JPH06240318A - 高炉装入物の分布制御方法 - Google Patents

Abstract

(57)【要約】 【目的】 高炉内ガス流状態の経時変化を監視すること
により操作量の誤決定による操業への悪影響を最小限に
止めることを可能にした高炉装入物の分布制御方法を提
供する 【構成】 操業諸元値、センサ値及び操作量を入力する
入力層と、炉口ゾンデ温度及びガス利用率を出力する出
力層とを有し、予め学習させた２層以上の階層型のニュ
ーラルネットワークを予め用意しておき、このニューラ
ルネットワークの入力層に操業中の操業諸元値、センサ
値及び操作量を入力し、その出力層から得られる炉口ゾ
ンデ温度及びガス利用率の予測値が目標管理値に対して
許容範囲に入る操作量を疑似的に変更し、その予測値が
許容範囲内に入ったときの操作量に基いて高炉装入物の
分布を制御する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、高炉炉頂部の炉口ゾン
デ温度及びガス利用率を用いて炉内ガス流を認識してそ
れによって装入物の分布制御操作量を決定する高炉装入
物の分布制御装方法、特にニューラルネットワークを用
いた制御方法に関する。

【０００２】

【従来の技術】この種の制御方法には例えば特開平３−
９０５０４号公報に開示されたものがある。この公報に
は、ニューラルネットワークを用いて高炉装入物分布制
御する方法として、ベルレス高炉において炉頂原料装入
物の表面プロフィールを基に分配装置であるベルレスポ
イントを決定する方法が開示されている。

【０００３】

【発明が解決しようとする課題】この特開平３−９０５
０４号公報に開示されている高炉装入物制御装置におい
ては、調整前の原料プロフィールを計測し、調整後の原
料プロフィールを与えると原料の最適装入方法が自動的
に決定される。しかし、高炉操業では炉頂部の原料プロ
フィールが炉内を降下するうちに炉内のいつきなどによ
り均一な荷下がりが妨げられたりして、融着帯形状がそ
の影響を受け、炉内反応状態が変化している。このた
め、最適な炉頂プロフィールが得られたとしてもそれだ
けでは十分ではなく荷下がりに伴う変化を捉えることが
必要である。ところで、原料装入物分布制御の目的は炉
内ガス流を制御することにあるが、特開平３−９０５０
４号公報において提案されている制御方法においてはそ
のガス流監視の機能については何等記載されていない。
また、銑鉄を製造する高炉プロセスでは劣悪原料の使用
による合理化効果が期待されるため、小粒焼結等の使用
が試行錯誤で行われているが、その対策についても前記
公報には何等記載されていない。

【０００４】本発明は、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、高炉内ガス流状態の経時変化
を監視することにより操作量の誤決定による操業への悪
影響を最小限に止めることを可能にした高炉装入物の分
布制御方法を提供することを目的とする。

【０００５】

【課題を解決するための手段】本発明の高炉装入物の分
布制御方法においては、その操作量を次のようにして決
定する。 （１）操業諸元値、装入物の分布制御操作量である分配
装置状態や装入原料配合率の変更前諸元値とその変更
量、ガス流を認識する炉口ゾンデ温度、炉内反応結果が
現れるガス利用率、及び操作量変更後の経過時間を入力
層に取り込み、変更後の炉口ゾンデ温度及びガス利用率
の変化量を出力層にした２層以上の階層型のニューラル
ネットワークを構築する。 （２）上記ニューラルネットワークに実際の操業におい
てオペレータが行った操業結果を用いバックプロパゲー
ションにより、二乗誤差ε＜０．０１になるように予め
学習させたニューラルネットワークを学習済ニューロと
する。 （３）実操業において炉口ゾンデ温度やガス利用率が目
標状態から外れた場合には、例えば３時間後の予想結果
として出力層から得られる値が（出力値）＝（目標値）
−（現状値）となるように入力層の変更操作項目を所定
の順序で変更し最適操作量を決定する。 （４）上記方法で得られた操作量を実操業に適用した場
合、３０分毎の経時変化を学習ニューロのシミュレーシ
ョン結果と比較し、変更結果の効果を確認する。 （５）上記比較においてシミュレーション結果と実操業
変化量とが許容範囲を逸脱する場合は直ちに異なる操作
量変更を行い、誤操作変更量の決定、適用による高炉炉
況の悪化を未然に防ぐ。また、誤操作量の決定は学習に
用いた入出力値の変化と判断し、再学習を実施する。

【０００６】

【作用】本発明において、炉口ゾンデ温度やガス利用率
から炉内ガス流の状態を認識してそれらが目標値から外
れている場合には、分配装置や原料配合率の最適変更量
を過去の操業結果を学習させたニューラルネットワーク
より求める。また、変更操作量を決定・適用した際、例
えばその３０分毎の炉口ゾンデ温度パターンやガス利用
率の変化状態を過去の実績学習したニューロの出力シミ
ュレーションと比較する。これにより操作量の誤決定に
よる影響が極力最小限に止められる。

【０００７】

【実施例】図１は本発明一実施例の高炉装入物の分布制
御方法を実施するためのシステムの構成を示すブロック
図である。操業影響要因１は高炉の各種のセンサ値、操
業諸元値及び操作量などを基にした操業データである。
ここで使用される炉頂部のセンサは炉口ゾンデ温度パタ
ーンとガス利用率を検出する。また、炉口ゾンデを円周
方向に用いた場合には、東西南北４方向、中心から壁側
へ５点の計２０点を使用し、半径方向に用いる場合は東
西南北４方向を平均した中心から壁側への５点を使用す
るものとする。また、高炉炉頂部のガス温度は、原料装
入時に変動するため、コークス及び鉱石の１サイクルの
温度を平均化して使用する必要がある。装入原料分布制
御の際の操作量は分配装置の状態量と装入原料配合率の
２種類があり、分配装置はベル方式とベルレス方式の２
方式がある。装入原料の配合率はコークス比、焼結、ヤ
ード焼結、Ｂ塊、小粒焼結、ＭＩＸコークス、中心コー
クス、中塊コークスの配合割合によって決められる。

【０００８】この操業影響要因１はデータ入力手段２を
介してシステムに取り込まれ、前処理手段３により後述
する所定の前処理がなされる。前処理が施されたデータ
は正規化手段３により正規化処理がなされる。正規化さ
れたデータはニューラルネットワーク５に渡され、ニュ
ーラルネットワーク５は炉口ゾンデ温度変化量、ガス利
用率等を予測して出力する。これらの予測値６が目標管
理値７の許容範囲内に入っているかどうかを比較器８に
よって確認する。予測値６が許容範囲内であれば現状の
操業を維持し続けるが、許容範囲外であれば予測値６が
目標管理値７の許容範囲内になるように、操業量変更手
段７により操作量を疑似的に変化させて最適変更操作量
等を決定する。

【０００９】ところで、高炉装入物分布制御の操作量は
分配装置と原料配合率との２種類があるので、ニューラ
ルネットワーク５の入力層に分配装置と原料配合率を入
れると入力層数が多くなるため、本実施例では各々を分
離し、ニューラルネットワーク５内に別々のニューラル
ネットワークを構築している。図２は分配装置変更用の
ニューラルネルットワークを示す説明図であり、図３は
原料配合率変更用のニューラルネットワークを示す説明
図である。各ニューラルネットワークには送風諸元であ
る温度、流量、圧力が入力層に加えられる。また、操作
量の変更方法は、分配装置と配合率の２操作量を同時に
変更する場合と、各々を単独で変更する場合の３変更方
法がある。このため、上記２種類のニューラルネットワ
ークには別のニューラルネットワークが操作量を変更し
ているかどうかを判断するための判別フラグを設けてお
く。

【００１０】前処理手段３においては送風諸元効果の時
間補正及び炉口ゾンデ温度に対する炉内原料装入時の外
乱に対する処理がなされている。送風諸元効果の時間補
正のための処理としては、炉下部羽口より吹き込まれる
送風の影響は直ちに炉頂部のガス利用率や炉口ゾンデ温
度パターンに現れることはないため時間遅れを考慮し
て、例えば３時間後のデータを使用している。また、炉
口ゾンデ温度に対する炉内原料装入時の外乱に対する処
理としては、大ベル上の原料を炉内に装入すると一時的
に炉頂の熱が奪われ温度低下するので、炉口ゾンデ温度
を求めるときは原料装入の１サイクルの平均をとること
により対応している。

【００１１】データ正規化手段３においては、ニューラ
ルネットワークの入出力層の各項目は工学値毎に次元が
異なるため、０〜１の正規化を行っている。図２及び図
３のニューラルネットワークの入力層の正規化範囲を表
１及び表２に示す。

【００１２】

【表１】

【００１３】

【表２】

【００１４】図１のシステムにおいては、上記の予測値
を用いた操業とは別に、ニューラルネットワーク５の学
習のために、参照入力データ１０と教師出力１１とがニ
ューラルネットワーク５に与えられる。参照入力データ
１０は高炉操業データである操業影響要因１と形式的に
は同じであり、教師出力１１は参照入力データ１０に対
する出力として正確な情報であることが必要がある。従
って、日々の操業結果が教師となり、教師出力１１のデ
ータを与えることになる。即ち、参照入力データ１０
は、炉口ゾンデ温度や炉内ガス利用率が目標値から外れ
た際に実際に変更した装入原料分布制御の操作量を使用
する。また、この学習をさせる際には、炉頂部ガス流は
操作量を変更しても直ちに効果が現れず明確に確認され
るまでには例えば３時間かかる。このため変更時より３
時間後まで３０分間隔で変更後の経時状態を学習させ
る。学習パターン処理手段１２は、参照入力データ１０
及び教師出力１１をニューラルネットワーク５が学習し
やすいようなパターンに変換しているだけのものであ
る。なお、この学習パターン処理手段１２は、定期的に
動作させるだけでなく、日々の操業結果のうち予測値６
が実績値に一致しなくなった場合には、必ず動作させて
ニューラルネットワーク５の相互結合係数を修正する。

【００１５】図２及び図３のニューラルネットワークの
学習においては、実操業における操業結果のうち変更操
作量を入力層に、変更後の炉口ゾンデ温度パターンやガ
ス利用率を教師データ１１とし、出力層から得られる出
力データが教師データとの二乗誤差εがε＜０．０１に
なるように学習させる。

【００１６】以上のように構成された図１のシステムに
おいて、変更操作量の決定は次のようにしてなされる。
ニューラルネットワーク５は上述の方法により予め学習
させておくものとし、操業諸元値、炉口ゾンデ温度パタ
ーンやガス利用率のセンサ値及び操作量からなる操業影
響要因１をデータ入力手段２、前処理手段３及びデータ
正規化手段４を介してニューラルネットワーク５に取り
込んで高炉炉口部ガス流状態を監視する。そして、比較
器８がニューラルネットワーク５の予測値６（炉口温度
及びガス利用率）と目標管理値７とを比較して許容範囲
内にないと判断すると、操作量変更手段９により変更操
作量をデータ入力手段２を介して疑似的に与え、予測値
６が目標管理値７の許範囲内に入るまで繰り返す。この
ようにして、操作量を可変するシミュレーションを実施
し、シミュレーションの結果６が目標管理値７に対して
許容範囲内に入ると、その時のシミレーションの変更操
作量を実際の変更操作量として決定する。

【００１７】そして、上記の方法により得られた変更操
作量を用いた場合、直ちに効果が現れないが、そこで変
更後の経時変化状態を０〜３時間後まで３０分毎にシミ
ュレーション結果と実績値を比較し、経時変化過程が学
習させた結果と一致している場合は正しい変更操作量が
得られた結果となる。図５はセンサ情報の現在値と目標
管理値の比較例の説明図である。ここではセンサ情報の
現在値と目標管理値とに差異があり、上述のシミレーシ
ョンが開始するものとし、図６は図５の状態からのシュ
ミーレションの結果を示した特性図である。なお、操作
量変更後の経時変化履歴がシミュレーション結果と一致
しない場合には、変更操作量が誤決定されたと判断し変
更操作量を再決定、再変更し誤決定による操業への悪影
響を最小限に止める。

【００１８】

【発明の効果】以上のように本発明によれば、高炉内ガ
ス流状態を炉口ゾンデ温度パターンやガス利用率を用い
定量的に計測した結果を利用し目標状態から偏差がある
場合には目標値に一致するような最適操作量を決定する
ようにしたので、最適な制御が可能になっている。ま
た、決定した最適操作量を操業に適用した後、高炉内ガ
ス流状態の経時変化を監視することにより誤決定による
操業への悪影響を最小限に止め得ることもできる。

【図面の簡単な説明】

【図１】本発明の一実施例の方法を実施するためのシス
テムのブロック図である。

【図２】分配装置変更ニューラルネットワークの実施例
の説明図である。

【図３】装入原料変更ニューラルネットワークの実施例
の説明図である。

【図４】センサ情報の現状値と目標値の比較例の説明図
である。

【図５】決定した変更操作量を実施した場合の経時変化
を示したタイミングチャートである。

Claims (1)

【特許請求の範囲】
1. 【請求項１】 操業諸元値、センサ値及び操作量を入力
   する入力層と、炉口ゾンデ温度及びガス利用率を出力す
   る出力層とを有し、予め学習させた２層以上の階層型の
   ニューラルネットワークを予め用意しておき、このニュ
   ーラルネットワークの入力層に操業中の操業諸元値、セ
   ンサ値及び操作量を入力し、その出力層から得られる炉
   口ゾンデ温度及びガス利用率の予測値が目標管理値に対
   して許容範囲に入るように前記操作量を疑似的に変更
   し、前記予測値が許容範囲に入ったときの前記操作量に
   基いて高炉装入物の分布を制御することを特徴とする高
   炉装入物の分布制御方法。