JP2506485B2 - 高炉装入物分布制御方法 - Google Patents

Description

【発明の詳細な説明】 ［産業上の利用分野］ 本発明は、高炉操業におけるステーブ熱負荷を安定に
管理範囲内に維持し、適切なガス流れ分布を確保するこ
とを目的とするベルレス式高炉装入物分布制御方法に関
する。

［従来の技術］ ベルレス高炉において、炉体熱負荷すなわち炉内ガス
流れを管理する方法としては、従来一般に高炉オペレー
タ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、炉内ガス流れ、炉体熱負荷の評価を行い、
経験的に旋回シュートの傾動パターンの変更を行うとい
う方法がとられているが、その評価の結果にはオペレー
タの能力や経験等による個人差があり、操業アクション
の基準化が難しいと共に評価が定量的でないため、操業
解析が難しいという問題点があった。

このような問題を解決するため、特開昭58−87209号
公報に開示されているように、炉内ガス流れを定量評価
し、旋回シュート傾動ポジションを変更する方法が提案
されている。このベルレス高炉の原料装入方法は各種セ
ンサ情報から炉内ガス流分布におけるガス流れを中心
流、中間流、炉壁流に分別した上でそれらをそれぞれ三
角形の頂点に配し、かつこれらの中心流〜中間流間の辺
と炉壁流〜中間流間の辺とに旋回数Ｎと傾動角θの組合
せにかかる旋回シュート傾動ポジションの指数を目盛っ
た装入パターン表示三角ダイヤグラムを作成し、現在の
原料分配位置をこの三角ダイヤグラム上に表示させる一
方、そのダイヤグラム表示に基ずき炉体熱負荷、ガス温
度、ガス利用率に代表される炉況指数との対応において
次回装入パターンを決定し、旋回シュートを調整して装
入を行い、ベルレス高炉の適切なガス流れ分布が実現さ
れている。

［発明が解決しようとする課題］ 特開昭58−87209号公報の方法では、測定時のセンサ
情報だけでガス流れが判定されており過去にオペレータ
が行った旋回シュートの調整により炉内ガス流れの変化
等についての調整効果の把握がなされておらず、依然と
して最終的な調整判断はオペレータにまかされていた。
また、このような分布制御は、オペレータの知識を具現
化することによってはじめて可能となるものであり、そ
のために現在ではAI技術を適用したエキスパートシステ
ムを構築する方法もある。しかし、前述のようにオペレ
ータの知識は複雑多岐に亘っており、またその知識は定
性的であるため知識を抽出することが困難で、従来オペ
レータが行っていた操業の代りとなるシステムにはなり
難いという問題点があった。

本発明はこのような従来の技術を階層型ニューラルネ
ットワークを利用して合理的に構成した高炉装入物分布
制御方法を提供することを目的とする。

［課題を解決するための手段］ 本発明の第１の発明は、ベルレス式高炉の旋回シュー
ト傾動パターンを炉内ガス流れ状況に基づいて設定変更
する装入物分布制御方法において、ステーブ熱負荷、ス
テーブレンガ温度、固定ゾンデ温度分布、シャフト部ガ
ス利用率分布、シャフト圧損、原料層厚比、疎密指数、
装入物プロフィール、過去のアクション履歴の各種デー
タを入力層とし、各旋回毎の傾動角パターンを平均化し
た平均傾動角を出力層とする２層以上の複数ユニットが
２層以上の層状に接続され、各隣接層間のユニット同士
が情報伝達リンクで結合され、入力された情報は下位層
から上位層に向けて順方向に伝播していくことを基本仕
様とする階層型ニューラルネットワークを構成し、規範
となる入出力のペアを該ニューラルネットワークに与え
て、誤差の２乗和が最小となるように相互結合係数を計
算しておき、前記情報伝達リンクは前層出力に該相互結
合係数を乗算した値を次層に入力する機能をそれぞれ備
えておき、高炉に設置された前記各種センサデータを所
定のタイミングでデータ入力手段に入力し、該データを
もとにそれぞれ現在値及び変化量を示す加工データに加
工処理し、該加工データを前記ニューラルネットワーク
の入力層に与え、リアルタイムで出力層から得られる平
均傾動角を求め、自動的にその値から各旋回ごとの傾動
角を設定して制御することを特徴とした高炉装入物分布
制御方法である。

また、本発明の第２の発明は上記第１の発明方法の出
力を直接傾動角パターンノッチ数としたもので、ネット
ワークの構造は異なるが他は同様である。第１の発明で
は算出した平均傾動角をさらに各旋回毎の傾動角パター
ンに変換する必要があるが第２の発明ではそれが不要で
直接操作出力値を求めることができる。

［作用］ 本発明のポイントは従来入出力関係が不明確であった
ガス流れ情報とシュート傾動パターンの関係をニューラ
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、操作タイ
ミングをより適切かつ正確なものとしたことにある。

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、旋回シュート平均傾動角或は各旋回毎の傾
動角パターンをリアルタイムで決定して制御することで
ある。

［実施例］ 以下本発明の実施例を図面に基づいて説明する。第１
図は本願発明を実現させるためのシステム構成例であ
る。

高炉１へは旋回シュート２を利用して原料であるコー
クスと鉱石が交互に供給されている。旋回シュート２は
第４図に示すように回転と傾動が任意に可能な自由度の
高い装入装置である。通常約14旋回で炉内へ１バッチ分
の原料を装入することができるように上部バンカからの
排出速度が調整されている。また、旋回シュートは各旋
回毎に傾動角を変更することができる。図に示すように
角度をあるノッチ数でわかりやすくして定義しておき、
第１〜14旋回についてそれぞれノッチ数を設定すれば、
第１図の旋回シュート制御装置が作動して設定通りの回
転・傾動が可能なようになっている。

高炉のプロセスコンピュータ３は炉内各所の検出端情
報９を集中的に管理する機能を持っている。したがっ
て、本発明に必要なすべての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３に一定期間過去のデータも含めて記憶されてい
る。本発明を実行する専用コンピュータ４は前記各デー
タ９の入力手段５とそれらを加工処理するデータ加工処
理手段６及びニューラルネットワーク７を含むアクショ
ン決定手段を持ち、決定した装入物分布アクション（旋
回シュートの傾動パターン）は専用コンピュータ４から
旋回シュート制御装置８へ与えられる。

以上が本発明を実施するための具体的構成例である。
コンピュータ３と４は同一装置でもよい。本発明のプロ
グラムは高炉へ原料を装入するタイミング（数分間）毎
に作動する。

次に詳細な実施例を説明する。データ入力手段５がプ
ロセスコンピュータ３から入力するデータは下記の通
り。

（ａ）ステーブ熱負荷： ステーブら抜熱される熱量を示すデータ （ｂ）ガスサンプラN₁〜N₁₀： ガスサンプラで測定された高炉シャフト部ガス利用率
分布である。Ｎの添字は半径方向の位置を示すもので、
１が中心側、10が炉壁側である。ガス利用率Ｎ値の定義
は である。

（ｃ）固定ゾンデ温度T₁〜T₆： 固定ゾンデで測定された半径方向ガス温度分布であ
り、T₁が中心側、T₆が炉壁側である。

（ｄ）シャフト圧損： シャフト部上段と下段に設置された圧力計の測定値の
差である。

（ｅ）Lo/Lc: 原料装入直前と直後のサウンジング降下距離から求め
た鉱石層厚（Lo）とコークス層厚（Lc）の比である。

（ｆ）疎密指数（原料装入間隔を示す値） （ｇ）プロフィール計炉壁フラット部長さ（Ｌ）と傾斜
角（θ）： プロフィール計で測定された装入物表面形状を第５図
に示すように指数化したものである。

（ｈ）過去のアクション履歴： 過去数日分とったアクションをCPI指数で定量化した
ものである。

これらのデータはどれも時系列データである。それぞ
れの１日平均値に対して、 現在値＝最新の１日平均値 変化量＝（同上）−（７日前の１日平均値） を求める。

これらのデータの現在値及び過去数日分の時系列デー
タをデータ入力手段がサンプルし、次のデータ加工手段
へ渡す。データ加工手段では前記データのうちのいくつ
かを用いて次のような加工処理をする。

（ｉ）固定ゾンデ中心温度のシャープさを示すデータと
して T₁−T₂ （ii）壁側の温度分布を定量化するデータとして T₆−Tmin ただし、TminとはT₁〜T₆の最小値 を算出し、さらに上記T₁−T₂、T₆−Tminを含めて入力手
段を集めた各データが過去数日前から現在までの間にど
れだけ変化したかを示す変化量を求める。変化量は本例
では７日前の日毎平均値と最新１日分の平均値の差とし
て定義した。

第１表に本システムに基く操業前後におけるステーブ
熱負荷とT₆−Tminのばらつきを比較して示す。ばらつき
は±２σで評価した。

従来よりアクションがきめ細かく、かつタイムリーに
なったため、ばらつきが減少したものと考えられる。

なお、ここに示した加工処理方法は１例であり、オペ
レータがガス流分布を観測し、判定するのに使っている
情報なら何でも構わない。

加工処理したデータはニューラルネットワーク７へ渡
される。第１の発明に対応するネットワークを第２図
に、第２の発明に対応するネットワークを第３図に示
す。

これらの実施例ではネットワークは３層構造とし、中
間の隠れ層を１層設けた。隠れ層のユニット数は任意で
あるが本例では10〜５ユニットで十分機能する。ユニッ
トの内部関数は入力層はスルー、隠れ層と出力層はシグ
モイド関数とした。また、層構造とは独立にバイアスユ
ニットをひとつ設け常に出力＝１とし、隠れ層と出力層
各ユニットとリンクさせた。これによりスカッシング関
数のしきい値も学習が可能である。

まずこのネットワークは熟練オペレータの実アクショ
ンをもとに参照入力とその時の教師出力を何パターンか
与えバックプロパゲーション法によって学習させる。学
習後のネットワークにリアルタイムで加工処理手段から
渡されたデータを入力し認識計算させその結果を出力す
る。

第２図のニューラルネットワークを例にとってさらに
具体的に説明する。

入力層各ユニットは、第２図中に示すように加工処理
で求めた下記データが割付けられている。

○ステーブ熱負荷の現在値 ○ステーブ熱負荷の変化量 ○ガスサンプラN₁の現在値 ○ガスサンプラN₁の変化量 ： ： ○パターン変更履歴指数 上記データを入力したニューラルネットワークは隠れ
層でこれらの入力をデータ処理し出力層に平均傾動角
（CPI指数）を出力する。

CPI指数とは旋回シュートの傾動角をひとつの数字で
表現するため作ったもので各旋回ごとの傾動角を平均す
ることによって求められる。

ただし、n:旋回数 θ_j：第ｊ回目の傾動角 である。

第６図に、これらの入力データと、出力である平均傾動
角のトレンドグラフを示す。入力データは数多くあるの
で変化の大きかったいくつかを選択して取上げた。炉壁
流化が進み、平均傾動角を小さくする（中心流化アクシ
ョンに相当する）指示をニューラルネットが出してお
り、その結果炉壁流が抑えられ適正なガス流分布とする
ことができた例である。

第３図は傾動パターン設定が結果として出力されてい
るようにネットワークが形成されている。

［発明の効果］ 本発明によってベルレス高炉の旋回シュート傾動パタ
ーン設定が自動化され、従来よりも的確でタイムリーな
アクションが可能になり従ってステーブ熱負荷やガス流
分布が安定に維持できるようになった。

また、従来オペレータが手動で操作していたものを自
動化できたことによりオペレータの負荷が飛躍的に向上
した。

【図面の簡単な説明】

第１図は本発明の実施例のブロック図、第２図、第３図
はニューラルネットワークのシステム図、第４図はベル
レス装入パターンのダイヤグラム、第５図はプロフィー
ル計データの処理の説明図、第６図は効果の比較を示す
グラフである。 １…高炉 ２…旋回シュート ３…プロセスコンピュータ ４…専用コンピュータ ５…データ入力手段 ６…データ加工処理手段 ７…ニューラルネットワーク ８…旋回シュート制御装置 ９…各種センサ

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】ベルレス式高炉の旋回シュート傾動パター
   ンを炉内ガス流れ状況に基づいて設定変更する装入物分
   布制御方法において、 ステーブ熱負荷、ステーブレンガ温度、固定ゾンデ温度
   分布、シャフト部ガス利用率分布、シャフト圧損、原料
   層厚比、疎密指数、装入物プロフィール、過去のアクシ
   ョン履歴の各種データを入力層とし、各旋回毎の傾動角
   パターンを平均化した平均傾動角を出力層とする２層以
   上の複数ユニットが２層以上の層状に接続され、各隣接
   層間のユニット同士が情報伝達リンクで結合され、入力
   された情報は下位層から上位層に向けて順方向に伝播し
   ていくことを基本仕様とする階層型ニューラルネットワ
   ークを構成し、 規範となる入出力のペアを該ニューラルネットワークに
   与えて、誤差の２乗和が最小となるように相互結合係数
   を計算しておき、 前記情報伝達リンクは前層出力に該相互結合係数を乗算
   した値を次層に入力する機能をそれぞれ備えておき、 高炉に設置された前記各種センサ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
   ぞれ現在値及び変化量を示す加工データに加工処理し、 該加工データを前記ニューラルネットワークの入力層に
   与え、リアルタイムで出力層から得られる平均傾動角を
   求め、自動的にその値から各旋回ごとの傾動角を設定し
   て制御することを特徴とした高炉装入物分布制御方法。
2. 【請求項２】ニューラルネットワークの出力層各ユニッ
   トを各旋回毎の傾動角パターンノッチ数としたことを特
   徴とする請求項１記載の高炉装入物分布制御方法。