JPH0637648B2 - 高炉炉熱予測方法 - Google Patents

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は高炉炉熱予測方法に関し、高炉炉熱制御および
それを含む高炉操業方法に関する。

〔従来の技術〕

溶銑温度に代表される高炉内温度を推定し、かつそれを
管理制御する方法は、従来から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定性的に判定して、高
炉炉熱レベルおよびその推移を推定評価し、操業因子の
最適な調整を行うという方法が取られている。

ところがその評価や推定の結果には操業者の能力や経験
等による個人差があり、操業方法を標準化することが難
しいと共に、評価が定量的でないため、常に適切なアク
ションが取られていたわけではなかった。このうち特に
炉熱レベルの将来推移を予測することは、現状炉熱レベ
ルの認識以上に操業者の経験と判断によるところが大き
く、正確に予測し、アクションをとることはより難しい
という問題点があった。

このような問題点を解決するため、特開昭６２−２７０
７０８では、知識工学の手法を応用し、炉熱レベルおよ
び炉熱推移を推論し、高炉に対するアクション量を決定
する炉熱制御システムが提案されている。

ここでの炉熱推移は、 溶鉄温度の過去から現在までの推移に基づく判定ル
ール、 羽口埋込温度、荷下り、送風圧力、ガス利用率、ソ
リューションロス量、炉頂温度等のレベルと推移に基づ
く判定ルール、および 炉況の推移に基づく判定ルール などから総合的に求められた５段階の推移評価レベルと
それぞれの確信度から判定するようになっている。

炉熱レベルの変化は、このように多くの要因によって引
き起こされ、かつ、観測されるもので従来のオペレータ
の経験則をプロダクションルールで表現することによっ
て問題を解決しようとしている。

しかしながら、前記各種データと、炉熱推移の因果関係
は熟練オペレータと言えども十分把握しているわけでは
ない。従って、前記〜の判定ルールやそれぞれに定
められた確信度の精度は十分でなく、ひいては炉熱制御
のアクションが適切でないタイミングに取られたりアク
ション量が適切でないという機能低下を招く危険性があ
った。また、炉熱推移の予測精度を維持するには、判定
ルールや確信度を常時修正してチューニングしてやる必
要があり、システムのメンテナンス負荷が高かった。

また、特開昭６０−２４８８０４、特公昭６０−１８７
２１、特開昭６０−２０４８１３、特開昭６１−２５４
８５３などはいずれも統計的推定、指数平均、周波数解
析など数式モデルによって炉熱を予測する方法である。
これらの方法は数式モデルの精度に依存しており、モデ
ル式を精度良く組立てるのは困難であった。その精度維
持のためのメンテナンス負荷も同様に高くなってしま
う。

〔発明が解決しようとする課題〕 本発明はこのように従来のエキスパートシステムにおけ
るプロダクションンルールや数式モデルによる炉熱の推
移予測方法のもつ次のような問題点を解決するために開
発されたものである。

（１） 各種観測データと炉熱レベル推移の因果関係が
不明確であり、定式化したロジックが組立てにくい。そ
のため、予測精度が不十分である。

（２） システムの性能を維持するためのメンテナンス
負荷が高い。パラメータチューニング等に時間がかかり
かつ、そのパラメータも変化することがある。

〔課題を解決するための手段〕

本発明で、高炉炉熱レベルの現在から将来にむけての推
移を予測する方法は、 （ａ） 高炉操業データを各ユニットに入力できるよう
にした入力層をもち、炉熱がどのくらいの確率で将来上
昇してゆくか、現状維持するのか、下がってゆくのかと
いう炉熱レベルの推移予測結果を出力する出力層をも
ち、予め学習させた、２層以上の階層型のニューラルネ
ットワークを用意しておく。

（ｂ） 高炉に設置された各種センサを基に作られた、
炉熱を予測するのに必要で、少なくとも高炉の荷下り状
況、ガス成分状況、現在の炉熱レベル、炉体温度や圧損
状況、過去のアクション履歴を表わすものを含んだ各種
データを所定のタイミングで読み込む。

（ｃ） これらのデータからそれぞれが最近数時間の間
にどのような変化をしたか、どのような履歴を経ている
かを表わす各種データに加工する。例えばガス性分の状
況を示すデータとしてη_ＣＯの変化量やＮ_２の変化量を
測定したガス分析値から計算処理によって求める。

（ｄ） 加工されたデータをニューラルネットワークの
入力層に入力する。ネットワーク内部では、各層の各ユ
ニットが全ユニットからのリンクを入力して総和を取
り、その結果にある内部関数を乗じて１つの出力を求
め、それを次の層の全ユニットに出力し、最終的に出力
層に設けた少なくとも１つのユニットから、炉熱レベル
が将来上昇していくのか、現状維持であるのか、または
低下していくのかを定量的に出力する。

（ｅ） さらに、前記ニューラルネットワークを学習さ
せるに当り、炉熱レベルの維移実績を溶銑温度等炉熱を
代表する測定値の最近の変化量で定量化し、該変化量が
正方向に大きいときは炉熱が上昇したと判定し、負方向
に大きいときは炉熱が低下したと判定することにより、
ネットワーク予測結果（ニューラルネットワークの出
力）の教師データを作り、そのときの参照入力データと
実予測結果出力とともにネットワークを学習させること
により、ニューラルネットワークの相互結合係数を自動
生成あるいは修正する。

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(1987.8.10)115〜124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、人間の脳を真似たネットワ
ークである。脳のニューロンに対応したユニットが複数
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、パ
ターン認識機能、知識処理機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４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。

他のユニットとを結合部には、それぞれ可変の重みＷ
_ｉｊ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ットから入力を受けた場合、そ
の総和を入力値とする。入力の総和netは、 である。

各ユニットは入力の総和netを関数ｆに適用し変換す
る。この入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４図（ｂ）または（ｃ）の関数を使う
ことが多い。第４図（ｃ）はsigmoid関数と呼ぶ。微分
可能な、擬似線形関数で、 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０に近づく。入力が
０のときは0.5となる。しきに値θを加えて、 とする場合もある。

ネットワークは第５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
を穏れ層と呼ぶ。他の構造のニューラルネットもあるが
ここではパックプロパゲーション・アルゴリズムが使え
る階層構造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。各層内での経合はない。出力層から入力層に向
かう結合もない。フィードフォワードつまり前向きのネ
ットワークである。

パーセプトロンと似た構造だが、中間層を設け、また各
ユニットの入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。バックプロパゲー
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（Ｏ_ｐｊ）
と望ましい出力値（ｔ_ｐｊ）の差を と定義する。これは出力ユニットｊのエラーを表す。ｔ
_ｐｊ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Ｗ_ｉｊ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、 ΔｐＷ_ｉｊ＝ηδ_ｐｊＯ_ｐｊ…（６） である。ここで、Ｏ_ｐｉはユニットｉからユニットｊへ
の入力値、δ_ｐｊはユニットｊが出力ユニットか中間ユ
ニットかで異なる。出力ユニットの場合は、 δ_ｐｊ＝（ｔ_ｐｊ−σ_ｐｊ）ｆｉ′（ｎｅｔ_ｐｊ） …（７） 中間ユニットの場合は、 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、 ΔＷ_ｉｊ（ｎ＋１） ＝ηδ_ｐｊＯ_ｐｊ＋αΔＷ_ｉｊ（ｎ） 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、高炉炉熱レベルの推移を定性的かつ定量的に
予測することであり、また予測精度を向上させるための
前記学習手段によりネットワークの相互結合係数を自動
生成あるいは修正することである。

〔実施例〕

次に、さらに詳細な実施例を図面に基いて説明する。

第１図は本発明方法を実施するたもめの高炉炉熱予測シ
ステムの入出力及び処理の過程を説明したブロック図で
ある。

図中、円形の枠はシステムの入力と出力を示し、矩形の
ブロックはシステム内部の処理を示している。

このシステムは当然高炉プロセス用計算機によって具現
化されるものであるが、計算機の規模、台数、構成等は
本発明の制約するところではない。しかし、高炉操業デ
ータの入力や予測結果を炉熱制御に使う場合の出力は十
分なリアルタイム性をもっている必要がある。

さて第１図において、高炉操業データ１は各種センサに
よる測定データを基にした操業データであり、これらは
データ入力手段２を通してシステムに取り込まれ、デー
タ加工手段３によって炉熱を判断するために必要な観測
事象に加工される。従来、オペレータは高炉操業の現在
値だけを見て、炉熱の推移を予測していたわけではな
く、過去数時間前から現在に至るまでの測定データのト
レンドを見て予測していたことから、過去から現在への
一定時間の変化量等時間的ファクターを含んだ情報に加
工処理するわけである。

これらのデータはニューラルネットワーク４に渡され、
ニューラルネットワーク４は予測結果５をアウトプット
する。

予測結果５は（ａ）熱くなるだろう、（ｂ）そのまま変
わらないだろう、（ｃ）若くなるだろうという３段階の
情報とした。（ａ）〜（ｃ）の各アイテムは０か１かの
デジタル情報にしてもよいが、より定量的な扱いができ
るよう０〜１の間にある数字でもって確信度を表わすこ
ととしている。

これとは別にネットワークの学習のため、参照入力デー
タ６と教師出力７をシステムに与える。参照入力データ
６は高炉操業データ１と形式的には同じであり、教師出
力７は予測結果５と形式的には同じであるが、教師出力
７は参照入力データ６に対する出力として正確な情報で
ある必要がある。熟練オペレータが教師となり、教師出
力７のデータを与えることになるが、本発明では後述す
るようにこの教師データをも自動作成する方法を提案す
る。学習用パターン作成処理８は単に参照入力データ
６、教師出力７をニューラルネットワークが学習しやす
いようなパターンに変換しているだけのものである。

以上の構成からなる炉熱予測方法をさらに詳細に説明す
る。

先ず第１図のデータ入力手段２に与える高炉操業データ
１は下記のものである。

一方的指数 この指数は差指間隔が速くなっているか遅くなっている
かを示す指数である。

装入回数 現在が当日何回目のチャージかを示す番号 ガス利用率（η_ＣＯ） ＣＯ、ＣＯ_２：炉頂ガス成分 Ｎ_２成分（Ｎ_２） 炉頂ガスの［Ｎ_２］分析値 炉熱指数（Ｈ_０） 銑鉄スラグの加熱に用いられる熱量を表わし、いわゆる
炉熱の指数として使われているものである。羽口前の発
生熱量からソリューションロス反応、Ｈ_２による還元反
応、ＣａＣＯ_３の分解反応による吸熱を差別したもので
ある。

ソリューションロスカーボン量（ＣＳＯＬ）直接還
元によりガス化したカーボン量 ステーブ熱負荷（ＳＴＬ）：ステーブからの抜熱量
を示すもので下式で表わされる。

ＳＴＬ＝Ｆ×（Ｔ_０−Ｔ_ｉ）×ｋ 但し、 ｋ：定数 Ｆ：ステーブ冷却水量 Ｔ_０：出口水温 Ｔ_ｉ：入口水温 炉下部圧損（ＤＰＬ） ＤＰＬ＝（熱風圧力） −（シャフト圧力下段） シャフト圧力測定点が複数個の場合、ＤＰＬもいくつか
ある。

上記データのうち、、は荷下りに関するデータ、
、はガス成分に関するデータ、、は炉熱そのも
のに関するデータ、、は炉体の温度と圧力に関する
データであり、従来オペレータが炉熱予測の手掛かりと
して監視していたものを採用している。

次に第１図のデータ加工処理３の実施例を説明する。前
記〜に対応して次のようなデータ加工を行う。

′「一方的指数」はその変化量に加工する。最新５チ
ャージの平均とその前５チャージの平均との差を一方的
指数の変化量とする。

′「装入回数」は装入回数の差に加工する。最新８時
間の装入回数と、前回推定時に使った同値との差を装入
回数の差とする。

′「η_ＣＯ」はη_ＣＯの変化量に加工する。直近３０
分のη_ＣＯ平均値と直近２時間のη_ＣＯ平均値との差を
η_ＣＯの変化量とする。

′「（Ｎ_２）」はＮ_２の変化量に加工する。加工方法
は′と同じ。

′「Ｈ_０」はＨ_０の変化量に加工する。３０分毎Ｈ_０
の平均の直近３時間の移動平均と５〜７時間前の移動平
均との差をＨ_０の変化量とする。

′「ソリューションロスＣ量」はソリューションロス
Ｃ量の変化量とする。加工方法は′と同じ。

′「ＳＴＬ」はＳＴＬの変化量に加工する。直近３０
分のＳＴＬ平均値と１〜２時間前のＳＴＬ平均値の差を
ＳＴＬの変化量とする。

′「ＤＰＬ」はＤＰＬ変化量に加工する。加工方法は
′と同じ。

このようなデータ加工の方法は本例だけでなくあらゆる
方法が考えられる。炉熱の変化を予測できる情報であり
さえすればよい。

第２図はニューラルネットワークの構成例を示したもの
である。第１図のデータ加工手段３で加工されたデータ
を受け入れる入力層と、予測結果の出力層の間に隠れ層
を一つおいた３層構造とした。ニューラルネットワーク
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格段に向上する。従って、一般的
には中間層（隠れ層）を設けた３層以上のネットワーク
を使うところが多い。本実施例では出力層は３ユニット
で前述の「熱くなるだろう」、「現状の維持」、「若く
なるだろう」の３つの情報にそれぞれ一つのユニットを
対応させている。

隠れ層は、入力層のデータが荷下りに関するもの、ガス
成分に関するもの、炉熱に関するもの、炉体温度・圧力
に関するものに分類できるのでそれぞれに対して一つの
ユニット（合計４ユニット）を対応させている。各ユニ
ットは第３図に示すように、第ｋ層、第ｉユニットを考
えると、まず、第ｋ−１層の各ユニット出力、 にそれぞれの重み（相互結合係数） をかけたものの総和、 をとり、これに関数 但し、Ｔ：定数 をかけたものを出力 とするものである。

但し、θはしきい値である。

常時１をとるユニットを入力側に設けておき、その重み
係数を−θとすることによって、上記（１２）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。

関数は上記（１３）式のようなシグモイド関数としてい
るので、しきい値は第６図のようにｆ（ｘ）＝0.5とな
るところにくる。また、このようなシグモイド関数にす
ることで、各ユニットの出力はすべて０〜１のある値を
とるようになる。ノルマライズするとともに、出力層で
は確信度の概念と一致させることが狙いである。

入力層に、第２図に示すようなデータが与えられると各
層、各ユニットは、上記（１４）式に従って、出力を順
次低位の層から上位の層に伝播的に計算していく。

出力層のアウトプットを時系列データとしてみた場合の
例を第７図に示す。３つのユニットの出力をトレンドで
示してある。それぞれ前述のように０〜１の値をもって
おり、値が１に近いほどその確率が高く０に近いほどそ
の確率が低いことを意味する。この値によって炉熱の推
移が定性的かつ定量的に予測できるわけである。

以上は予測の実施例であるが、ネットワークの相互結合
係数の学習は、次のようにして行われる。

学習方法はルンメルハルトらのバックプロパゲーション
法である。

学習則は次式による。

修正量 但し、 ε、α：定数 ｔ時刻の第ｋ−１層ｊユニットから第Ｋ層ｉユニットへ
の重み係数の修正量 学習係数 ｄ_ｉは第３層ｉユニットの教師出力をｙ_ｉとした場合、
出力層では、 それ以外では、 であり、ｆがシグモイド関数の場合、 ｆ′（ｘ）＝ｆ（ｘ）（１−ｆ（ｘ）） ……(18) になるため、 でよい。

修正は、出力層から入力層に向って逆転伝播的に進む。
一般的に学習は入力層へ与えた参照入力データと、教師
出力をもとに、順方向伝播と逆方向伝播を複数回繰返し
計算することによって収束する。

まず、学習用の教師出力データを次のようにして作る。
炉熱レベル推移の予測は、その実績を溶銑温度（ＨＭＴ
と略）の実トレンドで評価する。例えば、第８図のよう
にＨＭＴと予測結果のトレンドが得られたとする。予測
は何時間先のものかあらかじめ定めておく。ここでは３
時間とする。現在のＨＭＴをＨＭＴ_ｔ、３時間前のＨＭ
ＴをＨＭＴ_ｔ−３とすると、その差 ＨＭＴ_ｔ−ＨＭＴ_ｔ−３ を実積として評価することができる。

この値を第９図のような関数にかける。第９図には区間
［０．１］の間の値をもつＦｆ_１、ｆ_２、ｆ_３の関数が
用意してある。それぞれの意味は、 ｆ_１：熱くなった ｆ_２：そのままだった ｆ_３：若くなった である。第８図の例では、ＨＭＴ_ｔ−ＨＭＴ_ｔ−３は＋
１５℃であり、このとき ｆ_１＝0.5、ｆ_２＝0.5、ｆ_３＝０ である。すなわち、これが教師出力となる。

そして、３時間前の入力データと予測結果の出力データ
をまたもってきて、上記教師出力とともにネットワーク
の学習計算にかける。

これをある周期で実施すれば、その周期ごとにネットワ
ークの相互結合係数を自動生成することができる。この
例ではＨＭＴ実績値を教師出力データの生成に用いた
が、炉熱の状態を表わすインデックスは他にも多い。炉
熱指数Ｈ_０などでもよい。定周期にもこだわらない。よ
い教師データが生成された時に学習を起動させてもよ
い。

学習はいったん初期の重み係数を作ってしまったら、後
は微修正でよいため、修正のための学習頻度は比較的少
なくてよい。

第１０図に全体のフローを示す。通常の予測フローは定
周期起動、学習フローも定周期起動とした。実施例では
前者は２０分毎後者は１日毎の定周期起動とした。

第１１図に本発明方法による予測結果のトレンドと実操
業のＨＭＴ推移の結果のトレンドを示す。正確に予測で
きていることがわかる。また、この予測結果に基づいて
送風温度のアクションをとったときのトレンドを第１２
図に示す。溶銑温度が適正なレベルのコントロールされ
るようになった。

〔発明の効果〕

本発明によって、炉熱の予測精度が向上し、これを利用
して炉熱の制御モデルを構築して送風温度、コークス比
のアクションを適切にとったとき、溶銑温度が安定に適
正レベルでコントロールできるようになった。

また、予測システムにニューラルネットワークの学習方
法を使っているため、従来のモデルと比較して、パラメ
ータチューニングなどの保守性および開発効率が向上し
た。

【図面の簡単な説明】

第１図は本発明方法を実施するためのシステムのブロッ
ク図、第２図はニューラルネットワークの実施例の説明
図、第３図はニューラルネットワークのユニットの構造
の説明図、第４図はニューラルネットワークの模式図、
第５図はニューラルネットワークの階層構造図、第６図
はニューラルネットワークのユニットの内部関数のグラ
フ、第７図はニューラルネットワークの出力層アウトプ
ットの例を示すグラフ、第８図は炉熱レベルと溶銑温度
のトレンドを示すグラフ、第９図は教師出力の基準とな
る関数のグラフ、第１０図は実施例のフローチャート、
第１１図、第１２図は実施例における予測結果を示すグ
ラフである。 １……高炉操業データ ２……入力手段 ３……加工手段 ４……ニューラルネットワーク ５……ネットワークの予測結果 ６……学習用参照入力データ ７……学習用教師出力 ８……学習用パターン作成処理。

フロントページの続き (72)発明者 小林 敬司 千葉県千葉市川崎町１番地 川崎製鉄株式 会社千葉製鉄所内 (72)発明者 高島 暢宏 東京都千代田区内幸町２丁目２番３号 川 崎製鉄株式会社東京本社内

Claims (2)

【特許請求の範囲】
1. 【請求項１】高炉炉熱レベルの将来推移を予測する方法
   において、 高炉操業データを入力する入力層と、炉熱レベルの推移
   予測結果を出力する出力層をもち予め学習させた、２層
   以上の階層型ニューラルネットワークを用意しておき、
   高炉に設置された各種のセンサから高炉操業データを所
   定のタイミングで読み込み、これらのデータをそれぞれ
   最近の変動状況を示す各種データに加工処理して前記ニ
   ューラルネットワークの入力層に入力し、ニューラルネ
   ットワークの内部において各層の各ユニットが前層の全
   ユニットからのリンクを入力して総和を取り、その結果
   にある内部関数を乗じて１つの出力を求め、その出力を
   次の層の全ユニットに出力し、最終的に出力層に設けた
   少なくとも１つのユニットから予測結果を定量的に出力
   し、炉熱レベルの将来推移を定量的かつ定性的に予測す
   ることを特徴とする高炉炉熱予測方法。
2. 【請求項２】請求項１記載の予測方法において、炉熱レ
   ベルの推移実績を炉熱を代表する測定値の最近の変化量
   で定量化し、該変化量が正方向に大きいときは炉熱が上
   昇したと判定し、負方向に大きいときは炉熱が低下した
   と判定することにより、ネットワーク予測結果の教師デ
   ータを作り、そのときの入力値とネットワークによる実
   予測結果とともに、ニューラルネットワークの学習用デ
   ータを自動的に生成させ、このデータにより実際に学習
   させてニューラルネットワークの相互結合係数を自動生
   成させることを特徴とした高炉炉熱予測方法。