセンサーが存在し、ＶＯＣセンサーの信頼度が所定の基準以上であれば、学習ベースの仮想センサーを選択し、ＶＯＣセンサーが存在しないか、あるいは、ＶＯＣセンサーの信頼度が所定の基準未満であれば、理論ベースの仮想センサーを選択することを特徴とし、前記学習ベースの仮想センサーは、ＶＯＣセンサー測定値と当該ＶＯＣセンサー測定値に対応するＲＴＯ運転データを用いて学習された人工知能ニューラルネットワークモデルを通じてＲＴＯ運転データを用いてＶＯＣ流入量を算出するものであってもよい。

【発明の効果】

【0013】

本発明の一実施形態によれば、ＶＯＣ測定センサーと並行活用して校正時点の確認に使用し、究極的には、ＶＯＣ測定センサーに取り替え可能な仮想センサーを提供する。したがって、既存のＶＯＣ測定センサーの測定誤差を最小化させて、ＲＴＯのＶＯＣ流入量を正確に把握可能にすることで、安全事故の発生リスクを下げることができる。

【図面の簡単な説明】

【0014】

【図1】本発明の一実施形態に係るＲＴＯのＶＯＣ流入量測定仮想センサーシステムの全体的な構成を概略的に示す図である。

【図2】本発明の一実施形態に係るＲＴＯ及びＲＴＯ制御装置の内部構成を概略的に示す図である。

【図3】本発明の一実施形態に係る第１のＶＯＣ算出モデル学習過程を示す図である。

【図4】本発明の一実施形態に係る第１のＶＯＣ算出モデルを適用した結果の例を示す図である。

【図5】本発明の一実施形態に係るＶＯＣセンサーの信頼度検証基準の例を示す図である。

【図6】本発明の一実施形態に係るＶＯＣセンサーの信頼度検証基準の例を示す図である。

【発明を実施するための形態】

【0015】

以下では、添付図面に基づいて、本発明が属する技術分野において通常の知識を有する者が容易に実施できるように本発明の実施形態について詳しく説明する。しかしながら、本発明は、種々の異なる形態に具体化可能であり、ここで説明する実施の形態に何ら限定されるものではない。なお、図中、本発明を明確に説明するために、説明とは無関係な部分は省略し、明細書の全般に亘って、類似の部分には類似の図面符号を付している。

【0016】

以下、添付図面に基づいて、本発明について詳しく説明する。

【0017】

１．本発明において使用する用語

【0018】

１．１．ＲＴＯ運転データ／派生因子

【0019】

ＲＴＯ運転データとは、ＲＴＯ動作中に、ＲＴＯの内部に配置されている各種のセンサーの測定値を意味する。

【0020】

具体的に、ＲＴＯ運転データは、ＲＴＯブロワー（Ｂｌｏｗｅｒ）駆動電力量、ＬＮＧ燃料投入量、ベッドインレット（Ｂｅｄ Ｉｎｌｅｔ）温度／圧力、チャンバー（Ｃｈａｍｂｅｒ）温度、チャンバーアウトレット（Ｃｈａｍｂｅｒ Ｏｕｔｌｅｔ）温度、ベッド（Ｂｅｄ）の上／下部の温度などを網羅する。このため、各種のセンサーは、ブロワー電力量、ＬＮＧ燃料量、ベッドインレット温度／圧力、チャンバー温度、チャンバーアウトレット温度、ベッドの上／下部温度センサーなど運転データの測定に必要とされるセンサーから構成されてもよい。

【0021】

一方、派生因子は、ＲＴＯ運転データから得られる値であって、チャンバーの温度変化（ｄＴ）、ベッドの上／下部の温度差（Ｔｂｅｄ＿ｄｉｆｆ）などを含んでいてもよい。

【0022】

１．２．ＶＯＣセンサー

【0023】

ＶＯＣセンサーとは、多数のＲＴＯの各々に配置されて当該ＲＴＯに流れ込むＶＯＣ量をリアルタイムにて測定する物理センサーのことをいう。本発明において、ＶＯＣセンサーは、通常、周知の水素炎イオン化検出器（水素炎イオン化検出器（ＦＩＤ）：Ｆｌａｍｅ Ｉｏｎｉｚａｔｉｏｎ Ｄｅｔｅｃｔｏｒ）により実現可能である。

【0024】

本発明において、「ＶＯＣセンサー」は、「水素炎イオン化検出器（ＦＩＤ）センサー部」と混用されることがある。

【0025】

１．３．仮想センサー

【0026】

仮想センサーは、ＶＯＣセンサーと並行活用して校正時点の確認に使用し、究極的には、物理センサーに取り替え可能なように開発されたセンサーであって、ＲＴＯ運転データを活用して、ＶＯＣ流入量を逆算する概念に基づいて実現される。

【0027】

このような仮想センサーは、ＲＴＯ運転データ及びそれから得られた派生因子を活用してマシンラーニング手法によりＶＯＣ流入量を推定する学習ベースの仮想センサーと、第１原則に基づいてＲＴＯの内部において生じる燃料の燃焼エネルギーと熱風昇温エネルギーとの差を基にＶＯＣ流入量／濃度を予測する理論ベースの仮想センサーと、から構成される。

【0028】

２．本発明に係るＲＴＯのＶＯＣ流入量測定仮想センサーシステム

【0029】

本発明に係るＲＴＯのＶＯＣ流入量測定仮想センサーシステムは、多数の蓄熱式焼却炉ＲＴＯ_１，ＲＴＯ_２，．．．，ＲＴＯ_ｎの各々のＲＴＯ（Ｒｅｇｅｎｅｒａｔｉｖｅ Ｔｈｅｒｍａｌ Ｏｘｉｄｉｚｅｒ）のＶＯＣ流入量をモニタリングするシステムである。

【0030】

図１は、本発明の一実施形態に係るＲＴＯのＶＯＣ流入量測定仮想センサーシステムの全体的な構成を概略的に示す図である。

【0031】

図１を参照すると、本発明のシステムは、大きく、多数のＲＴＯ_ｎ １００＿１，１００＿２，．．．，１００＿ｎと、これらを制御するＲＴＯ制御装置２００と、から構成される。

【0032】

２．１．蓄熱式焼却炉（ＲＴＯ：Ｒｅｇｅｎｅｒａｔｉｖｅ Ｔｈｅｒｍａｌ Ｏｘｉｄｉｚｅｒ）

【0033】

図２の（ａ）は、本発明の一実施形態に係るＲＴＯの内部構成を概略的に示す図である。

【0034】

図２の（ａ）を参照すると、本発明のシステムに組み込まれる各々のＲＴＯ_ｎ １００＿１，１００＿２，．．．，１００＿ｎは、下記のような構成要素を備えていてもよい。

【0035】

２．１．１．水素炎イオン化検出器（ＦＩＤ）センサー部１１０

【0036】

水素炎イオン化検出器（ＦＩＤ）センサー部１１０は、水素炎イオン化検出器（水素炎イオン化検出器（ＦＩＤ）：Ｆｌａｍｅ Ｉｏｎｉｚａｔｉｏｎ Ｄｅｔｅｃｔｏｒ）から構成されて、ＶＯＣ流入量を周期的にリアルタイムにて測定するＶＯＣセンサーである。例えば、図３に示すように、ブロワー（Ｂｌｏｗｅｒ）の近くに配置されて流れ込むＶＯＣ量を検出／測定することができる。このような水素炎イオン化検出器（ＦＩＤ）センサー部１１０により測定される値を、以下では、水素炎イオン化検出器（ＦＩＤ）センサー測定値またはＶＯＣセンサー測定値またはＶＯＣ１と指し示すことができる。

【0037】

２．１．２．運転データ測定部１２０

【0038】

運転データ測定部１２０は、ブロワー駆動電力量、ＬＮＧ燃料量、ベッドインレット温度／圧力、チャンバー温度、チャンバーアウトレット温度、ベッドの上／下部の温度などを含むＲＴＯ運転データの測定に必要な各種のセンサーから構成されて、一定の周期ごとに運転データをリアルタイムにて測定する構成要素である。

【0039】

２．２．ＲＴＯ制御装置２００

【0040】

図２の（ｂ）は、本発明の一実施形態に係るＲＴＯ制御装置の内部構成を概略的に示す図である。

【0041】

図２の（ｂ）を参照すると、本発明のＲＴＯ制御装置２００は、下記のような構成要素を備えていてもよい。

【0042】

２．２．１．第１の仮想センサー部２１０

【0043】

第１の仮想センサー部２１０は、ＲＴＯ運転データを活用して、マシンラーニング手法によりＶＯＣ流入量を推定する学習ベースの仮想センサーである。

【0044】

より具体的に、第１の仮想センサー部２１０は、各ＲＴＯから取得されるＲＴＯ運転データ及び水素炎イオン化検出器（ＦＩＤ）センサー測定値を用いて第１のＶＯＣ算出モデルを生成し、生成した第１のＶＯＣ算出モデルを通じて、各ＲＴＯの運転データから学習ベースのセンサー出力値をもってＶＯＣ流入量を推定／予測する。

【0045】

このような第１の仮想センサー部２１０は、下記の細部的な構成要素を備えていてもよい。

【0046】

ア． 第１の運転データ入力部

【0047】

第１の運転データ入力部は、多数のＲＴＯ_ｎ １００＿１，１００＿２，．．．，１００＿ｎの各々の運転データ測定部１２０からリアルタイムにて測定される運転データを入力される構成要素である。

【0048】

イ． ＶＯＣ流入量推定ＭＬ学習部

【0049】

ＶＯＣ流入量推定ＭＬ学習部は、第１の運転データ入力部から入力された各ＲＴＯの運転データ及び前記運転データから生成した派生因子を入力とし、水素炎イオン化検出器（ＦＩＤ）センサー部１１０の水素炎イオン化検出器（ＦＩＤ）センサー測定値を出力とするマシンラーニングをしてＶＯＣ流入量推定モデルである第１のＶＯＣ算出モデルを生成する。

【0050】

図３は、本発明の一実施形態に係る第１のＶＯＣ算出モデル学習過程を示す図である。

【0051】

図３を参照すると、第１のＶＯＣ算出モデルを学習する過程は、ＲＴＯ運転データとそれから生成した派生因子とから構成された入力変数を２つの隠れたレイヤー（Ｈｉｄｄｅｎ Ｌａｙｅｒ）に入力し、水素炎イオン化検出器（ＦＩＤ）センサー測定値（ＶＯＣ１）を真値として指導学習を行う方式により行われる。

【0052】

すなわち、第１のＶＯＣ算出モデルは、水素炎イオン化検出器（ＦＩＤ）センサー部１１０のＶＯＣ流入量測定値と当該ＶＯＣ流入量測定値に対応するＲＴＯ運転データを用いて学習された人工知能ニューラルネットワークモデルである。

【0053】

ここで、派生因子は、上述したように、ＲＴＯ運転データのチャンバー温度から取得されるチャンバー温度変化（ｄＴ）、ベッドの上下部の温度から得られるベッドの上下部の温度の差を含んでいてもよい。

【0054】

このような第１の仮想センサー部２１０は、学習された第１のＶＯＣ算出モデルを用いて、多数のＲＴＯ_ｎ １００＿１，１００＿２，．．．，１００＿ｎから取得されるＲＴＯ運転データから当該ＲＴＯのＶＯＣ流入量を推定／予測し、その出力値を学習ベースの仮想センサー予測値（ＶＯＣ２）と指し示すことができる。

【0055】

図４は、本発明の一実施形態に係る学習されたＶＯＣ流入量推定モデル（第１のＶＯＣ算出モデル）を適用した結果の例を示す図である。

【0056】

図４の（ａ）に示すグラフを参照すると、薄い灰色のグラフは、一定の期間の間のＶＯＣセンサー測定値であり、濃い灰色のグラフは、ＶＯＣセンサー測定値と当該ＶＯＣセンサー測定値に対応するＲＴＯ運転データを用いた指導学習過程におけるＶＯＣ流入量予測値であり、 黒色のグラフは、学習されたモデルを用いて、実際のＲＴＯ運転データから推定／算出されたＶＯＣ流入量を示す。物理センサーであるＶＯＣセンサーの実際の測定値（灰色のグラフ）と学習されたモデルからの予測値（黒色のグラフ）とを互いに比較したとき、所定の基準値以上の差が出る時点を確認することができ、これを通じて、当該時点のＶＯＣセンサー測定値に対する診断／検証をして、ＶＯＣセンサー測定の誤差を最小化させることができる。なお、図４の（ｂ）に示すように、ＶＯＣセンサーの実際の測定値と学習されたモデルを適用して推定されたＶＯＣ流入量予測値とを比較することで、校正時点を確認することが可能であるので、これを通じて、ＶＯＣセンサー測定値の診断／検証を行って、測定誤差を減らすことができる。

【0057】

２．２．２．第２の仮想センサー部２２０

【0058】

第２の仮想センサー部２２０は、ＶＯＣ燃焼エネルギーを用いてＲＴＯのＶＯＣ流入量を算出する第２のＶＯＣ算出モデルを搭載した理論ベースの仮想センサーである。より具体的に、ＲＴＯの内部において生じる燃料の燃焼エネルギーと熱風昇温エネルギーとの差を基にＶＯＣ流入量および／または濃度を予測するように構成される。

【0059】

このような第２の仮想センサー部２２０は、下記の細部的な構成要素を備えていてもよい。

【0060】

ア． 第２の運転データ入力部

【0061】

第２の運転データ入力部は、多数のＲＴＯ_ｎ １００＿１，１００＿２，．．．，１００＿ｎの各々の運転データ測定部１２０からリアルタイムにて測定されるＲＴＯ運転データを入力される構成要素である。

【0062】

イ． 燃焼エネルギー演算部

【0063】

燃焼エネルギー演算部は、下記の数式１により燃料（ＬＮＧ）の燃焼エネルギー（Ｑ_１）を演算する。

【0064】

［数式１］
Ｑ_１＝ＬＮＧ投入量×４３，９５０ …１

【0065】

ここで、４３，９５０とは、単位質量の物質温度を１℃高めるのにかかる熱エネルギーである比熱容量のことをいう。ＬＮＧ燃料は、１Ｎｍ^３当たりに燃焼により生じさせるエネルギーが４３．９５ＭＪである。これを単位ｋＪに変換しかつ計算して、比熱容量として４３，９５０の値を使用し、各々の単位は、ＬＮＧ投入量［Ｎｍ^３／ｈｒ］、４３，９５０［ｋＪ／Ｎｍ^３］であるため、ＬＮＧ燃料の燃焼エネルギー単位は、［ｋＪ／ｈｒ］となる。

【0066】

一方、ＬＮＧ投入量（流量）は、通常のＬＮＧ流入量測定器（センサー）を用いて測定可能である。図示はしないが、ＬＮＧ流入量測定センサーは、ＲＴＯと直結された配管に配置されてＬＮＧ流量を測定することができる。完全燃焼のためには、ＬＮＧ投入量とともに、空気の投入量をも調節しなければならないため、流量センサーは、通常、ＲＴＯの近くに位置することが好ましい。

【0067】

ウ． 燃焼前／後の熱風昇温エネルギー演算部

【0068】

燃焼前／後の熱風昇温エネルギー演算部は、下記の数式２によりＲＴＯに流れ込む空気が昇温に必要なエネルギー（Ｑ_２）を演算する。

【0069】

［数式２］

【数1】

【0070】

ここで、ｍは、空気流量を意味する。これは、空気流量センサーまたはブロワー（Ｂｌｏｗｅｒ）入力端圧力センサーと出力端圧力センサーとの差圧データから算出される。

【0071】

また、Ｃｐは、

【数2】

から計算される。これは、理想気体の状態方程式（圧力＝密度Ｘ気体定数Ｘ温度）を用いて空気の密度を求める部分であって、１０１，３２５（Ｐａ）は圧力、２８６．９（ｋＪ／ｋｇ）は気体定数、２７３．１５は絶対零度値を示す。但し、上記の数式２は、空気流量（ｍ）の単位が［ｋｇ／ｈｒ］である場合に相当するものである。空気流量（ｍ）の単位が［ｍ^３／ｈｒ］である場合には、上記の数式２に空気密度値（例えば、１２０）がさらに掛け算されることがある。

【0072】

また、Ｔ１は、燃焼前の温度であるベッドインレット（Ｂｅｄ ｉｎｌｅｔ）温度であり、Ｔ２は、燃焼後の温度であるチャンバーアウトレット（Ｃｈａｍｂｅｒ ｏｕｔｌｅｔ）温度を意味する。ブロワー（Ｂｌｏｗｅｒ）に流れ込む空気は、ＲＴＯチャンバー内のベッドインレット（Ｂｅｄ ｉｎｌｅｔ）に流れ込み、チャンバーアウトレット（Ｃｈａｍｂｅｒ ｏｕｔｌｅｔ）に抜け出る仕組みであるため、ベッドインレットとチャンバーアウトレットの各々の位置に温度センサーを配置して、燃焼前／後の温度をそれぞれ測定する。さらに具体的に、ＲＴＯの内部に位置する温度センサーは、蓄熱材が２段状に構成されている場合、通常、最初の蓄熱材の通過前／後、二番目の蓄熱材の通過後に燃焼室などに位置付けられる。このため、本発明の一実施形態によれば、燃焼室の温度、燃焼後の温度、二番目の蓄熱材の通過後の温度、燃焼前の温度、すなわち、すべての蓄熱材を通過した直後の温度値を用いることができる。

【0073】

エ． ＶＯＣ流入量演算部

【0074】

ＶＯＣ流入量演算部は、前記燃焼エネルギー演算部において演算された燃焼エネルギー（Ｑ_１）と前記燃焼前／後の熱風昇温エネルギー演算部において演算された、ＲＴＯに流れ込む空気が昇温するのに必要なエネルギー（Ｑ_２）を用いて、下記の数式３によりＶＯＣ流入量を演算する。

【0075】

［数式３］

【数3】

【0076】

ここで、Ｑ_３＝Ｑ_２－Ｑ_１であって、燃焼前／後の熱風昇温エネルギーから燃焼エネルギーを差し引いた値のことをいう。

【0077】

一方、ＶＯＣ燃焼熱は、ＶＯＣ物質ごとに異なり、これは、標準生成エンタルピーを用いる公知の方式により得ることができる。

【0078】

オ．爆発下限界（ＬＥＬ）濃度算出部

【0079】

第２の仮想センサー部は、下記の数式４によりＶＯＣのＬＥＬ濃度（％）を算出するＬＥＬ濃度算出部をさらに備えていてもよい。

【0080】

［数式４］

【数4】

【0081】

ここで、Ｑ_２－Ｑ_１は、上記の数式２により演算された燃焼前／後の熱風昇温エネルギー（Ｑ_２）と上記の数式１により演算された燃焼エネルギー（Ｑ_１）との差であって、すなわち、ＶＯＣが燃焼しながら生じさせたエネルギーを意味する。

【0082】

また、１．９３は、ＶＯＣ物質ブテンの密度を示す値である。ブテンの密度は、空気の密度の約１．９３倍であるため、空気の密度を求める部分

【数5】

に１．９３を掛け算してＶＯＣ（ブテン）の密度を求める。

【0083】

さらに、ブテンの場合、ＬＥＬ １００％が１．６％である。ＬＥＬ １％は、空気とブテンとの比率が０．０１６％であることを意味するものであって、すなわち、空気流量が１００ｍ^３／ｈｒであるとき、ブテンは、０．０００１６ｍ^３／ｈｒが含まれているということを意味する。

【0084】

ここで、１．９３と０．０１６は、ＶＯＣ物質がブテンである場合に相当するものであり、ＶＯＣ物質に応じて異なってくる。

【0085】

ＶＯＣのＬＥＬ濃度（％）の場合、上記の数式１～３を通じて計算されたＶＯＣ流入量と空気流量との比率を用いて算出可能であるため、必要に応じて、第２の仮想センサー部２２０の最終出力値である理論ベースの仮想センサー出力値をもってＶＯＣ流入量またはＬＥＬ濃度（％）を得るように設定可能である。

【0086】

２．２．３．信頼度検証部２３０

【0087】

信頼度検証部２３０は、多数のＲＴＯ_ｎ １００＿１，１００＿２，．．．，１００＿ｎの各々からＶＯＣセンサー測定値を入力されて、これに基づいて、当該ＲＴＯのＶＯＣセンサーの信頼度またはＶＯＣセンサー（水素炎イオン化検出器（ＦＩＤ）センサー部１１０）の有無を検証する構成要素である。

【0088】

ＶＯＣセンサーの信頼度を検証する基準は、ＶＯＣセンサー測定値が下記のような二つの場合のうちのいずれか一つでも満たす場合、当該ＶＯＣセンサーの信頼度が低いと判断することができる。

【0089】

図５及び図６は、本発明の一実施形態に係るＶＯＣセンサーの信頼度が低いと判断する場合の例を示す図である。

【0090】

第１の場合であって、図５に示すように、ＶＯＣセンサー測定値が所定の時間以上変化がない場合、当該ＶＯＣセンサーの信頼度が低いと判断することができる。

【0091】

第２の場合であって、図６に示すように、ＲＴＯ運転データに基準範囲以上の変化がないにも拘わらず、ＶＯＣセンサー測定値が基準値を超えることが所定の回数以上生じる場合、当該ＶＯＣセンサーの信頼度が低いと判断することができる。ここで、図６の場合、ＲＴＯ運転データは、厚いラインで示されるチャンバー温度の変化を示し、ＶＯＣセンサーの測定値は区別され、細いラインで示されている。

【0092】

このような第１及び第２の場合のうちのどちらか一方でも満たす場合、当該ＲＴＯのＶＯＣセンサーの信頼度が低いと判断し、例えば、この旨を示すＬｏｗ（ロー）信号を出力することができる。これに対し、前記第１及び第２の場合の両方ともに相当しない場合、当該ＲＴＯのＶＯＣセンサーの信頼度が高いと判断し、例えば、この旨を示すＨｉｇｈ（ハイ）信号を出力することができる。

【0093】

２．２．４．制御部２４０

【0094】

制御部２４０は、各ＲＴＯ １００＿１，１００＿２，．．．，１００＿ｎごとに前記信頼度検証部２３０における検証結果と水素炎イオン化検出器（ＦＩＤ）センサーの存否に応じて、前記第１の仮想センサー部２１０と前記第２の仮想センサー部２２０のうちのどちらか一方からＶＯＣ流入量算出値を取得し、取得された仮想センサーからのＶＯＣ流入量と水素炎イオン化検出器（ＦＩＤ）センサー部１１０のＶＯＣセンサー測定値とを互いに比較することで、当該ＲＴＯのＶＯＣセンサー測定値に関する診断警報を発するように構成される。

【0095】

ア． 仮想センサー選択部

【0096】

仮想センサー選択部は、各ＲＴＯ １００＿１，１００＿２，．．．，１００＿ｎごとに前記信頼度検証部２３０における検証結果及びＶＯＣセンサーの存否に応じて、前記第１の仮想センサー部２１０と前記第２の仮想センサー部２２０のうちのどちらか一方を選択して、それからＶＯＣ流入量を算出して取得することができる。

【0097】

具体的に、水素炎イオン化検出器（ＦＩＤ）センサーが存在し、前記信頼度検証部２３０における検証の結果、ＶＯＣセンサーの信頼度が高いと判断された場合（ハイ信号が出力された場合）であれば、当該ＲＴＯの仮想センサー予測値は、第１の仮想センサー部２１０からＶＯＣ流入量を算出／取得することができる。

【0098】

これに対し、水素炎イオン化検出器（ＦＩＤ）センサーが存在しないか、あるいは、前記信頼度検証部２３０における検証の結果、ＶＯＣセンサーの信頼度が低いと判断された場合（ロー信号が出力された場合）であれば、当該ＲＴＯの仮想センサー予測値は、第２の仮想センサー部２２０からＶＯＣ流入量を算出／取得することができる。

【0099】

イ．診断警報生成部

【0100】

診断警報生成部は、前記仮想センサー選択部において取得した第１の仮想センサー部２１０または第２の仮想センサー部２２０からのＶＯＣ流入量と、同一の時点に対する当該ＲＴＯのＶＯＣセンサー測定値とを互いに比較して、その比較結果を踏まえて、ＶＯＣセンサー測定値に関する診断警報を生成する。

【0101】

前記比較の結果、第１の仮想センサー部２１０または第２の仮想センサー部２２０からのＶＯＣ流入量とＶＯＣセンサー測定値との間に所定の基準値以上に差が出る場合、ユーザーをして当該ＶＯＣセンサー測定値に対して検証を行わせるように診断警報を生成することができる。

【0102】

３．本発明に係る仮想センサーを用いたＲＴＯのＶＯＣ測定センサーの検証方法

【0103】

本発明の一実施形態に係るＲＴＯのＶＯＣ測定仮想センサーシステムは、以上において説明したように、多数のＲＴＯ_ｎ １００＿１，１００＿２，．．．，１００＿ｎとこれらを制御するＲＴＯ制御装置２００を備えてなる。このようなシステムのＶＯＣ測定センサーの検証方法は、下記のようなステップを含んでいてもよい。

【0104】

３．１．データ測定及び収集ステップ

【0105】

データ測定及び収集ステップは、多数のＲＴＯ_ｎ １００＿１，１００＿２，．．．，１００＿ｎの各々から一定の周期ごとにリアルタイムにて測定される運転データ及びＶＯＣセンサー測定値を収集するステップである。

【0106】

より具体的に、各ＲＴＯ １００＿１，１００＿２，．．．，１００＿ｎごとに備えられている水素炎イオン化検出器（ＦＩＤ）センサー部１１０及び各種のセンサーから構成された運転データ測定部１２０からリアルタイムにてＶＯＣセンサー測定値とＲＴＯ運転データを収集する。

【0107】

３．２．ＶＯＣセンサー検証及び仮想センサー選択ステップ

【0108】

ＶＯＣセンサー検証及び仮想センサー選択ステップは、前記収集した各ＲＴＯ １００＿１，１００＿２，．．．，１００＿ｎごとのＶＯＣセンサー測定値に基づいて、当該ＲＴＯのＶＯＣセンサーの信頼度を検証し、その検証結果を基準として、学習ベースの仮想センサーと理論ベースの仮想センサーのうちのどちらか一方を選択するステップである。

【0109】

具体的に、ＶＯＣセンサー測定値に所定の時間以上変化がない場合、またはＲＴＯ運転データに基準範囲以上変化がないにも拘わらず、ＶＯＣセンサー測定値が基準値を超えることが所定の回数以上存在する場合のうちのどちら一方でも満たす場合、当該ＲＴＯのＶＯＣセンサーの信頼度が低いと判断することができる。このようなＶＯＣセンサーの信頼度検証基準は、以上において、システム構成の欄において図５及び図６を例にとって詳しく説明したため、その具体的な説明は省略する。

【0110】

一方、検証の結果、ＶＯＣセンサー測定値の信頼度が高いと判断された場合、ＲＴＯ運転データを用いてＶＯＣ流入量を推定するように学習された第１のＶＯＣ算出モデルを搭載した学習ベースの仮想センサーを選択する。これに対し、ＶＯＣセンサー測定値の信頼度が低いと判断された場合、ＶＯＣ燃焼エネルギーを用いてＶＯＣ流入量を算出する第２のＶＯＣ算出モデルを搭載した理論ベースの仮想センサーを選択する。ここで、ＶＯＣセンサーが存在しない場合であっても、理論ベースの仮想センサーを選択するように設定される。

【0111】

例えば、第２のＲＴＯ １００＿２のセンサーの信頼度が高いと判断された場合、学習ベースの仮想センサーを選択し、センサーの信頼度が低いと判断された場合であれば、理論ベースの仮想センサーを選択するのである。

【0112】

このようにして選択した仮想センサーは、後述するステップにおいて当該仮想センサーから得られる予測値を用いて、そのＲＴＯのＶＯＣセンサー値に対する診断の要否を判断する上で使用可能である。

【0113】

３．３．仮想センサー予測値取得ステップ

【0114】

仮想センサー予測値取得ステップは、前記ＶＯＣ検証及び仮想センサー選択ステップにおいて各ＲＴＯごとに前記選択した仮想センサーからの予測値を取得するステップである。

【0115】

選択した仮想センサーが学習ベースの仮想センサーである場合、それから第１のＶＯＣ算出モデルを通じて当該ＲＴＯの運転データを用いて推定されたＶＯＣ流入量を仮想センサー予測値（ＶＯＣ２）として取得することができる。

【0116】

ここで、第１のＶＯＣ算出モデルは、ＲＴＯの運転データとそれから生成した派生因子とから構成された入力変数を２つの隠れたレイヤー（Ｈｉｄｄｅｎ Ｌａｙｅｒ）に入力し、ＶＯＣセンサー測定値（ＶＯＣ１）を真値として指導学習して生成された人工知能ニューラルネットワークモデルである。

【0117】

一方、選択した仮想センサーが理論ベースの仮想センサーである場合、それから上記の数式１～４を利用する第２のＶＯＣ算出モデルを通じて当該ＲＴＯのＶＯＣ燃焼エネルギーから算出されたＶＯＣ流入量を仮想センサー予測値（ＶＯＣ３）として取得することができる。

【0118】

このようなステップを通じて、各ＲＴＯごとにＶＯＣセンサーの信頼度のレベルに応じて選択した仮想センサーからＶＯＣ流入量を取得することができる。

【0119】

３．４．センサーデータ比較ステップ

【0120】

センサーデータ比較ステップは、前記仮想センサー予測値取得ステップを通じて各ＲＴＯごとに取得した仮想センサー予測値であるＶＯＣ流入量と、同一の時点に対して前記収集したＶＯＣセンサー測定値とを互いに比較するステップである。

【0121】

例えば、第２のＲＴＯ １００＿２の時間ｔにおけるＶＯＣセンサー測定値（ＶＯＣ１＿２）と学習ベースの仮想センサー予測値（ＶＯＣ２＿２）または理論ベースの仮想センサー予測値（ＶＯＣ３＿２）とを互いに比較するのである。

【0122】

３．５．診断警報発生ステップ

【0123】

診断警報発生ステップは、前記比較の結果、前記仮想センサー予測値と前記ＶＯＣセンサー測定値との間に所定の基準値以上の差が出る場合、当該ＲＴＯのＶＯＣセンサー値に関する診断警報を発するステップである。

【0124】

ＲＴＯのＶＯＣセンサー測定値と仮想センサー予測値との間に所定の基準値以上の差が出ると、ユーザーをして当該ＶＯＣセンサー測定値に対して検証を行わせるように診断警報を発するのである。

【0125】

一方、本発明の技術的思想は、上記の実施形態に基づいて具体的に記述されたが、上記の実施形態はその説明のためのものであり、その制限のためのものではないということに留意すべきである。なお、本発明の技術分野における当業者であれば、本発明の技術思想の範囲内において種々の実施形態が実施可能であるということが理解できる筈である。

【0126】

下記は、本発明の説明及び図面において使用した符号の各名称を示す。

【符号の説明】

【0127】

１００＿１～１００＿ｎ：ＲＴＯ
１１０：水素炎イオン化検出器（ＦＩＤ）センサー部
１２０：運転データ測定部
２００：ＲＴＯ制御装置
２１０：第１の仮想センサー部
２２０：第２の仮想センサー部
２３０：信頼度検証部
２４０：制御部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】