JP2556214B2 - 高炉操業知識自動生成方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は高炉操業に必要な知識を
操業実績に基づいて自動生成する方法に関する。

【０００２】

【従来の技術】高炉は、非線型系、分布定数系プロセス
であるため数学的に精度よく記述することが困難であっ
た。このため、近年は高炉操業を支援するファジーやニ
ューラルネット等を応援したＡＩシステムが開発されて
いる。これらのシステムは、事前に操業に関する知識を
整理してシステムに登録することが必要であり、ニュー
ラルネットも知識に相当するシステムの入出力関係を事
前に与えなければならなかった。

【０００３】

【発明が解決しようとする課題】従って、従来のシステ
ムにおいては、膨大な操業知識を専門家が計算機に入力
する必要があり、また、知識の内容が操業履歴と共に変
化するので、ルール変更等の知識ベースのメンテナンス
が必要であった。更に、設備更新時に新規設備に対する
操業知識が十分に収集できない場合には、従来のＡＩ技
術の適用は困難であった。

【０００４】本発明は、このような状況に鑑みてなされ
たものであり、過去に行った操業アクションに関するデ
ータに基づいて操業知識を学習し、操業知識を自動生成
する高炉操業知識自動生成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】本発明に係る高炉操業知
識自動生成方法は、過去の操業データを、タグ毎に、操
作変更量、操業変更前のデータ及び操業変更後のデータ
のセットで蓄積する工程と、操業条件、操業変更前デー
タ及び目標に関して、同様な過去の操業データを前記蓄
積データから抽出し、操業変更後のデータに基づいて目
標に対する良い例と悪い例の評価をする工程と、上記の
良い例及び悪い例のそれぞれについて、操業変更前のデ
ータと操業変更後のデータとの正規化値の差分量をもと
に、目標に対する操業変更による影響があったタグを選
択する工程と、上記の良い例及び悪い例のそれぞれにお
いて、上記の選択されたタグ間において成立している因
果関係が、目標に対する操業変更の結果に対応するもの
であるかどうかを所定の基準（：例えば操業技術者の思
考過程をモデル化した思考フロー（図７）、経験則よる
因果関係のルール（図１０））に基づいて判断し、タグ
間の因果関係が目標に対する操業変更の結果に対応する
過去の操業データを抽出する工程と、上記において抽出
された過去の操業データについて、操業変更の目的毎に
設定された各タグの重要度による比較及び類似的な意味
を表したタグの単一化により不要なタグを削除して、冗
長性を排除する工程と、残された各タグに対応した語句
に基づいて操業知識（：マクロルール）を生成する工程
とを有する。

【０００６】

【実施例】本発明の実施例を説明するのに先立って本実
施例の知識獲得方法の概念を説明する。図２は知識獲得
方法の概念図である。図示のように、目的概念として
「始業時間に間に合うように会社に出勤する。」という
概念があるものとする。領域理論として、ａ）横浜の自
宅からの日常の出勤で得ている始業時間に間に合うため
の知識、ｂ）ＪＲの時刻表があるものとする。例題とし
て、品川の友人宅から出社したときの実績を取り込ん
で、上述の目的概念及び領域理論に適用すると、次に述
べる説明構造が形成される。図３は説明構造を示すフロ
ーチャートである。図において、破線は領域理論の内容
に対応し、実線は例題の内容に対応するものとする。

【０００７】次に、図２において、操作規範として、
ａ）友人宅からの出勤時間を採用、ｂ）駅、バス停の到
着時間のみを選択（待ち時間は削除）があるものとし、
汎化規則として、電車・バスの乗車時間は記憶しないと
いう規則があるものとする。上述の操作性規範及び汎化
規則に図３の説明構造を適用すると、次に説明するマク
ロルールが生成される。図４はマクロルールの内容を示
す概念図であり、マクロルールとして『もし、友人宅か
ら出社した場合、品川駅に７：３０、川崎駅に７：５
０、池上工場前に８：２０に到着すれば会社に間に合
う。』というルールが成立する。以上のように本実施例
の知識獲得方法の概念が明らかになったところで、次に
本実施例の説明をする。

【０００８】図５は本発明の一実施例の高炉操業知識の
獲得方法を示す概念図である。目標概念として、低Ｓ
ｉ、安定操業等がある。、領域理論として思考フローが
あり、それにはベルレスモデル、ＲＩＳＴ、経験則等が
ある。過去の操業データは、目標概念に対して行った操
業変更時のデータであり、操作変更量・操業変更前・操
業変更後のセットで蓄積されている。操業条件・操業変
更前データ・目標に関し、同様の事例を蓄積データから
抽出し、操業変更後データより目標に対する良い例と悪
い例の評価をする。上記の良い例及び悪い例ごとに、操
作変更前と後のデータの正規化値の差分量をもとに、ね
らいに対する操作変更に影響があったタグを選択する。

【０００９】蓄積データの構成タグ間にはそれぞれ因果
関係があり、操業技術者の思考過程をモデル化したフロ
ーを用いて抽出された事例が目標概念に対する具体例で
あることを証明する。更に、抽出データの各変化量の正
当性に関しては、モデルの計算結果タグはモデル理論に
より、また、モデル以外のタグには操業上の経験則を用
いて証明する。こうして操業データに基づいて演繹的に
生成したタグの代表事例（木構造）を、操業変更のねら
い毎に設定された各タグ重要度による比較や、類似的な
意味を表したタグの単一化等により、冗長性を排除した
後、各タグに対応した例えば日本語に対応したマクロル
ールを生成する。マクロルールに用いるデータは抽出デ
ータの平均値を使用する。以上の処理は定周期及びバッ
チ的に行われてマクロルールは自動生成される。

【００１０】図５の高炉操業知識の獲得方法の概念が明
らかになったところで、次にその詳細を説明する。図１
は本発明の一実施例の高炉操業知識自動生成方法のシス
テムの構成図である。この構成図に基づいて高炉操業知
識の自動生成方法を説明する。 (1) 高炉の操業データをプロセスコンピュータに収集す
る。 (2) 操業データをもとに空間的、時間的な特徴を表す操
業データを計算する。 (3) 操業データ（特徴データ）をもとに、操業変更前・
操業変更後に分けて、平均値・時間変化量を計算し、操
作量と共に操業事例として１炉代蓄積する。 (4) 現在の操業データ（操業変更前）の特徴を計算し、
多次元距離尺度を用いて現在の操業データと過去の操業
変更前の事例計算との距離計算を行い、同様事例を複数
抽出する。

【００１１】(5) 操業のねらいとなる操業変数に、操業
状態を評価する関数（メンバーシップ関数）を設定して
おき、これを用いて抽出事例が操業変更により操業変更
後良くなったか、又は悪くなったかを評価し、事例デー
タとして蓄積する。例えば装入物分布制御の事例では、
操業ねらいに対して操作を行ったときの操業変更前デー
タ、操作変更量、操業変更後データ及び評価結果がセッ
トとなった具体例である。 (6) 良い事例・悪い事例ごとに操業変更により影響を受
けたと思われるタグを抽出する。つまり、或るタグデー
タが操業前後で変化した場合、それが操業変更に起因す
ると思われるタグを事例から抽出する。操業変更影響タ
グの抽出の手法は図６に示すとおりである。

【００１２】(7) 操業思考過程の構成タグを判定する。 抽出されたタグを、操業を行う時の思考過程をフロー化
したモデルに照合し、ある操業ねらいに対して行った操
業アクションの具体例であることが説明できるかどうか
をチエックする。説明できない場合には知識生成不能と
して処理を中止する。 ａ）装入物分布制御を行う時の思考過程 図７は装入物分布制御を行うときの思考フローを示す図
である。高炉装入物は或る操業条件下で炉の状態を診断
し、操業のねらいに関して目標とすべき炉現象の変化量
を決定（推定）した後、制御判定因子に基づいて制御因
子の変更を行う。その結果、炉頂装入物分布が変化し、
前記の炉内現象変化の結果として現れる操業変更結果
（効果）に基づいてねらいに関する評価を行う。これら
の一連の思考過程は、理論モデル（ＲＳＴ，ベルレスモ
デル等）の計算結果や、センサーデータ等で構成される
表１の７項目のフローで表現される。

【００１３】

【表１】

【００１４】ｂ）操業思考過程の構成タグ判定 上記の(6) 項の抽出タグが、図７の思考項目の構成タグ
に存在し、且つ上記の７項目全てにタグが存在する場
合、この事例は装入分布制御を行う思考過程の具体例と
して説明できる。図８は抽出タグ及び抽出データ（変化
量）の平均値並びに操業変更前の操業条件の各具体例を
示した図である。この抽出タグの中に図７の思考フロー
の設定タグが存在することをチエックする。その結果、
抽出タグは図９の思考フロー形式で記述でき、低Ｓｉ操
業をねらいとした装入物分布制御をこの事例を用いて説
明することができるようになる。ここで、各タグのデー
タは抽出データと同一である。

【００１５】(8) モデル又は経験則によるタグ間の因果
関係を証明する。 上記の思考過程の構成タグ間にはそれぞれ因果関係があ
り、モデル計算結果タグはそのモデルはそのモデル理論
によりすでに証明されている。その他のタグに関して
は、予め設定されている経験則（タグ間の因果関係を表
現するルール）を用いて説明する。図１０は経験則によ
る因果関係を示したルールを示した図である。このルー
ルを満足した抽出タグのみが採用される。

【００１６】(9) 説明構造を生成する。 以上の処理を経て、タグで構成される木構造が抽出され
た場合、これは或る操業ねらいに対して行った装入物分
布制御（目標概念）の具体例であることが説明でき、こ
の木構造を説明構造と称する。図１１は説明構造の一例
を示した図である。

【００１７】(10)操業ねらいの毎のタグ重要度を比較す
る。 操業のねらいに対するタグの重要度・注目度をねらい毎
に設定しておく。生成した説明構造の各ブロック内で、
構成タグ間の設定注目度を比較し、最大注目度のタグの
みを残す。こうして、ルール化に不必要なタグを削除す
る。図１２はねらいが低Ｓｉ操業の場合の各タグの注目
度を示した図である。同様に炉内現象、制御因子、効
果、ねらいのタグに対しても注目度を設定しておく。図
１３は説明構造を示した図である。生成された説明構造
がこの図の上部のような場合には、各タブの重要度の比
較により縮約して同図の下部に示される木構造にする。

【００１８】(11)同様タグの単ー化をする。 マクロルールの冗長性を排除するために、類似的な意味
を持つブロック間に以下の組み合わせで、日本語可の対
象ブロックを設定する。 １：ルール化 ０：ルール化しない 例えば次のように設定する。 １）炉装入物分布：０ ２）炉内現象 ：１ ３）効果 ：０ 制御因子 ：１ 判定制御因子：０ ねらい：１ 図１４は上記のように設定した場合の木構造を示した図
である。 (12)日本語化処理をする。 予めタグ毎に日本語を設定しておき、上記(11)項で作成
された木構造（図１４）を日本語化する。図１５は各タ
グとそれに対応して登録され日本語との関係を示した図
である。ここに図示されていないタグも同様にして対応
した日本語が登録される。

【００１９】(13)マクロルールを作成する。 以上の処理の結果次のマクロルールを得る。 マクロルール： 『操業条件として 本日の目標出銑量が １１０００ｔ／Ｄ 送風量が ７７００ＮＭ３／Ｍ 酸素富化率が ２．８％ 送風温度が １２００゜Ｃ 燃料比が ４８０Ｋｇ／Ｔｑ 溶銑温度が １５０５゜Ｃ であるとき銑中Ｓｉを−３変化させるためには、 鉱石強度を −０．３ コークス強度を ＋０．２ 変化させることが望ましい。この時 中心部のＵ／Ｕｏは ＋０．２ 周辺部のＬ／Ｌｏは −０．２

【００２０】なお、上述の実施例においては日本語化し
た例について説明したが、高炉が設置される国の言語の
マクロルールも同様にして得られることはいうまでもな
い。また、生成知識の類似性排除を目的として、同一タ
グ及び同一方向のルールが既に存在した場合には新規生
成ルールに置き換えるものとする。

【００２１】

【発明の効果】以上のように本発明によれば、過去の操
業データを操作変更量、操業変更前及び操業変更後のセ
ットで蓄積して、操作変更前と後のデータの正規化値の
差分量をもとに、ねらいに対する操作変更に影響があっ
たタグを選択し、操業変更のねらい毎に設定された各タ
グ重要度による比較や、類似的な意味を表したタグの単
一化等により不要なタグを削除して冗長性を排除した後
に、各タグに対応した語句に基づいてマクロルールを自
動的に生成するようにしたので、操業知識を計算機に入
力したり、或いはルール変更等のメンテナンスをする必
要がなくなるという効果が得られている。

【図面の簡単な説明】

【図１】本発明の一実施例の高炉操業知識自動生成方法
のシステムの構成図である。

【図２】知識獲得方法の概念図である。

【図３】図２の説明構造の概念図である。

【図４】マクロルールの概念図である。

【図５】本発明の一実施例の知識獲得方法を示す概念図
である。

【図６】操業変更影響タグの抽出の手法を示すフローチ
ャートである。

【図７】装入物分布制御を行うときの思考フローを示す
図である。

【図８】抽出タグ及び抽出データの平均値並びに操業変
更前の操業条件の具体例を示した図である。

【図９】図８の抽出タグを図７の設定タグによりチエッ
クして得られた思考フローを示す図である。

【図１０】経験則による因果関係のルールを示した図で
ある。

【図１１】説明構造の一例を示した図である。

【図１２】ねらいが低Ｓｉ操業の場合の各タグの注目度
を示した図である。

【図１３】説明構造を示した図である。

【図１４】同様なタグを排除して冗長性を排除した場合
の木構造を示した図である。

【図１５】各タグとそれに対応して登録された日本語と
の関係を示した図である。

Claims (1)

(57)【特許請求の範囲】
1. 【請求項１】 過去の操業データを、操業管理項目（以
   下タグという）毎に、操作変更量、操業変更前のデータ
   及び操業変更後のデータのセットで蓄積する工程と、 操業条件、操業変更前データ及び目標に関して、同様な
   過去の操業データを前記蓄積データから抽出し、操業変
   更後のデータに基づいて目標に対する良い例と悪い例の
   評価をする工程と、 上記の良い例及び悪い例のそれぞれについて、操業変更
   前のデータと操業変更後のデータとの正規化値の差分量
   をもとに、目標に対する操業変更による影響があったタ
   グを選択する工程と、 上記の良い例及び悪い例のそれぞれにおいて、上記の選
   択されたタグ間において成立している因果関係が、目標
   に対する操業変更の結果に対応するものであるかどうか
   を所定の基準に基づいて判断し、タグ間の因果関係が目
   標に対する操業変更の結果に対応する過去の操業データ
   を抽出する工程と、 上記において抽出された過去の操業データについて、操
   業変更の目的毎に設定された各タグの重要度による比較
   及び類似的な意味を表したタグの単一化により不要なタ
   グを削除して、冗長性を排除する工程と、 残された各タグに対応した語句に基づいて操業知識を生
   成する工程とを有することを特徴とする高炉操業知識自
   動生成方法。