JPH02170906A - 高炉送風流量制御方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野］ 本発明は、高炉の通気状態を送風流量によって制御する
操業方法に関する。

［従来の技術］ 高炉操業にとって、送風流量は、ある生産計画からまず
決定されるべきもので、そこで指定された風量一定の操
業をすることは炉の生産性を常に一定にし、炉況を安定
状態に保つという意味をもっている。

一方、一定の風量を高炉へ送り込むためには高炉内の通
気状態が常に安定かつ良好でなければならず、通気が悪
化すると、装入物降下不順ひいては棚吊りやスリップと
いう異常事態を招く危険性がある６そのため、炉内通気
性等が悪化した場合、送風流量を指定された風量（以下
指定風量と呼ぶ）かられずかたけ−時減風することによ
って、送風条件を緩和し１通気性が回復してきたらまた
増風して復帰させるという操業を行う、必要がある。

このような操業は、従来、高炉操業者が高炉に設置され
た種々のセンサからの情報をもとにして「通気が悪くな
った」あるいは［近い将来悪くなるコなどの総合的判断
をし、そして減風のタイミングと量を決定し操作すると
いう方法がとられてきた。減風時の戻し操作も同様であ
る。

ところがその減風や増風のタイミングや量の決定には操
業者の能力や経験に基く個人差があり操業の標準化が難
しいと共に、評価が定量的でないため常に適切なアクシ
ョンがとられていたわけではなかった。しかも、そのた
めには常時数多くのセンサ情報を監視していなければな
らずオペレータの操業負荷が高いという問題もあった。

このような問題を解決するため特開昭５２−１０５５１
１では、高炉内圧力損失レベルを予測する式を提案し、
圧力損失の予測値と危険値を比較しながら、安定した圧
力損失レベルを維持できるような送風流量制御順方法を
示している。しがし、その方法では圧力損失の子−１１
式の精度によるところが大きく、精度よく送風流量変更
量を求めることはやはり難しい。また、吹き抜けを防止
することのみを考えているが、送風流量を少し減風する
ような操作はこの他スリップ、アンザッツ落下。

炉熱レベル等様々な操業因子をみて総合的に判断しなけ
ればならない。

従来から、物理的なモデルを作ったり、操業者のノウハ
ウを具現化するエキスパートシステム（特開昭６２−２
７０７１２）を作ったりして、吹き抜けやスリップなど
の通気異常を予測する研究や、測定データを如何にして
通気状況を判定しゃすい清報に加工したらよいかという
研究が多く行われてきた。しかし、どれも、数多くの観
測事象と送風流量の減風１．増風１アクシヨンを正確な
因果関係で結びつけ、自動的に送風流量設定値を調整す
るという操業を実施することが可能となってはいない。

〔発明が解決しようとする課題１ 本発明は、従来技術のこのような問題点を解決するため
になされたものであり、スリップや吹き抜けだけでなく
アンザッツ落下、炉内ノロ残り、炉熱レベル変化等も含
めた高炉の操業に関するあらゆる情報をもとにして、各
１ｈ報とアクションである減風量、増風量との対応関係
を明らかにするネットワーク構造を作り上げたことを特
徴としており、次の（１）〜（３）を目的とするもので
ある８ （１）減風や増風アクションの雀とタイミングの精度を
向上させること。

（２゜）あらゆる情報をとり込んで送風流量を自動制御
し、結果的にオペレータの負荷を軽減すること。

（３）さらに、各計測データの動きとアクションである
減風量、増風量、現状維持の因果関係が明確で、どのオ
ペレータでも同一アクションを実施する領域においては
、［若し・・−ならば・・・する」というルール群を知
識ベースとしてもついわゆるエキスパートシステムによ
り、アクションを指示する。これによりシステムを簡素
化し、各計測データの動きとアクションの因果関係が不
明確な傾城においては、ニューラルネットワークにより
各計測情報とアクションの対応関係を明らかにし、アク
ションＮ１１断の精度を向上させること。

［課題を解決するための手段Ｊ 本発明は、高炉の通気を制御するため送風流量を指定さ
れた値から一時減風して、スリップ、棚吊り、吹き抜け
などの巽常状態を回避し、そこからまた増風して指定風
量に戻すｘＡ風流量制御卸方法において。

各種データを入力層とし、あらかじめ相数段階に分けた
減風量あるいは増風型を各ユニットの出力としたものを
出力層とする２層以上のニューラルネットワークを構成
し、このニューラルネットワークを事前に学習させて最
適な相互結合係数を決定しておき。

高炉に設置された通気状態等を判定するセンサデータや
それをもとにして計算された操作データを所定のタイミ
ングでデータ手段に入力し、さらにそれぞれを最近の変
化がわかりオペレータの間断基準と合致するようなデー
タに加工処理し、前記ニューラルネットワークを利用し
で、実際のセンサデータや操作データをもとにリアルタ
イムで減風量あるいは増風量を決定し自動的にその値で
制御することを特徴とした高炉送風流量制御方法である
。

また、第２の発明はこのような高炉送風流量制御方法に
おいて、ニューラルネットワークと並列にエキスパート
システムを構成しておき、各計測データの動きを判定す
る処理（判断手段）を入れておき、データと風量増減の
因果関係が明確であると判断したときには、エキスパー
トシステムにより、明確でないと判断したときはニュー
ラルネットワークにより、リアルタイムで減風量あるい
は増風量を決定し、自動的にその値で制御することを特
徴とする。

本発明のポイントは、従来因果関係の不明確であった通
気性悪化と減風量、減風タイミングあるいは増風量、増
風タイミングの関係を、ニューラルネットワークを用い
て、熟練オペレータを教師として事前に学習させること
によって、アクション量、タイミングをより適切かつ正
確なものとしたことにある。

また計１１１１データの変化が大きく、それに対するア
クションが明確で不変的になっている部分については、
「若し・・・ならば・・−する」型のルールを作成して
、アクション量を決定する。

多（の計測データの変化が小さ（、またその変化の状態
（方向）が不規則で複雑に関連しあっているような場合
の、アクション判断（増風、＄＆風、現状維持等）を、
ニューラルネットワークを手段として、現象との因果関
係を明確にし、アクリ３ンの精度すなわちアクションの
タイミングアクション量の正確度を向上させる。

ここでニューラルネットワークについて日経エレクトロ
ニクス（１９８７，８，１０１１１５〜＋２４頁を参照
して簡単に説明する。

ニューラルネットワークは５人間の脳を１似たネットワ
ークである６脳のニューロンに対応したユニ・ントが複
数個、複雑に接続し合っている。各ユニットの動作およ
びユニット間の接続形態をうまく決めることによって５
パタ一ン認識機能、知識処理Ｎ能を埋め込むことができ
る。

ユニットの構造はニューロンをモデル化したものでこれ
を第６図に模式的に示した。構造は単純で、他のユニッ
トから入力を受ける部分、入力を一定の規則で変換する
部分、結果を出力する部分から成る。

他のユニットとの結合部には、それぞれ可変の重みＷｔ
ｊを付ける。結合の強さを表わすためである。この値を
変えるとネットワークの構造が変わる。ネットワークの
学習とは、この値を変えることである。Ｗは、正、ゼロ
、負の値をとる。ゼロは結合のないことを表わす。

あるユニットが複数ユニ・ントから入力を受けた場合、
その総和を入力値とする１入力の総和ｎｅｔは。

ｎｅｔ＜＝ΣＷｔｊＯｊ　　　　　　＝−（１）である
。

各ユニットは入力の総和ｎｅｔを関Ｈ（［ｆに適用し変
換する。この人出力特性は各ユニットごとに違っていい
、しかし、一般には第６図（ｂ）または（Ｃ）の関数を
使うことが多い。第６図（Ｃ）はシグモイド（ｓｉｇｍ
ｏｉｄ　）関数と呼ぶ。微分可能な、凝似線形関数で。

で表すことができる。領域は０〜１で、入力値が大きく
なるにつれ１に、小さくなるにつれＯに近づく。入力が
０のときは０．５となる。しきい値θを加えて、 ・−・　（３） とする場−合もある。

ネットワークは第７図に示すような階層構造を採る。入
力層、出力層の間に中間層をもたせている。この中間層
を隠れ層と呼ぶ。他の構造のニューラルネットもあるが
ここではバックプロパゲーション・アルゴリズムが使え
る階層ｌ　ａのネットワークに限定する。

ネットワークは入力層、中間層、出力層の方向に結合し
ている。各層内での結合はない。出力層から入力層に向
かう結合もない６フイードフオワードつまり前向きのネ
ットワークである。

バーセブトロンと似た構造だが、中間層を設け、また各
ユニットの人出力特性を非線形にしたことで能力は格段
に向上している。

ネットワークは次のように学習させる。入力層の各ユニ
ットに入力データを与える。この信号は各ユニットで変
換され、中間層に伝わり、最後に出力層から出てくる。

その出力値と、望ましい出力値を比べ、その差を減らす
ように結合の強さを変える。

中間層があると学習は難しい。どのＷ（結合の強さ）が
エラー原因がわからないためである。

パックプロパゲーションは、こうした多層のネットワー
クの学習アルゴリズムである。１９８６年にカリフォル
ニア大学のラメルハートらが提案した。

あるパターンｐを与えたとき、実際の出力値（０＋＝ｊ
）と望ましい出力値（ｔｐｊ）の差をＥａ”　　　（ｔ
ｐｊ　　　０ｐｊ）’　　　　　　・・・　（４）と定
義する。これは出カニニットＪのエラーを表す。ｔｐｊ
は人間が与える教師データである。

学習させるには、このエラーを減らすようにすべての結
合の強さを変えればいい。ここでは、パターンｐを与え
た時のＪｊの変化量を。

と決める。

この式（５）を変形していくことで、 ΔＷを定式化することができる。結果は、ΔｐＷｉｊ＝
ｎδｐｉｏｐｉ　　　　　・＝　（６）である。ここで
、０゜【はユニットｌからユニットｊへの入力値、δｐ
ｊはユニットＪが出カニニットか中間ユニットかで異な
る。出カニニットの場合は δｐ３＝　　（ｔａｊ　　ａｐｊ）　　ｆ’ｊ’　　（
ｎｅｔｐｊ）・・・　（７） 中間ユニ・ントの場合は。

δｐｊ＝ｆｉ’　　（ｎｅｔｐｊ）　　Σδ、ｋｗｋ３
ｋ である。式（８）はδの再帰関数となる。

ΔＷの計算は、出力層のユニットから始めて、中間層の
ユニットに移る。中間ユニットでは。

ΔＷはその前段のΔＷが決まらないと計算できない。従
って、最後の入力層までさかのぼって初めて計算が可能
となる。このように、学習は入力データの処理とは逆方
向、つまり後ろ向き（バックワード）に進む。

従って、バックプロパゲーションによる学習は以下のよ
うに進む、学習用のデータを入力し、結果を出力する（
前向き）。結果のエラーを減らすように、結合の強さを
変える（後ろ向き）、再び学習用データを入力する。こ
れを収束するまで繰り返す。

ΔＷを一般的に定式化したのが、 ΔＷｉｊ　（ｎ　＋　１　） ＝ηδｐｊ　Ｏｐｊ＋αΔＷＨｊ（ｎ）・・−（９） である。ｎは学習の回数を表す。右辺の第１項は今求め
たΔＷであり、第２項はエラーの振動を減らし、収束を
速めるために加えている。

〔作用） 本発明の作用は各種の高炉操業データから、前述の手段
によって、送風流量の減風量あるいは増風量をリアルタ
イムで決定して制御することである。例えば、流量の減
風量は連続的な値でなくても良く、例えばＯＮｍ″／ｍ
１ｎ（変化せず）−１００Ｎｒｎ’／ｍｉｎ　、　−２
００Ｎｔｎ’／ｍｉｎ、−３００Ｎｒｎ’／ｍｉｎ等あ
らかじめ定めた何段階かの量でもよく、単に減風−１０
０Ｎ　ｒｒ？／　ｍｉｎとＯＮｍ”／ｍｉｎ　　（減風
しない）の２つの出力を運ぶようにしてもよい。

〔実施例Ｊ 以下本発明を図面に基いて説明する。第１図は本発明を
実現させるためのシステム構成例である。

高炉ｌへは熱風炉２を経由して送風機３から大量の空気
を送風しており、その流量は送風流量計４で測定され、
制御装置５によって送風１１！３の翼角度を調整して一
定にコントロールされる。高炉のプロセスコンピュータ
６は、炉内各箇所の検出端情報８を集中的に管理する機
能を持っている。

従って１本発明で必要な高炉の各種測定データやそれら
を基に計算された操業データ類はすべてこのプロセスコ
ンピュータ６に一定期間過去のデータも含めて存在して
いる。本発明を実行する専用のコンピュータ７は前記各
データ１２の入力手段つとそれらを加工処理する手段１
０およびニューラルネットワークを含むアクション量決
定手段１１を持ち、決定した減風量あるいは増風量１３
は専用コンピュータ７から高炉プロセスコンピュータ６
に送られ、高炉プロセスコンピュータ６は送風流量の設
定値を制御装置５に与える６以上が本発明方法を実施す
るための具体的構成例である６コンピユータ６と７はも
ちろん同一マシンとして構わない、送風流量の制御をす
るための本発明のプログラムはコンピュータ７で５分周
期で実行する。それに見合うリアルタイム性を持だなけ
ればならない。

次に、詳細な実施例を説明する。

まずデータ入力手段９であるが、ここでは次のような測
定データ、高炉操業データ１２をプロセスコンピュータ
から入力する。

（１）逆風圧力　：熱風炉出口の熱風の圧力（２）一方
的指数、装入間隔の速い、遅いを示す指標であり、次式
で定義される。

Σ（（差指間隔、分／ｃ　ｈ） ｉ＝１ −（計算上の差指間隔） （３）炉頂ガス温度、アップテーク部のガス温度（４）
炉頂ガス利用率（ＱＣＯ） ｎＣＯが高いほどＣＯガスの比が少なく還元に利用され
た割合が高いことを意味する。

（５）シャフト圧カニ高炉シャフト部の圧力で上段と下
段２段に分れて検出端がある。

（６）スキンフロー温度　炉壁から１１　十ｍ　ｍ炉内
へ突出した温度計で測定されたもので、壁際のガスの通
過状況がよくわかるデータとなる。

（７）ステーブ熱負荷ニステープから抜熱される熱用を
示すデータで、下式で表わされる。

５ＴＬ＝Ｆｘ　ｆＴｏ−Ｔｉ）ｘｋ Ｆ、ステーブ冷却水石 １ｏ、出口水量 Ｔ！３人口水温 ｋ　定数 （８）ステーブ温度：炉体各箇所のステーブに埋込んだ
温度計、上下方向複数段および円周方向複数箇所に取り
付けてあって、炉壁に不活性帯（アンザッツ）が付着し
たり、またはそれが落下したりするのを検出することが
可能である。

（９）炉Ｆ百ガス中Ｎ２ａ度、炉内の装入物の不順１落
下によるソリューションロス反応の変化を検出する。

（ｌＯ）計算出滓量、装入物の遣と成分および装入のス
ピードから計算によって求めた出滓量（１１）実績出滓
量　実績の出滓量であり、測定手段がないがオペレーク
の目視て量が測られ、コンピュータ６に手動入力されて
いる。

（１２）装入回数ニ一定時間内の装入回数（１３）タッ
プ代表溶銑ｒＦＡ度、炉内の熱バランスの状態の目安と
なる。

（１４）出銑してからノロ出までの時間（１５）スリッ
プの大きさ （１６）疎密指数、（２）の式においてΣの中で絶対値
をとったもの （１７）炉下トビード空屯台Ｃ々 （１８）　？８銑在庫Ｎ：製鉄所内の溶銑在庫量これら
の各データはオペレータが常に通気状態等高炉の状態を
観測するのに必要としている情報ばかりである。しかし
、これらのデータの現在値のみでなく過去から現在に至
る変化状況もオペレータは観測しており、それぞれの観
測事象毎に良い、悪い、の判定を行っている。このよう
なオペレータの観測事象に合うようデータの加工処理を
行うのがデータ加工手段１０である。

ここからの例は指定風囁からの減風時に対象をしぼって
説明する。

（１′）上記（１）の送風圧力が上昇した度合に応じて
風圧状況を悪い、やや悪い、良いの３段階に分類する。

○現在の送風圧力が最近３時間の送風圧力平均プラス３
０より大きい時　　　　・・・・・・・・・悪い○現在
の送風圧力が最近３時間の送風圧力平均プラス２ａより
大きく、最近３時間の送風圧力平均プラス３０より小さ
い時・・−・・−やや悪い○現在の送風圧力が最近３時
間の送風圧カモ均プラス２０より小さい時　　　　　・
・・・・・良い（２’）　　同上りに関する情報につい
でも下記のようにまとめて悪い、やや悪い、良いの３段
階に分類する。

○スリップの大きさ（Ｉ５）が３ｍ以−ト（スノップが
おこった）、または一方的指数（２）がプラス１５より
大きい時（棚吊りがおこった）、または現在の疎密指数
（１６）が最近１０チヤージの平均プラス３０より大き
い時　　　　　　　　　　　　　・・・・・・悪い○現
在の疎密指数が最近ｌＯチャージ平均のプラス２０より
大きく、最近１０チヤージ平均のプラス３０より小さい
時　　・・・・・・やや悪い○現在の疎密指数が最近ｌ
Ｏチャージ平均のマイナス２０より大きく、最近１０チ
ヤージの平均のプラス２０より小さい時　・・・・・・
良い（３′）・ガス流れに関する炉頂ガス温度（３）の
情報についても同様に、 ○現在の炉頂温度が最近３時間平均のプラス３０より大
きい時　　　　　　　　・・−・・・悪い○現在の炉頂
を温度が最近３時間平均のプラス３０よ−り小さく、最
近３時間平均のプラス２０より大きい時　　　　　　　
　・・・・・・やや悪い○現在の炉頂温度が最近３時間
平均のプラス２０より小さく、最近３時間平均プラス２
０より大きい時　　　　　　　　　　・・−・−良い（
４’　）：同じくガス流れに関する（４）　ｎｃ。

のＩ＋’ｉ報についても同様である６ （５’　）：同じくガス流れに関する（５）シャフト圧
力の清報についでも同様である。ただし、シャフト圧力
は、Ｆ段と下段の差圧でもって判定する。

（６′）　同じくガス流れに関する（９）炉頂ガスＮ２
の濃度についても同球である。

（７’）：炉体温度に関する（６）スキンフロー温度（
ＳＫ’ＩＮ　、（７）ステーブ熱負荷（ＳＴＬ）、（８
）ステーブ温度（ＳＴＴ）についてもそれぞれ１〜２時
間前の平均値と直近３０分の平均値の差ΔＳ　Ｋ　Ｔ、
ΔＳＴＬ、ΔＳＴＴをそれぞれ求め。

○ΔＳＴＬ＞　ｌ　００万ＫｃａｇまたはΔＳＴＴ＞　
１００℃または ΔＳＫＴ＞５０℃または ＳＴＬ＞　ｌ　００万ＫｃａＩ２またはＳＴＴ＞４００
℃または ＳＫＴ＞８００℃の時　　　　　　・・−・・・恋い○
ΔＳＫＬ、ΔＳＴＴ、ΔＳＫＴともにそれぞれ１〜２時
間前の０に対して、２σ以内、かつＳＴＬ＜　１０００
万ＫｃａＩ２、かつ、ＳＴＴ＜４００℃でかつＳＫＴ＜
８００℃の時　　　　　　　　　　　　　　　・・・・
・・良い○上記以外の時　　　　　　　　・・・・・−
やや悪いｆ８’）：炉内ノロ残り状況に関する情報から
次のような加工処理をし、３段階に分類する。

○現在出銑中のタップが出銑してからノロ出までの時間
（１４）が９０分以上、または、残滓レベル（＝（１１
）実績出滓ｍ− ｆｉｏ）計算出滓量）が２００　トン以上の時・・・・
・・悪い ○同上時間が７０分〜９０分、または 同上レベルが１５０トン以上の時・・・やや悪い○上記
以外の時　　　　　　　　　　・・・・・・良い（９’
　）　　二炉熱の不足に関する清報については。

次のように（１３）タップ代表溶銑口Ｉ　Ｍ　Ｔ　）温
度をもとに加工処理をする。

０１１　Ｍ　’ｒ”　＜　１４７０が過去２タツプ続い
た時・・・・・・懇い ○Ｉ　４７０＜ｌ−ＩＭＴ＜　１４８０が過去２タフブ
のうち１タツプ出た時 ・・・・・・やや！思い ○最近２クップとも１４８０＜ＨＭＴの時・・・・・・
良い （１０’）：前記（１２）装入回数に関する情報につい
ては次のように最近８Ｈの実績装入回数と理論上の装入
回数をもとに１次のように加工処理する。

○現在の実績装入回数−理論装入回数が最近８時間の差
の平均＋３０以上の時　　　・・・−・−悪い○現在の
実績装入回数−理論装入回数が最近８時間の差の平均の
±２ａ以内の時　　・・−・・−良い○上記以外　　　
　　　　　　　・−・−・・やや悪い（１１’）？ａ銑
バランスに関する情報については上記（１７）の炉下ト
ビード空車台数と上記（１８）１８銑在庫量をもとに次
のように加工処理する。

○トビード空車台数〈２台、または 溶銑在庫量〈３０００トンの時　　・・−・・−悪い○
トビード空車台数〉４台、または 溶銑在庫ｆｉ＜２０００ｈンの時　　・・−・・−良い
○上記以外　　　　　　　　　　　・・・やや悪い以上
、加工処理の例を説明してきたが、これらをまとめると
第１表のように、ｋ中の空欄が各行１か所埋まったよう
な、パターン清報に加工できたことになる。

なお、ここに示した加工処理方法は１例であり、オペレ
ータが通気性を観測し、ｔ１１定するのに使っている情
報なら何でもかまわない、３段階に分類する前の生デー
タでもかまわない６加工処理するのに３段階以上に分即
し、その境界値の最も変化量の大きい境界値は、どのオ
ペレータでもアクションをとる値にしておく必要がある
。

次に本発明の別の実施例について第１１図、第１２図を
参照して説明する。第１１図はニューラルネットワーク
１１と並列にエキスパートシステム２２を有し、それら
の何れを用いるかを間断する判断手段２１を備える。

上記の例で、「悪い」と分類される部分は、どのオペレ
ータも悪いと判断する状況であり、対処すべきアクショ
ンが明確な領域である。もしどのデータでも「悪い」と
°同断される領域に入った場合は、あらかしめ用侍され
ている’１Ｂし・−ならば・・・、０型のルールを知謀
ベースとしてもつエキスパートシステム２２に従って、
アクション量が設定される。

第　　１ 表 例えば 若しくＩＦ）　　：送風圧力が悪いならば、この場合。

ｆＴＩＩＥＮ）　　：送風量を１００Ｎｒｒｒ’／ｍｍ
下げる石しくＩＦ）　　：荷下りが悪いならば、この場
合（ＴＩＩＥＮ）　　：送風量を１１００Ｎ’／ｍｍ下
げる行しくＩＦ）　　：送風圧力が悪く、かつ荷下りが
、想いならば、この場合（ＴＨＥＮ）　　：送風量を２
０ＯＮ　ｍ’　／　ｍｍ下げる 苔しくＩＦ）　　：残滓レベルが悪いならば、この場合
（ＴＩＩＥＮ）　　’送風量を１１００Ｎ”／ｍｍ下げ
る若しくＩＦ）　　：シャフト圧力が悪く、かつＮ２が
悪いかまたはηＣＯが悪いならば、この場合（ＴＨＥＮ
）：送風量を！０ＯＮ解／　ｍ　ｍ下げるとなり、非常
に簡単にルールを決めることが可能で、「悪い」と判断
するデータの境界値もほぼ不変で、メンテナンスも容易
であり、ルールの見通しも面頃である。

一方、どの計装データら「、悲い」という判定結果がな
く［やや恋いＪまたは「良い」ばかりとなる場合は非常
に慣しく、　　Ｉｉ’若し・・−ならば・・・ｊ型のル
ールでは、それを記述するのに非常に複雑になって、メ
ンテナンスもルールの見直しもほぼ不可能になり、かつ
アウトプットであるアクション判断の精度も悪かった。

そのような場合にニューラルネットワークを用いてアク
ションを決定しようとするのが本実施例である。「悪い
」と’ｌ＝Ｉ＋定された項目がひとつでもあれば前記エ
キスパートシステムでアクションをとることができるの
で、第１２図のネットワークでは微調整減風のみでよい
から、出力層では０（現状維持）、−１００Ｎ、ｍ″／
分の２段階とした。

前記（１′）〜（１１’　）の加工されたデータの３段
階同定のうち「やや悪い」と「良い」の２種類の入力層
を設けた。ここでも、入力層にはＯか１かどちらかの値
が入る。それぞれはスルーユニットである。

出力層は、炉況が非常に悪い状態は、すでに「行し・・
・ならば・・・するＡ’Ａのルールで対処しているので
、減風の程度なＯ（指定風電維持）、−１００Ｎｒｎ’
／分の２段階に分けた２ユニツトのみを用いる。出力層
ユニットの出力は０かｌである。

次にニューラルネットワークの層構造について説明する
。

ニューラルネットワークは２層構造では線形であるのに
対し、３層以上では非線形になり、情報加工能力がＮ！
１段に向上する。従って、−射的には中間層を設けた３
層以上のネットワークを使うところが多い。本実施例で
は隠れ層を１層設け、３層構造としている。隠れ層のユ
ニット数は５とした。

出力層ユニットの出力関数は、出力層のアウトプットが
ｌかＯであり、出力層のうち、ひとつだけＩが立つよう
なものとするように考えているため、第３図のようなし
きい値関数とした。

各ユニットは第４図に示すような第に層第ｉユニットで
考えると、まず第に一１層の各ユニット出力。

にそれぞれの川み（相互系結合係数） をかげたものの総和 をとり、これにしきい値関数１ 、をかげたものを出力とするしのである。

この第に層第１ユニットの出力は次式で与えられる。

・・・　（ｌ　３） なお、θはしきい値である。常時ｌをとるユニットを入
力側に設けておき、その重み係数を一θとすることによ
って（Ｉ　ｌ）式に反映させ、しきい値も学習による修
正が可能なようにした。

入力層に前述のように加工処理をしたデータを与えると
各層各ユニットは（１３）式に従って出力を順次低位の
層から上位の層へ伝播的に計算していく。

出力層のアウトプットを時系列的に見た出力結果を第５
図に示す。ｌが立ったユニットに予め割り付けてあった
減風量を、プロセスコンピュータ６へ出力する。こうし
て減風時の自動制御が可能となる。

このようなニューラルネットワークは、相互結合係数を
予め決めておくことが・必要である。学習方法はラメル
ハートらのバックプロパゲーションｉ去である。

学習は熟練オペレータを教師として行う。つまり、入力
層のあるパターン（参照入力）と教師出力を何通りか与
え、順方向伝播と逆方向伝播を複数回繰り返し計算する
ことによって収束させる。

いったん、い（つかのパターンの容唄入力と教師出力で
初期値の重み係数を与えてしまい、オンラインで微修正
していくという方法もある。

以上、減風時の実施例を述べてきたが、−旦滅風した後
、増風によって回１ｙさせるアクションら同様にニュー
ラルネットワークを用いて　制御用することが可能であ
る。ただし、データの加工処理の部分から異なっており
、加工する処理は良くなったとか、悪化したとかという
判定結果を出力できるようなものとしなければならない
。

第８図に本発明である送風流喰制御方法を適用した場合
の操業結果の例を示す。的確にアクショシ指示がなされ
ている。また、第８図、第９図、第１０図、にそれぞれ
銑中８１の変動量、装入物装入間隔の変動量のトレンド
を示すが、どちらも低下しており、高炉の安定操業が可
能になった。

［発明の効果１ 本発明によって迭風流量制御卸における減風や、増風の
アクション量とタイミングがより適切になり１通気性の
制御精度が向上した。また、従来オベレークが操作して
いたらのを自動化したことによりオペレータの負荷が飛
躍的に軽減された。

【図面の簡単な説明】

第１図は本発明方法の実施装置のブロフク図、第２図は
本発明の実施例のニューラルネットワークのフロー図、
第３図は実施例におけるけニュラルネットワクのユニッ
ト内部開数のグラフ。 第４図は実施例におけるけニューラルネットワクの入出
力関係を示すフロー図、第５図は実施例におけるけニュ
ーラルネットワークの出力例を示すチャート図、第６図
（ａ）はニュートラルネットワークの模式的系統図、（
ｂ）、（ｃ）は関数形を示すグラフ、第７図はニューラ
ルネットワクの作動を示すフロー図、第８図は操支結果
の例を示すグラフ、第９図は銑中Ｓｉの変動量のトレン
ドを示すグラフ、第１Ｏ図は装入物装入間隔の変動量の
トレンドを示すグラフ、第１１図は本発明の別の実施例
のブロック図、第１２図はそのニューラルネットワーク
の入出力関係を示すフロー図である。 １・・・高炉　　　　　　　２・・・熱風炉３・−・送
風ブロワ−４・・・送風流量計５・・・送風流量制御装
置 ６・・−高炉プロセスコンピュータ ７・・・専用コンピュータ　８・・・高炉検出端９・・
・データ入力手段 １０・・・データ加工処理手段 ｌｌ・・−ニューラルネットワーク ２２・・・エキスパートシステム

Claims (1)

1. 【特許請求の範囲】 １　高炉の通気を制御するため送風流量を指定された値
   から一時減風して、スリップ、棚吊り、吹き抜けなどの
   異常状態を回避し、そこからまた増風して指定風量に戻
   す送風流量制御方法において、 各種データを入力層とし、あらかじめ複数 段階に分けた減風量あるいは増風量を各ユ ニットの出力としたものを出力層とする２層以上のニュ
   ーラルネットワークを構成し、このニューラルネットワ
   ークを事前に学習させて最適な相互結合係数を決定して
   おき、 高炉に設置された通気状態を判定するセン サデータやそれをもとにして計算された操作データを所
   定のタイミングでデータ入力手段に入力し、 該データをもとに、それぞれが最近どのよ うな変化を示しているかわかるようなオペ レータの判断基準に合致した加工データに加工処理をし
   、 該加工データをもとに、前記ニューラル ネットワークを利用してリアルタイムで減風量あるいは
   増風量を決定し、自動的にその値で制御することを特徴
   とした高炉送風流量制御方法。 ２　高炉の通気を制御するため送風流量を指定された値
   から一時減風して、スリップ、棚吊り、吹き抜けなどの
   異常状態を回避し、そこからまた増風して指定風量に戻
   す送風流量制御方法において、 各種データを入力層とし、あらかじめ複数 段階に分けた減風量あるいは増風量を各ユ ニットの出力としたものを出力層とする２層以上のニュ
   ーラルネットワークを構成し、このニューラルネットワ
   ークを事前に学習させて最適な相互結合係数を決定して
   おき、 一方、ニューラルネットワークと並列にエ キスパートシステムを構成しておき、 高炉に設置された通気状態を判定するセン サデータやそれをもとにして計算された操作データを所
   定のタイミングでデータ入力手段に入力し、 該データをもとに、それぞれが最近どのよ うな変化を示しているかわかるようなオペ レータの判断基準に合致した加工データに加工処理をし
   、 該加工データから各計測データの動きと風 量増減の関係が明確であると判断手段が判断したときは
   エキスパートシステムに加工データを入力し、明確でな
   いと判断したときは加工データをニューラルネットワー
   クに入力 し、エキスパートシステムまたはニューラルネットワー
   クが該加工データをもとにリアルタイムで減風量あるい
   は増風量を決定し、 自動的にその値で制御することを特徴とし た高炉送風流量制御方法。