JP2919298B2 - 溶銑予備処理操業における処理剤の投入条件ガイダンス方法 - Google Patents
溶銑予備処理操業における処理剤の投入条件ガイダンス方法Info
- Publication number
- JP2919298B2 JP2919298B2 JP7075617A JP7561795A JP2919298B2 JP 2919298 B2 JP2919298 B2 JP 2919298B2 JP 7075617 A JP7075617 A JP 7075617A JP 7561795 A JP7561795 A JP 7561795A JP 2919298 B2 JP2919298 B2 JP 2919298B2
- Authority
- JP
- Japan
- Prior art keywords
- agent
- input
- hot metal
- concentration
- conditions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Treatment Of Steel In Its Molten State (AREA)
- Refinement Of Pig-Iron, Manufacture Of Cast Iron, And Steel Manufacture Other Than In Revolving Furnaces (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】本発明は，溶銑予備処理操業にお
いて溶銑中の所定の成分を除去するための処理剤の投入
条件をガイダンスする方法に関する。
いて溶銑中の所定の成分を除去するための処理剤の投入
条件をガイダンスする方法に関する。
【０００２】
【従来の技術】溶銑中に硫黄（Ｓ），リン（Ｐ），ケイ
素（Ｓｉ）が多く含まれると，製鋼時の生産能率が低下
する。そのため，溶銑予備処理として，脱硫処理，脱リ
ン処理，脱ケイ処理が行われる。例えば，脱硫処理で
は，石灰（ＣａＯ），カーバイド（ＣａＣ2 ）等の脱硫
剤を用いて硫黄成分が除去される。脱硫剤の投入量や投
入所要時間等の投入条件は，溶銑中のＳ濃度を目標濃度
以下に低下させることと，操業コストを上昇させないこ
ととのバランスを考慮して決定することが重要である。
そこで，従来は，例えば重回帰等の統計的手法により脱
硫操業をモデル化し，重回帰式を用いてＳ濃度を推定す
ることにより脱硫剤の投入条件を決定している。
素（Ｓｉ）が多く含まれると，製鋼時の生産能率が低下
する。そのため，溶銑予備処理として，脱硫処理，脱リ
ン処理，脱ケイ処理が行われる。例えば，脱硫処理で
は，石灰（ＣａＯ），カーバイド（ＣａＣ2 ）等の脱硫
剤を用いて硫黄成分が除去される。脱硫剤の投入量や投
入所要時間等の投入条件は，溶銑中のＳ濃度を目標濃度
以下に低下させることと，操業コストを上昇させないこ
ととのバランスを考慮して決定することが重要である。
そこで，従来は，例えば重回帰等の統計的手法により脱
硫操業をモデル化し，重回帰式を用いてＳ濃度を推定す
ることにより脱硫剤の投入条件を決定している。
【０００３】
【発明が解決しようとする課題】しかしながら，図８に
示す操業実績例（“鉄と鋼” 1978A21 P64より）からも
明らかなように，例えば脱硫剤の投入量と操業後の脱硫
率との対応特性は非線形となる。そのため，脱硫率の目
標値を複数の区間に分割し，それぞれの区間毎に異なる
複数の重回帰式を用いるようにして近似化を図っている
が，精度を向上させる上で種々の障害があるために，ガ
イダンスされる投入量の精度は必ずしも満足できるもの
ではなかった。上記重回帰式を用いてガイダンスされた
投入量は，操業上のバラツキを考慮していない平均的な
量であり，たとえガイダンスに従って脱硫剤を投入した
としても，確率的にはチャージの半数程度が目標のＳ濃
度以上になってしまう。そのため，実際の操業時には，
目標のＳ濃度以下にするために，操業者が経験則に従
い，または主観により，ガイダンスされた量よりも多め
の脱硫剤を投入するようにしているが，経験則又は主観
に基づいているが故にズレが生じやすく，また，そもそ
もガイダンス量自体の精度が悪いために，結果的に脱硫
剤の不足投入，過剰投入が生じ，脱硫不足又は不経済と
なる欠点があった。尚，脱ケイ処理に用いられる脱ケイ
剤や，脱リン処理に用いられる脱リン剤，吹き込み酸
素，温度調整用添加剤等についても上記脱硫剤と同様の
課題があり，さらには，これらの処理剤の投入所要時間
についても同様であり，これを解決するための優れた技
術が待望されている。本発明は，かかる実情に鑑み考え
だされたものであり，その目的は，溶銑予備処理操業に
おける処理剤の投入条件を精度良く，かつ，実用上のバ
ラツキを加味して適正にガイダンスすることが可能な溶
銑予備処理操業における処理剤の投入条件ガイダンス方
法を提供することにある。
示す操業実績例（“鉄と鋼” 1978A21 P64より）からも
明らかなように，例えば脱硫剤の投入量と操業後の脱硫
率との対応特性は非線形となる。そのため，脱硫率の目
標値を複数の区間に分割し，それぞれの区間毎に異なる
複数の重回帰式を用いるようにして近似化を図っている
が，精度を向上させる上で種々の障害があるために，ガ
イダンスされる投入量の精度は必ずしも満足できるもの
ではなかった。上記重回帰式を用いてガイダンスされた
投入量は，操業上のバラツキを考慮していない平均的な
量であり，たとえガイダンスに従って脱硫剤を投入した
としても，確率的にはチャージの半数程度が目標のＳ濃
度以上になってしまう。そのため，実際の操業時には，
目標のＳ濃度以下にするために，操業者が経験則に従
い，または主観により，ガイダンスされた量よりも多め
の脱硫剤を投入するようにしているが，経験則又は主観
に基づいているが故にズレが生じやすく，また，そもそ
もガイダンス量自体の精度が悪いために，結果的に脱硫
剤の不足投入，過剰投入が生じ，脱硫不足又は不経済と
なる欠点があった。尚，脱ケイ処理に用いられる脱ケイ
剤や，脱リン処理に用いられる脱リン剤，吹き込み酸
素，温度調整用添加剤等についても上記脱硫剤と同様の
課題があり，さらには，これらの処理剤の投入所要時間
についても同様であり，これを解決するための優れた技
術が待望されている。本発明は，かかる実情に鑑み考え
だされたものであり，その目的は，溶銑予備処理操業に
おける処理剤の投入条件を精度良く，かつ，実用上のバ
ラツキを加味して適正にガイダンスすることが可能な溶
銑予備処理操業における処理剤の投入条件ガイダンス方
法を提供することにある。
【０００４】
【課題を解決するための手段】上記目的を達成するため
に，第１の発明は，溶銑中の所定の成分を除去するため
の所定の処理剤の溶銑への投入量，上記処理剤の投入所
要時間を含む処理剤の投入条件を入力して上記所定の成
分の濃度が所定値となるように演算を繰り返す教示手順
を経たニューラルネットワークを用いて，該ニューラル
ネットワークにおける上記処理剤の投入量或いは投入所
要時間を含む所定の処理剤の投入条件の一部を固定した
状態で，残りの投入条件を変化させて入力し，溶銑中の
所定の成分を所定濃度にするための処理剤の投入条件を
得るようにしたことを特徴とする溶銑予備処理操業にお
ける処理剤の投入条件ガイダンス方法である。第２の発
明は，上記処理剤が，Ｓ，Ｓｉ，Ｐのうちのいずれかの
成分を除去するための脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤のうち
のいずれかである溶銑予備処理操業における処理剤の投
入条件ガイダンス方法である。第３の発明は，上記ニュ
ーラルネットワークに操業条件を変化させて繰り返し入
力することにより決定された処理剤の投入条件を実用上
のバラツキを加味して評価し，適切な処理剤投入条件を
決定する溶銑予備処理操業における処理剤の投入条件ガ
イダンス方法である。
に，第１の発明は，溶銑中の所定の成分を除去するため
の所定の処理剤の溶銑への投入量，上記処理剤の投入所
要時間を含む処理剤の投入条件を入力して上記所定の成
分の濃度が所定値となるように演算を繰り返す教示手順
を経たニューラルネットワークを用いて，該ニューラル
ネットワークにおける上記処理剤の投入量或いは投入所
要時間を含む所定の処理剤の投入条件の一部を固定した
状態で，残りの投入条件を変化させて入力し，溶銑中の
所定の成分を所定濃度にするための処理剤の投入条件を
得るようにしたことを特徴とする溶銑予備処理操業にお
ける処理剤の投入条件ガイダンス方法である。第２の発
明は，上記処理剤が，Ｓ，Ｓｉ，Ｐのうちのいずれかの
成分を除去するための脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤のうち
のいずれかである溶銑予備処理操業における処理剤の投
入条件ガイダンス方法である。第３の発明は，上記ニュ
ーラルネットワークに操業条件を変化させて繰り返し入
力することにより決定された処理剤の投入条件を実用上
のバラツキを加味して評価し，適切な処理剤投入条件を
決定する溶銑予備処理操業における処理剤の投入条件ガ
イダンス方法である。
【０００５】
【作用】上記第１の発明においては，溶銑中の所定の成
分を除去するための所定の処理剤の溶銑への投入量，上
記処理剤の投入所要時間を含む処理剤の投入条件を入力
して上記所定の成分の濃度が所定値となるように演算を
繰り返す教示手順を経たニューラルネットワークを用い
て，様々な操業条件下における上記処理剤の投入量と投
入所要時間とを異ならせた場合の処理後の溶銑中におけ
る上記所定の成分濃度を推定することにより，上記処理
剤の好適な投入条件が決定される。従って，上記処理剤
の投入量及び投入所要時間と上記所定の成分濃度との対
応特性が，線形性を示すか非線形性を示すかに関わら
ず，容易に高い推定精度を実現できるので，上記処理剤
の投入条件を適正にガイダンスすることが可能となる。
上記第２の発明においては，脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤
のうちのいずれかの処理剤の投入条件を様々に異ならせ
て，その処理剤に対応するＳ，Ｓｉ，Ｐのうちのいずれ
かの溶銑中の成分の濃度をニューラルネットワークを用
いて推定し，上記処理剤の好適な投入条件を決定する。
従って，脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤の投入条件とＳ，Ｓ
ｉ，Ｐの濃度との対応特性が線形性を示すか非線形性を
示すかに関わらず，容易に高い推定精度を実現できるの
で，上記脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤の投入条件を適正に
ガイダンスすることが可能となる。上記第３の発明にお
いては，上記ニューラルネットワークに操業条件を変化
させて繰り返し入力することにより決定された処理剤の
投入条件を実用上のバラツキを加味して評価し，適切な
上記処理剤投入条件を決定する。従って，上記評価の条
件に応じた好適な処理剤投入条件をガイダンスすること
が可能となる。
分を除去するための所定の処理剤の溶銑への投入量，上
記処理剤の投入所要時間を含む処理剤の投入条件を入力
して上記所定の成分の濃度が所定値となるように演算を
繰り返す教示手順を経たニューラルネットワークを用い
て，様々な操業条件下における上記処理剤の投入量と投
入所要時間とを異ならせた場合の処理後の溶銑中におけ
る上記所定の成分濃度を推定することにより，上記処理
剤の好適な投入条件が決定される。従って，上記処理剤
の投入量及び投入所要時間と上記所定の成分濃度との対
応特性が，線形性を示すか非線形性を示すかに関わら
ず，容易に高い推定精度を実現できるので，上記処理剤
の投入条件を適正にガイダンスすることが可能となる。
上記第２の発明においては，脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤
のうちのいずれかの処理剤の投入条件を様々に異ならせ
て，その処理剤に対応するＳ，Ｓｉ，Ｐのうちのいずれ
かの溶銑中の成分の濃度をニューラルネットワークを用
いて推定し，上記処理剤の好適な投入条件を決定する。
従って，脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤の投入条件とＳ，Ｓ
ｉ，Ｐの濃度との対応特性が線形性を示すか非線形性を
示すかに関わらず，容易に高い推定精度を実現できるの
で，上記脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤の投入条件を適正に
ガイダンスすることが可能となる。上記第３の発明にお
いては，上記ニューラルネットワークに操業条件を変化
させて繰り返し入力することにより決定された処理剤の
投入条件を実用上のバラツキを加味して評価し，適切な
上記処理剤投入条件を決定する。従って，上記評価の条
件に応じた好適な処理剤投入条件をガイダンスすること
が可能となる。
【０００６】
【実施例】以下添付図面を参照して，本発明を具体化し
た実施例につき説明し，本発明の理解に供する。なお，
以下の実施例は，本発明を具体化した一例であって，本
発明の技術的範囲を限定する性格のものではない。
た実施例につき説明し，本発明の理解に供する。なお，
以下の実施例は，本発明を具体化した一例であって，本
発明の技術的範囲を限定する性格のものではない。
【０００７】図１は，溶銑予備処理における装置構成を
示すブロック図である。溶銑予備処理設備（以下単に
「設備」という）１のプロセスを制御するためにプロセ
ス制御用ホストコンピュータ３が設けられ，このホスト
コンピュータ３に操業者が操作するオペレータ用ワーク
ステーション５が接続されている。ホストコンピュータ
３の内部には，操業時の処理剤の投入量や投入所要時間
を含む投入条件を決定するために用いられるニューラル
ネットワーク７が備えられている。このニューラルネッ
トワーク７の構成については後述する。
示すブロック図である。溶銑予備処理設備（以下単に
「設備」という）１のプロセスを制御するためにプロセ
ス制御用ホストコンピュータ３が設けられ，このホスト
コンピュータ３に操業者が操作するオペレータ用ワーク
ステーション５が接続されている。ホストコンピュータ
３の内部には，操業時の処理剤の投入量や投入所要時間
を含む投入条件を決定するために用いられるニューラル
ネットワーク７が備えられている。このニューラルネッ
トワーク７の構成については後述する。
【０００８】設備１には，溶銑中の硫黄（Ｓ）成分を除
去するための脱硫部１１と，ケイ素（Ｓｉ）成分を除去
するための脱ケイ部１３と，リン（Ｐ）成分を除去する
ための脱リン部１５とが備えられている。脱硫部１１と
脱ケイ部１３と脱リン部１５とのそれぞれは，脱硫剤，
脱ケイ剤，脱リン剤（吹き込み酸素と温度調整用添加剤
とを含む）を投入して，除去対象とする成分の溶銑中の
濃度を低下させる。ホストコンピュータ３の内部には，
既述のニューラルネットワーク７の他，溶設備１の上記
脱硫部１１と脱ケイ部１３と脱リン部１５とのプロセス
の制御を担う制御部３１と，制御部３１がプロセス制御
に用いるためのデータを記憶するプロセス制御用データ
記憶部３３と，設備１における操業実績データを記憶す
るための操業実績データ記憶部３５と，上記ニューラル
ネットワーク７を用いて決定された処理剤の投入量や投
入所要時間を評価するための評価部３９とが備えられて
いる。
去するための脱硫部１１と，ケイ素（Ｓｉ）成分を除去
するための脱ケイ部１３と，リン（Ｐ）成分を除去する
ための脱リン部１５とが備えられている。脱硫部１１と
脱ケイ部１３と脱リン部１５とのそれぞれは，脱硫剤，
脱ケイ剤，脱リン剤（吹き込み酸素と温度調整用添加剤
とを含む）を投入して，除去対象とする成分の溶銑中の
濃度を低下させる。ホストコンピュータ３の内部には，
既述のニューラルネットワーク７の他，溶設備１の上記
脱硫部１１と脱ケイ部１３と脱リン部１５とのプロセス
の制御を担う制御部３１と，制御部３１がプロセス制御
に用いるためのデータを記憶するプロセス制御用データ
記憶部３３と，設備１における操業実績データを記憶す
るための操業実績データ記憶部３５と，上記ニューラル
ネットワーク７を用いて決定された処理剤の投入量や投
入所要時間を評価するための評価部３９とが備えられて
いる。
【０００９】ワークステーション５は，ホストコンピュ
ータ３の操作手段であり，表示部５１と印刷部５３と入
力部５５とを含む。表示部５１はデータを表示するため
のＣＲＴまたはＬＣＤ等のディスプレイにより，印刷部
５３はデータを印字出力するためのプリンタにより，入
力部５５はキーボード，マウス及び各種のスイッチ類に
より，それぞれ構成されている。
ータ３の操作手段であり，表示部５１と印刷部５３と入
力部５５とを含む。表示部５１はデータを表示するため
のＣＲＴまたはＬＣＤ等のディスプレイにより，印刷部
５３はデータを印字出力するためのプリンタにより，入
力部５５はキーボード，マウス及び各種のスイッチ類に
より，それぞれ構成されている。
【００１０】ホストコンピュータ３の内部の各部７，３
１，３３，３５，３９は，相互にまたは設備１やワーク
ステーション５に対して，実線矢印にて示した信号経路
を介して接続されている。この実線矢印の信号経路は，
実際に機器間が信号線を介して接続されていること又は
異なる機能間でのデータ（信号）の受渡しがあることを
表す。また，「操業者」と設備１及びワークステーショ
ン５との間の破線矢印は，信号のやりとりのない操作や
観察，または作業等が介在する関係を表す。操業者は，
表示部５１に表示される各種のデータやガイドメッセー
ジ等をモニターしつつ，入力部５５から必要に応じて命
令やデータを入力することにより，ホストコンピュータ
３に設備１のプロセスを制御させる。ホストコンピュー
タ３では制御部３１がプロセス制御用データ記憶部３３
から制御用データを読み出し，このデータに従った手順
で設備１に対して操業指令信号を送る。設備１では，送
られてきた指令信号に応答して，脱硫部１１，脱ケイ部
１３，脱リン部１５がそれぞれ稼働する。操業者は，設
備１における処理状況を観察しつつ所定の作業を行う。
１，３３，３５，３９は，相互にまたは設備１やワーク
ステーション５に対して，実線矢印にて示した信号経路
を介して接続されている。この実線矢印の信号経路は，
実際に機器間が信号線を介して接続されていること又は
異なる機能間でのデータ（信号）の受渡しがあることを
表す。また，「操業者」と設備１及びワークステーショ
ン５との間の破線矢印は，信号のやりとりのない操作や
観察，または作業等が介在する関係を表す。操業者は，
表示部５１に表示される各種のデータやガイドメッセー
ジ等をモニターしつつ，入力部５５から必要に応じて命
令やデータを入力することにより，ホストコンピュータ
３に設備１のプロセスを制御させる。ホストコンピュー
タ３では制御部３１がプロセス制御用データ記憶部３３
から制御用データを読み出し，このデータに従った手順
で設備１に対して操業指令信号を送る。設備１では，送
られてきた指令信号に応答して，脱硫部１１，脱ケイ部
１３，脱リン部１５がそれぞれ稼働する。操業者は，設
備１における処理状況を観察しつつ所定の作業を行う。
【００１１】操業中には，設備１から制御部３１へ所定
のタイミングで随時，処理の進行状況や設備１の内部の
状態に関する各種のデータが送られる。制御部３１は，
送られてきたデータの内容を解析し，それに応じた指令
信号を設備１へ送ったり，ワークステーション５の表示
部５１にガイドメッセージを表示する。また，制御部３
１は，設備１から送られてくるデータの内，所定のもの
を操業実績データ記憶部３５に記憶させる。記憶させる
データの中には，溶銑量と，溶銑中に含まれる硫黄
（Ｓ），ケイ素（Ｓｉ），マンガン（Ｍｎ），リン
（Ｐ）の各成分の濃度と，溶銑温度と，脱硫部１１と脱
ケイ部１３と脱リン部１５とのそれぞれで用いられる処
理剤の投入量及び処理剤の投入所要時間である処理時間
と，ランス浸漬深さと，排滓後トピード使用回数と，ス
ラグ厚さと，ランス使用回数とが含まれる。尚，処理剤
の投入量と投入所要時間とを合せて以下説明では投入条
件という。
のタイミングで随時，処理の進行状況や設備１の内部の
状態に関する各種のデータが送られる。制御部３１は，
送られてきたデータの内容を解析し，それに応じた指令
信号を設備１へ送ったり，ワークステーション５の表示
部５１にガイドメッセージを表示する。また，制御部３
１は，設備１から送られてくるデータの内，所定のもの
を操業実績データ記憶部３５に記憶させる。記憶させる
データの中には，溶銑量と，溶銑中に含まれる硫黄
（Ｓ），ケイ素（Ｓｉ），マンガン（Ｍｎ），リン
（Ｐ）の各成分の濃度と，溶銑温度と，脱硫部１１と脱
ケイ部１３と脱リン部１５とのそれぞれで用いられる処
理剤の投入量及び処理剤の投入所要時間である処理時間
と，ランス浸漬深さと，排滓後トピード使用回数と，ス
ラグ厚さと，ランス使用回数とが含まれる。尚，処理剤
の投入量と投入所要時間とを合せて以下説明では投入条
件という。
【００１２】プロセス制御用データ記憶部３３に記憶さ
れるデータの内，処理剤の投入条件については，ニュー
ラルネットワーク７を用いて様々な操業条件下での処理
後の成分濃度を推定することにより，予め決定される。
操業者は，ワークステーション５を操作することによ
り，操業実績データ記憶部３５から過去の複数回の実績
データのうちの適切な回の実績データを選ぶかまたは入
力部５５から適当な実績データを入力し，これを教師デ
ータとしてニューラルネットワーク７に予め学習させ
る。ニューラルネットワーク７には，溶銑量，処理前の
溶銑中のＳ，Ｓｉ，Ｍｎ，Ｐの各成分濃度，溶銑温度，
設備１にて用いられる脱硫剤と，脱ケイ剤と，脱リン剤
との投入量の等量原単位，処理時間，ランス浸漬深さ，
排滓後トピード使用回数，スラグ厚さ，ランス使用回数
とを含む操業条件を入力とし，脱硫処理に対応する場合
は処理後のＳ濃度を，脱ケイ処理に対応する場合は処理
後のＳｉ濃度を，脱リン処理に対応する場合は処理後の
Ｐ濃度をそれぞれ出力とするように構成される。
れるデータの内，処理剤の投入条件については，ニュー
ラルネットワーク７を用いて様々な操業条件下での処理
後の成分濃度を推定することにより，予め決定される。
操業者は，ワークステーション５を操作することによ
り，操業実績データ記憶部３５から過去の複数回の実績
データのうちの適切な回の実績データを選ぶかまたは入
力部５５から適当な実績データを入力し，これを教師デ
ータとしてニューラルネットワーク７に予め学習させ
る。ニューラルネットワーク７には，溶銑量，処理前の
溶銑中のＳ，Ｓｉ，Ｍｎ，Ｐの各成分濃度，溶銑温度，
設備１にて用いられる脱硫剤と，脱ケイ剤と，脱リン剤
との投入量の等量原単位，処理時間，ランス浸漬深さ，
排滓後トピード使用回数，スラグ厚さ，ランス使用回数
とを含む操業条件を入力とし，脱硫処理に対応する場合
は処理後のＳ濃度を，脱ケイ処理に対応する場合は処理
後のＳｉ濃度を，脱リン処理に対応する場合は処理後の
Ｐ濃度をそれぞれ出力とするように構成される。
【００１３】処理剤投入条件を決定するときには，操業
者は，学習後のニューラルネットワーク７にワークステ
ーション５を用いて，今後予定している操業条件を（処
理剤投入条件を含む）入力する。ニューラルネットワー
ク７は操業条件の入力に応答してそれに対応する処理後
の成分濃度を出力し，ワークステーション５へ送る。ワ
ークステーション５では，ニューラルネットワーク７の
出力結果が表示部５１に表示される。操業者は，表示部
５１に表示された出力結果が，目標濃度以下に収まる望
ましい値であれば，操業条件に含ませた処理剤の投入条
件を評価部３９に入力する。評価部３９は，入力された
処理剤投入条件について，適当なバラツキ幅を設定し，
更に，今回決定された処理剤投入条件と過去の操業実績
における処理剤投入条件とを比較することにより，今回
の処理剤投入条件を評価し，その評価結果をワークステ
ーション５へ送る。
者は，学習後のニューラルネットワーク７にワークステ
ーション５を用いて，今後予定している操業条件を（処
理剤投入条件を含む）入力する。ニューラルネットワー
ク７は操業条件の入力に応答してそれに対応する処理後
の成分濃度を出力し，ワークステーション５へ送る。ワ
ークステーション５では，ニューラルネットワーク７の
出力結果が表示部５１に表示される。操業者は，表示部
５１に表示された出力結果が，目標濃度以下に収まる望
ましい値であれば，操業条件に含ませた処理剤の投入条
件を評価部３９に入力する。評価部３９は，入力された
処理剤投入条件について，適当なバラツキ幅を設定し，
更に，今回決定された処理剤投入条件と過去の操業実績
における処理剤投入条件とを比較することにより，今回
の処理剤投入条件を評価し，その評価結果をワークステ
ーション５へ送る。
【００１４】ワークステーション５では，評価部３９か
ら送られてきた評価結果が表示部５１に表示され，操業
者はこの評価結果を見て，必要に応じて処理剤投入条件
を変えて再度ニューラルネットワーク７にＳ濃度を推定
させることにより，処理剤の投入条件を決定し，その値
を評価部３９に評価させ，評価部３９から望ましい評価
結果が得られれば，その処理剤投入条件を実際の操業に
用いるためにプロセス制御用データ記憶部３３に記憶さ
せる。記憶されたデータは，次回の操業時に制御部３１
によって読み出され，脱硫部１１，脱ケイ部１３，又は
脱リン部１５に対して，決定された条件の処理剤投入が
指示される。
ら送られてきた評価結果が表示部５１に表示され，操業
者はこの評価結果を見て，必要に応じて処理剤投入条件
を変えて再度ニューラルネットワーク７にＳ濃度を推定
させることにより，処理剤の投入条件を決定し，その値
を評価部３９に評価させ，評価部３９から望ましい評価
結果が得られれば，その処理剤投入条件を実際の操業に
用いるためにプロセス制御用データ記憶部３３に記憶さ
せる。記憶されたデータは，次回の操業時に制御部３１
によって読み出され，脱硫部１１，脱ケイ部１３，又は
脱リン部１５に対して，決定された条件の処理剤投入が
指示される。
【００１５】次に，図２〜図７を参照してニューラルネ
ットワーク７と評価部３９とによる処理剤の投入条件ガ
イダンス方法の詳細について説明する。尚，以下の説明
では脱硫部１１における脱硫処理剤の投入量を例にして
説明する。
ットワーク７と評価部３９とによる処理剤の投入条件ガ
イダンス方法の詳細について説明する。尚，以下の説明
では脱硫部１１における脱硫処理剤の投入量を例にして
説明する。
【００１６】図２は，ニューラルネットワーク７の構成
を示す模式図である。ニューラルネットワーク７は，入
力層Ａと中間層Ｂと出力層Ｃとの３層で構成されてい
る。入力層Ａはｍ個のニューロンＡ1 〜Ａm を，中間層
Ｂはｎ個のニューロンＢ1 〜Ｂ n を，出力層Ｃは１個の
ニューロンＣ1 をそれぞれ含む。入力層Ａの各ニューロ
ン（以下「入力ニューロン」という）Ａ1 〜Ａm は，各
々が中間層Ｂの各ニューロン（以下「中間ニュローン」
という）Ｂ1 〜Ｂn に対して重み係数Ｗij（ｉ＝１〜
ｍ，ｊ＝１〜ｎ）で結合している。例えば，入力ニュー
ロンＡ1 は中間ニューロンＢ1 〜Ｂn に対してそれぞれ
結合係数Ｗ11〜Ｗ1mにて結合し，入力ニューロンＡm は
中間ニューロンＢ1 〜Ｂn に対してそれぞれ重み係数Ｗ
m1〜Ｗmnにて結合している。尚，入力ニューロンＡ2 〜
Ａm-1 の中間ニューロンＢ1 〜Ｂn に対する結合関係に
ついては図示を省略したが上記と同様である。中間ニュ
ーロンＢ1 〜Ｂn のそれぞれは，出力層Ｃのニューロン
（以下「出力ニューロン」という）Ｃ1 に重み係数Ｗk
（ｋ＝１〜ｎ）にて結合している。
を示す模式図である。ニューラルネットワーク７は，入
力層Ａと中間層Ｂと出力層Ｃとの３層で構成されてい
る。入力層Ａはｍ個のニューロンＡ1 〜Ａm を，中間層
Ｂはｎ個のニューロンＢ1 〜Ｂ n を，出力層Ｃは１個の
ニューロンＣ1 をそれぞれ含む。入力層Ａの各ニューロ
ン（以下「入力ニューロン」という）Ａ1 〜Ａm は，各
々が中間層Ｂの各ニューロン（以下「中間ニュローン」
という）Ｂ1 〜Ｂn に対して重み係数Ｗij（ｉ＝１〜
ｍ，ｊ＝１〜ｎ）で結合している。例えば，入力ニュー
ロンＡ1 は中間ニューロンＢ1 〜Ｂn に対してそれぞれ
結合係数Ｗ11〜Ｗ1mにて結合し，入力ニューロンＡm は
中間ニューロンＢ1 〜Ｂn に対してそれぞれ重み係数Ｗ
m1〜Ｗmnにて結合している。尚，入力ニューロンＡ2 〜
Ａm-1 の中間ニューロンＢ1 〜Ｂn に対する結合関係に
ついては図示を省略したが上記と同様である。中間ニュ
ーロンＢ1 〜Ｂn のそれぞれは，出力層Ｃのニューロン
（以下「出力ニューロン」という）Ｃ1 に重み係数Ｗk
（ｋ＝１〜ｎ）にて結合している。
【００１７】入力ニューロンＡ1 〜Ａm に，それぞれに
対応するデータＸi （ｉ＝１〜ｍ）がセットされると，
このデータＸ1 〜Ｘm に入力層Ａと中間層Ｂとの結合係
数Ｗ ijが乗ぜられた値Ｗij×Ｘi が各中間ニューロンＢ
1 〜Ｂn にセットされる。例えば，入力ニューロンＡ1
にデータＸ1 がセットされると，中間ニューロンＢ1〜
Ｂn には，対応する結合係数Ｗ11〜Ｗ1mをＸ1 に乗じた
値Ｗ11×Ｘ1 〜Ｗ1m×Ｘ1 がそれぞれ入力される。
対応するデータＸi （ｉ＝１〜ｍ）がセットされると，
このデータＸ1 〜Ｘm に入力層Ａと中間層Ｂとの結合係
数Ｗ ijが乗ぜられた値Ｗij×Ｘi が各中間ニューロンＢ
1 〜Ｂn にセットされる。例えば，入力ニューロンＡ1
にデータＸ1 がセットされると，中間ニューロンＢ1〜
Ｂn には，対応する結合係数Ｗ11〜Ｗ1mをＸ1 に乗じた
値Ｗ11×Ｘ1 〜Ｗ1m×Ｘ1 がそれぞれ入力される。
【００１８】
【数１】
【００１９】データが入力された中間ニューロンＢ1 〜
Ｂn は，入力値Ｗij×Ｘi の合計から中間ニューロンＢ
1 〜Ｂn 毎の所定の閾値θj を減算した値Ｕj を算出し
（式（１）参照），更に，値Ｕj をシグモイド関数ｆに
よって変換して値Ｖj を算出する（式（２）参照）。シ
グモイド関数はｆ（ｘ）＝１／（１＋ｅｘｐ（−ｘ））
の式にて表される（式（３）参照）。各中間ニューロン
Ｂ1 〜Ｂn は，それぞれ算出した値Ｖ1 〜Ｖn を出力す
る。出力ニューロンＣ1 には，値Ｖ1 〜Ｖn のそれぞれ
に対応する結合係数Ｗ1 〜Ｗn が乗ぜられた値Ｗ1 ×Ｖ
1 〜Ｗn ×Ｖnが入力される。出力ニューロンＣ1 は，
入力値の合計から所定の閾値θを減算した値Ｕを算出し
（式（４）参照），更に，値Ｕを中間層と同様のシグモ
イド関数ｆ（式（３）参照）により変換し，その値Ｙを
出力する（式（５）参照）。
Ｂn は，入力値Ｗij×Ｘi の合計から中間ニューロンＢ
1 〜Ｂn 毎の所定の閾値θj を減算した値Ｕj を算出し
（式（１）参照），更に，値Ｕj をシグモイド関数ｆに
よって変換して値Ｖj を算出する（式（２）参照）。シ
グモイド関数はｆ（ｘ）＝１／（１＋ｅｘｐ（−ｘ））
の式にて表される（式（３）参照）。各中間ニューロン
Ｂ1 〜Ｂn は，それぞれ算出した値Ｖ1 〜Ｖn を出力す
る。出力ニューロンＣ1 には，値Ｖ1 〜Ｖn のそれぞれ
に対応する結合係数Ｗ1 〜Ｗn が乗ぜられた値Ｗ1 ×Ｖ
1 〜Ｗn ×Ｖnが入力される。出力ニューロンＣ1 は，
入力値の合計から所定の閾値θを減算した値Ｕを算出し
（式（４）参照），更に，値Ｕを中間層と同様のシグモ
イド関数ｆ（式（３）参照）により変換し，その値Ｙを
出力する（式（５）参照）。
【００２０】上記の如く構成したニューラルネットワー
ク７には，処理剤投入量を推定するのに先立って，ワー
クステーション５から教師データを入力して学習させ
る。すなわち，操業者はワークステーション５を用い
て，操業実績データ記憶部３５（図１参照）に記憶され
ている過去複数回の操業実績データから適切な回のデー
タを選択するか，又は，過去のデータに理論上適当と考
えられる加工を加えたり，全く新規に仮想データを作成
したりするかによって，適正な教師データを用意し，ニ
ューラルネットワーク７の入力層Ａと出力層Ｃにセット
する。
ク７には，処理剤投入量を推定するのに先立って，ワー
クステーション５から教師データを入力して学習させ
る。すなわち，操業者はワークステーション５を用い
て，操業実績データ記憶部３５（図１参照）に記憶され
ている過去複数回の操業実績データから適切な回のデー
タを選択するか，又は，過去のデータに理論上適当と考
えられる加工を加えたり，全く新規に仮想データを作成
したりするかによって，適正な教師データを用意し，ニ
ューラルネットワーク７の入力層Ａと出力層Ｃにセット
する。
【００２１】ニューラルネットワーク７を脱硫処理剤の
投入量を決定するために用いる場合は，上記入力ニュー
ロンＡ1 〜Ａm のうち，Ａ1 に溶銑量Ｘ1 を，Ａ2 に処
理前のＳ濃度Ｘ2 を，Ａ3 に脱硫剤の投入量Ｘ3 を，Ａ
4 に溶銑温度Ｘ4 を，Ａ5 に処理時間Ｘ5 を，Ａ6 に処
理前のＳｉ濃度Ｘ6 を，Ａ7 に処理前のＰ濃度Ｘ7 を，
Ａ8 に処理前のＭｎ濃度Ｘ8 を，Ａ9 にランス浸漬深さ
Ｘ9 を，Ａ10には排滓後トピード使用回数Ｘ10を，Ａ11
にはスラグ厚さＸ11を，Ａ12にはランス使用回数Ｘ
12を，Ａ13〜Ａm にはその他の操業条件Ｘ13〜Ｘm をそ
れぞれ入力する（以下，これらを「教師入力値」とい
う）。そして，出力ニューロンＣ1 から脱硫処理後のＳ
濃度の実績値又は理論的な仮想値（以下，両者を「教師
出力値」という）と一致するＹ値が出力されるように，
入力層Ａと中間層Ｂとの結合係数Ｗij，および，中間層
Ｂと出力層Ｃとの結合係数Ｗk を修正する。結合係数Ｗ
ij，Ｗkの初期値は，例えば，所定の乱数表を用いて定
められる。そして，結合係数の修正にあたっては，例え
ば，バックプロパゲーション（誤差伝播）法を用いる。
このバックプロパゲーション法では，出力Ｙと上記教師
出力値との誤差の二乗の値を小さくするように順方向計
算と，それとは逆方向の誤差逆伝播計算とが繰り返され
て結合係数Ｗij，Ｗk が修正される。
投入量を決定するために用いる場合は，上記入力ニュー
ロンＡ1 〜Ａm のうち，Ａ1 に溶銑量Ｘ1 を，Ａ2 に処
理前のＳ濃度Ｘ2 を，Ａ3 に脱硫剤の投入量Ｘ3 を，Ａ
4 に溶銑温度Ｘ4 を，Ａ5 に処理時間Ｘ5 を，Ａ6 に処
理前のＳｉ濃度Ｘ6 を，Ａ7 に処理前のＰ濃度Ｘ7 を，
Ａ8 に処理前のＭｎ濃度Ｘ8 を，Ａ9 にランス浸漬深さ
Ｘ9 を，Ａ10には排滓後トピード使用回数Ｘ10を，Ａ11
にはスラグ厚さＸ11を，Ａ12にはランス使用回数Ｘ
12を，Ａ13〜Ａm にはその他の操業条件Ｘ13〜Ｘm をそ
れぞれ入力する（以下，これらを「教師入力値」とい
う）。そして，出力ニューロンＣ1 から脱硫処理後のＳ
濃度の実績値又は理論的な仮想値（以下，両者を「教師
出力値」という）と一致するＹ値が出力されるように，
入力層Ａと中間層Ｂとの結合係数Ｗij，および，中間層
Ｂと出力層Ｃとの結合係数Ｗk を修正する。結合係数Ｗ
ij，Ｗkの初期値は，例えば，所定の乱数表を用いて定
められる。そして，結合係数の修正にあたっては，例え
ば，バックプロパゲーション（誤差伝播）法を用いる。
このバックプロパゲーション法では，出力Ｙと上記教師
出力値との誤差の二乗の値を小さくするように順方向計
算と，それとは逆方向の誤差逆伝播計算とが繰り返され
て結合係数Ｗij，Ｗk が修正される。
【００２２】操業者は，上記学習によりニューラルネッ
トワーク７が実用に適した状態，例えば図３に示すよう
に過去の操業実績における脱硫剤の投入量（カーバイド
の等量原単位）と，脱硫処理後のＳ濃度との対応特性を
精度良く表せるようになれば，今後予定している操業の
脱硫剤投入量をこのニューラルネットワーク７を用いて
決定する。図３の過去実績からも明らかなように，一般
に，脱硫剤投入量と処理後Ｓ濃度との対応特性において
は，投入量が少ない時には，投入量の変化に対するＳ濃
度の変化率が大きく，また，投入量が多い時には，投入
量の変化に対するＳ濃度の変化率が小さいことが知られ
ているが，図３に示すニューラルネットワーク７の出力
例は，この対応特性を取り扱い易い連続性をもった関係
として精度良く表している。
トワーク７が実用に適した状態，例えば図３に示すよう
に過去の操業実績における脱硫剤の投入量（カーバイド
の等量原単位）と，脱硫処理後のＳ濃度との対応特性を
精度良く表せるようになれば，今後予定している操業の
脱硫剤投入量をこのニューラルネットワーク７を用いて
決定する。図３の過去実績からも明らかなように，一般
に，脱硫剤投入量と処理後Ｓ濃度との対応特性において
は，投入量が少ない時には，投入量の変化に対するＳ濃
度の変化率が大きく，また，投入量が多い時には，投入
量の変化に対するＳ濃度の変化率が小さいことが知られ
ているが，図３に示すニューラルネットワーク７の出力
例は，この対応特性を取り扱い易い連続性をもった関係
として精度良く表している。
【００２３】操業者が，予定操業条件を表すデータＸ1
〜Ｘm を，ワークステーション５からそれぞれに対応す
る入力ニューロンＡ1 〜Ａm にセットすると，ニューラ
ルネットワーク７は，入力層Ａから中間層Ｂを経て出力
層Ｃに至る順方向計算により推定Ｓ濃度Ｙを出力する。
操業者は，推定Ｓ濃度が目標値以下に収まる望ましい値
であれば，その時の脱硫剤投入量を採用し，その量につ
いて後述する評価処理を行う。
〜Ｘm を，ワークステーション５からそれぞれに対応す
る入力ニューロンＡ1 〜Ａm にセットすると，ニューラ
ルネットワーク７は，入力層Ａから中間層Ｂを経て出力
層Ｃに至る順方向計算により推定Ｓ濃度Ｙを出力する。
操業者は，推定Ｓ濃度が目標値以下に収まる望ましい値
であれば，その時の脱硫剤投入量を採用し，その量につ
いて後述する評価処理を行う。
【００２４】図４は，評価部３９（図１参照）における
投入量補正処理の内容を示す特性図である。同図におい
て，ある操業条件下での目標Ｓ濃度がｓ1 である時に，
ニューラルネットワーク７によりその操業条件下での脱
硫剤投入量とＳ濃度との対応特性Ｔ1 が表されていると
する。この場合，対応特性Ｔ1 上の目標Ｓ濃度ｓ1 に対
応する投入量は点Ｐ1 が示すｔ1 である。このｔ1 は平
均的な投入量であり，実際の操業時には，このガイダン
ス量を投入したとしても，種々の外乱により必ずしもニ
ューラルネットワーク７が推定したような目標Ｓ濃度に
はならない。すなわち確率的には，ガイダンスされた量
の脱硫剤を投入した場合に，約半数のチャージが目標Ｓ
濃度以上（即ち未達成）となってしまう。
投入量補正処理の内容を示す特性図である。同図におい
て，ある操業条件下での目標Ｓ濃度がｓ1 である時に，
ニューラルネットワーク７によりその操業条件下での脱
硫剤投入量とＳ濃度との対応特性Ｔ1 が表されていると
する。この場合，対応特性Ｔ1 上の目標Ｓ濃度ｓ1 に対
応する投入量は点Ｐ1 が示すｔ1 である。このｔ1 は平
均的な投入量であり，実際の操業時には，このガイダン
ス量を投入したとしても，種々の外乱により必ずしもニ
ューラルネットワーク７が推定したような目標Ｓ濃度に
はならない。すなわち確率的には，ガイダンスされた量
の脱硫剤を投入した場合に，約半数のチャージが目標Ｓ
濃度以上（即ち未達成）となってしまう。
【００２５】そこで，本実施例では，処理剤投入量をガ
イダンスするにあたり外乱等を考慮したバラツキ幅εを
設定する。目標Ｓ濃度を達成するべくガイダンスされた
投入量がｔ1 であるときに，処理後のＳ濃度がｓ1 から
最も大きくはεだけ外れたｓ 2 となる場合があるときを
考える。この濃度ｓ2 は特性線Ｔ1 上の点Ｐ2 に対応
し，その投入量はｔ2 である。処理後のＳ濃度ｓ2 を目
標Ｓ濃度ｓ1 にまで低下させるためには，点Ｐ2 に対応
する投入量ｔ2 を点Ｐ1 に対応する投入量ｔ1 に一致さ
せるように特性線Ｔ1 を横軸（投入量）方向に平行移動
させた特性線Ｔ2を設定する。ニューラルネットワーク
７により表されたＴ1 上での目標達成点Ｐ 1 は，特性線
Ｔ2 上では点Ｐ3 であり，その投入量は「ｔ1 」に「ｔ
1 −t 2 」を加えた値「２ｔ1 −ｔ2 」となる。従っ
て，この場合，最大「２ｔ1 −ｔ2 」の量を投入すれば
過不足なく十分に目標濃度を達成することができる。
イダンスするにあたり外乱等を考慮したバラツキ幅εを
設定する。目標Ｓ濃度を達成するべくガイダンスされた
投入量がｔ1 であるときに，処理後のＳ濃度がｓ1 から
最も大きくはεだけ外れたｓ 2 となる場合があるときを
考える。この濃度ｓ2 は特性線Ｔ1 上の点Ｐ2 に対応
し，その投入量はｔ2 である。処理後のＳ濃度ｓ2 を目
標Ｓ濃度ｓ1 にまで低下させるためには，点Ｐ2 に対応
する投入量ｔ2 を点Ｐ1 に対応する投入量ｔ1 に一致さ
せるように特性線Ｔ1 を横軸（投入量）方向に平行移動
させた特性線Ｔ2を設定する。ニューラルネットワーク
７により表されたＴ1 上での目標達成点Ｐ 1 は，特性線
Ｔ2 上では点Ｐ3 であり，その投入量は「ｔ1 」に「ｔ
1 −t 2 」を加えた値「２ｔ1 −ｔ2 」となる。従っ
て，この場合，最大「２ｔ1 −ｔ2 」の量を投入すれば
過不足なく十分に目標濃度を達成することができる。
【００２６】ここで，εの大きさが操業コストを考える
上で妥当であるか否かが問題となる。続いて，投入量の
経済的評価について述べる。図５は，ニューラルネット
ワーク７によって推定されるＳ濃度と操業実績における
Ｓ濃度との関係を例示する特性図である。例えば，この
特性図に基づいて表１のようなバラツキ幅Ｄが設定され
る。
上で妥当であるか否かが問題となる。続いて，投入量の
経済的評価について述べる。図５は，ニューラルネット
ワーク７によって推定されるＳ濃度と操業実績における
Ｓ濃度との関係を例示する特性図である。例えば，この
特性図に基づいて表１のようなバラツキ幅Ｄが設定され
る。
【００２７】
【表１】
【００２８】上記εとバラツキ幅Ｄとの関係はε＝ α
×Ｄの式で表わされる。αは０〜１の間で変化させる係
数であり，αの値によってＳ濃度の目標達成率が変化す
る。ある操業条件下にてαを変化させた時の目標未達率
の変化を図６に示す。品質や操業の確実性を考慮すれ
ば，目標未達率が限りなく０に近いほど好ましいが，実
用上は操業コストを所定のレベル以下にすることも重要
である。例えば，実際の操業において，目標未達率を１
２％に設定したときに品質や操業の確実性とコストとの
最も望ましいバランスが取れることが知られている場合
には，図示のように１２％に対応するα値の０．７を選
択する。αが決まれば，それにバラツキ幅Ｄを乗じてε
が算出され，このεに対応する投入量「２ｔ1 −ｔ2 」
が求められる。この「２ｔ1 −ｔ2 」が，実用上のバラ
ツキを加味したガイダンス量である。
×Ｄの式で表わされる。αは０〜１の間で変化させる係
数であり，αの値によってＳ濃度の目標達成率が変化す
る。ある操業条件下にてαを変化させた時の目標未達率
の変化を図６に示す。品質や操業の確実性を考慮すれ
ば，目標未達率が限りなく０に近いほど好ましいが，実
用上は操業コストを所定のレベル以下にすることも重要
である。例えば，実際の操業において，目標未達率を１
２％に設定したときに品質や操業の確実性とコストとの
最も望ましいバランスが取れることが知られている場合
には，図示のように１２％に対応するα値の０．７を選
択する。αが決まれば，それにバラツキ幅Ｄを乗じてε
が算出され，このεに対応する投入量「２ｔ1 −ｔ2 」
が求められる。この「２ｔ1 −ｔ2 」が，実用上のバラ
ツキを加味したガイダンス量である。
【００２９】次に，ガイダンス量の具体的な定量評価に
ついて説明する。図７は，未達率を１２％即ちα値を
０．７に設定してバラツキ幅Ｄを定めた時の投入量と，
過去の操業実績における未達率１２％の時の投入実績量
との比較図である。図示において，目標Ｓ濃度が１０ｐ
ｐｍでは，過去の操業の場合は投入不足であり，それ以
外のＳ濃度では３０ｐｐｍを除いては投入過剰であった
ことがわかる。そして，全ての目標Ｓ濃度にわてって評
価した場合には，ガイダンス量どおりに投入すると２６
％の脱硫剤が節約できることになる。また，操業者は，
評価の結果によっては，さらに望ましい評価を得るべ
く，再度ニューラルネットワーク７を用いて投入量を決
め直したり，評価部３９における上記αやＤの値を調整
してバラツキを加味し直したガイダンス量を求めたりす
る。
ついて説明する。図７は，未達率を１２％即ちα値を
０．７に設定してバラツキ幅Ｄを定めた時の投入量と，
過去の操業実績における未達率１２％の時の投入実績量
との比較図である。図示において，目標Ｓ濃度が１０ｐ
ｐｍでは，過去の操業の場合は投入不足であり，それ以
外のＳ濃度では３０ｐｐｍを除いては投入過剰であった
ことがわかる。そして，全ての目標Ｓ濃度にわてって評
価した場合には，ガイダンス量どおりに投入すると２６
％の脱硫剤が節約できることになる。また，操業者は，
評価の結果によっては，さらに望ましい評価を得るべ
く，再度ニューラルネットワーク７を用いて投入量を決
め直したり，評価部３９における上記αやＤの値を調整
してバラツキを加味し直したガイダンス量を求めたりす
る。
【００３０】このように，操業者はガイダンス量を評価
して，必要に応じてニューラルネットワーク７を用いて
投入量を決定する処理を繰り返し，最終的に望ましいガ
イダンス量をワークステーション５を用いて選択し，プ
ロセス制御用データ記憶部３３（図１参照）にその値を
記憶させ，プロセス制御用ホストコンピュータ３（図１
参照）に脱硫操業を制御させる。これにより，溶銑予備
処理操業における脱硫剤の投入量を精度よく，かつ，実
用上のバラツキを加味して適正にガイダンスすることが
可能になる。
して，必要に応じてニューラルネットワーク７を用いて
投入量を決定する処理を繰り返し，最終的に望ましいガ
イダンス量をワークステーション５を用いて選択し，プ
ロセス制御用データ記憶部３３（図１参照）にその値を
記憶させ，プロセス制御用ホストコンピュータ３（図１
参照）に脱硫操業を制御させる。これにより，溶銑予備
処理操業における脱硫剤の投入量を精度よく，かつ，実
用上のバラツキを加味して適正にガイダンスすることが
可能になる。
【００３１】尚，上記ニューラルネットワーク７の学習
時の教師入力値及びＳ濃度推定時の入力データとして
は，上記Ｘ1 〜Ｘm のうち，溶銑量Ｘ1 ，処理前のＳ濃
度Ｘ2，脱硫剤の投入量Ｘ3 ，溶銑温度Ｘ4 ，処理時間
Ｘ5 が必須データであり，実用上望ましくは，さらに，
他のＳｉ，Ｐ，Ｍｎの処理前の成分濃度Ｘ6 〜Ｘ8 ，ラ
ンス浸漬深さＸ9 ，排滓後トピード使用回数Ｘ10，スラ
グ厚さＸ11，ランス使用回数Ｘ12，その他の操業条件Ｘ
13〜Ｘm を加える。また，より望ましくは，上記その他
の操業条件Ｘ13〜Ｘm の中に，Ｓｉ成分を除去するため
の脱ケイ剤と，Ｐ成分を除去するための脱リン剤とのそ
れぞれの投入量を含ませる。
時の教師入力値及びＳ濃度推定時の入力データとして
は，上記Ｘ1 〜Ｘm のうち，溶銑量Ｘ1 ，処理前のＳ濃
度Ｘ2，脱硫剤の投入量Ｘ3 ，溶銑温度Ｘ4 ，処理時間
Ｘ5 が必須データであり，実用上望ましくは，さらに，
他のＳｉ，Ｐ，Ｍｎの処理前の成分濃度Ｘ6 〜Ｘ8 ，ラ
ンス浸漬深さＸ9 ，排滓後トピード使用回数Ｘ10，スラ
グ厚さＸ11，ランス使用回数Ｘ12，その他の操業条件Ｘ
13〜Ｘm を加える。また，より望ましくは，上記その他
の操業条件Ｘ13〜Ｘm の中に，Ｓｉ成分を除去するため
の脱ケイ剤と，Ｐ成分を除去するための脱リン剤とのそ
れぞれの投入量を含ませる。
【００３２】一方，上記ニューラルネットワーク７を脱
ケイ部１３の脱ケイ処理に対応させて処理後の推定Ｓｉ
濃度を出力するように構成する場合には，処理前のＳ濃
度，脱硫剤の投入量に代えて処理剤のＳｉ濃度，脱ケイ
剤の投入量を必須のデータとする。また，脱リン部１５
の脱リン処理に対応させて処理後の推定Ｐ濃度を出力す
るように構成する場合には，処理前のＳ濃度，脱硫剤の
投入量に代えて処理前のＰ濃度，脱リン剤の投入量を必
須のデータとする。さらに，上記ニューラルネットワー
ク７は，出力層Ｃにて複数個の出力ニューロンを備え，
推定Ｓ濃度，推定Ｓｉ濃度，推定Ｐ濃度の全てをまたは
いずれか２つを同時に出力するように構成し，脱硫，脱
ケイ，脱リンの３種類の処理剤投入量を一括して決定す
るようにしてもよい。さらにまた，上記ニューラルネッ
トワーク７を用いて処理剤の投入所要時間である処理時
間や，処理剤投入量と処理時間との組合せ，または，他
の投入条件を決定するようにしてもよい。
ケイ部１３の脱ケイ処理に対応させて処理後の推定Ｓｉ
濃度を出力するように構成する場合には，処理前のＳ濃
度，脱硫剤の投入量に代えて処理剤のＳｉ濃度，脱ケイ
剤の投入量を必須のデータとする。また，脱リン部１５
の脱リン処理に対応させて処理後の推定Ｐ濃度を出力す
るように構成する場合には，処理前のＳ濃度，脱硫剤の
投入量に代えて処理前のＰ濃度，脱リン剤の投入量を必
須のデータとする。さらに，上記ニューラルネットワー
ク７は，出力層Ｃにて複数個の出力ニューロンを備え，
推定Ｓ濃度，推定Ｓｉ濃度，推定Ｐ濃度の全てをまたは
いずれか２つを同時に出力するように構成し，脱硫，脱
ケイ，脱リンの３種類の処理剤投入量を一括して決定す
るようにしてもよい。さらにまた，上記ニューラルネッ
トワーク７を用いて処理剤の投入所要時間である処理時
間や，処理剤投入量と処理時間との組合せ，または，他
の投入条件を決定するようにしてもよい。
【００３３】
【発明の効果】以上説明したように，本発明に係る溶銑
予備処理操業における処理剤の投入条件ガイダンス方法
は上記の如く構成したことにより，処理剤の投入量と投
入所要時間とを含む投入条件と所定の成分濃度との対応
特性が線形性を示すか非線形性を示すかにかかわらず，
容易に高い推定精度を実現できるので，処理剤の投入条
件を適正にガイダンスすることが可能となる。とりわ
け，上記所定の成分をＳ，Ｓｉ，Ｐのうちのいずれかと
し，上記処理剤を脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤のうちのい
ずれかとする場合には，脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤の投
入条件と溶銑中の処理後のＳ，Ｓｉ，Ｐの濃度との対応
特性が線形性を示すか非線形性を示すかにかかわらず容
易に高い推定精度を実現でき，脱Ｓ剤，脱Ｓｉ剤，脱Ｐ
剤の投入条件を適正にガイダンスすることが可能とな
る。さらには，ニューラルネットワークに操業条件を変
化させて繰り返し入力することにより決定された処理剤
の投入条件を好適なバラツキ幅を加えて評価し，適切な
処理剤投入条件を決定するようにしたので，評価の条件
に応じた適正な処理剤投入条件をガイダンスすることが
可能となる。以上により，処理剤の投入条件を精度良く
かつ，実用上のバラツキを加味して適正にガイダンスす
ることが可能な溶銑予備処理操業における処理剤の投入
条件ガイダンス方法が提供できる。
予備処理操業における処理剤の投入条件ガイダンス方法
は上記の如く構成したことにより，処理剤の投入量と投
入所要時間とを含む投入条件と所定の成分濃度との対応
特性が線形性を示すか非線形性を示すかにかかわらず，
容易に高い推定精度を実現できるので，処理剤の投入条
件を適正にガイダンスすることが可能となる。とりわ
け，上記所定の成分をＳ，Ｓｉ，Ｐのうちのいずれかと
し，上記処理剤を脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤のうちのい
ずれかとする場合には，脱Ｓ剤，脱Ｓｉ剤，脱Ｐ剤の投
入条件と溶銑中の処理後のＳ，Ｓｉ，Ｐの濃度との対応
特性が線形性を示すか非線形性を示すかにかかわらず容
易に高い推定精度を実現でき，脱Ｓ剤，脱Ｓｉ剤，脱Ｐ
剤の投入条件を適正にガイダンスすることが可能とな
る。さらには，ニューラルネットワークに操業条件を変
化させて繰り返し入力することにより決定された処理剤
の投入条件を好適なバラツキ幅を加えて評価し，適切な
処理剤投入条件を決定するようにしたので，評価の条件
に応じた適正な処理剤投入条件をガイダンスすることが
可能となる。以上により，処理剤の投入条件を精度良く
かつ，実用上のバラツキを加味して適正にガイダンスす
ることが可能な溶銑予備処理操業における処理剤の投入
条件ガイダンス方法が提供できる。
【図１】 本発明の実施例による溶銑予備処理における
装置構成を示すブロック図。
装置構成を示すブロック図。
【図２】 ニューラルネットワークの構成を示す模式
図。
図。
【図３】 ニューラルネットワークにより表わされた脱
硫剤の投入量と脱硫処理後のＳ濃度との対応特性を示す
特性図。
硫剤の投入量と脱硫処理後のＳ濃度との対応特性を示す
特性図。
【図４】 評価部における投入量補正処理の内容を示す
特性図。
特性図。
【図５】 ニューラルネットワークによって推定される
Ｓ濃度と過去の操業実績におけるＳ濃度との関係の一例
を示す特性図。
Ｓ濃度と過去の操業実績におけるＳ濃度との関係の一例
を示す特性図。
【図６】 ある操業条件下にてバラツキ幅の係数を変化
させた時の目標未達率の変化を示す特性図。
させた時の目標未達率の変化を示す特性図。
【図７】 バラツキ幅の係数を０．７に設定した時の投
入量と過去の投入実績量との比較図。
入量と過去の投入実績量との比較図。
【図８】 過去の操業実績例における脱硫剤の投入量と
脱硫率との対応特性を示す特性図。
脱硫率との対応特性を示す特性図。
１…溶銑予備処理設備 ３…プロセス制御用ホストコンピュータ ５…オペレータ用ワークステーション ７…ニューラルネットワーク １１…脱硫部 １３…脱ケイ部 １５…脱リン部 ３１…制御部 ３３…プロセス制御用データ記憶部 ３５…操業実績データ記憶部 ３９…評価部 Ａ…入力層 Ｂ…中間層 Ｃ…出力層 Ａ1 〜Ａm …入力ニューロン Ｂ1 〜Ｂn …中間ニューロン Ｃ1 …出力ニューロン
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 ＦＩ Ｃ２１Ｃ 7/00 Ｃ２１Ｃ 7/00 Ｒ Ｇ０５Ｂ 13/04 Ｇ０５Ｂ 13/04 (72)発明者 三宅 俊也 兵庫県神戸市西区高塚台１丁目５番５号 株式会社神戸製鋼所 神戸総合技術研 究所内 (72)発明者 蝦名 清 兵庫県加古川市金沢町１番地 株式会社 神戸製鋼所 加古川製鉄所内 (72)発明者 藤田 貴 兵庫県加古川市金沢町１番地 株式会社 神戸製鋼所 加古川製鉄所内 (56)参考文献 特開 昭59−173213（ＪＰ，Ａ) 特開 昭63−103014（ＪＰ，Ａ) 特開 平２−70014（ＪＰ，Ａ) 特開 平４−302383（ＪＰ，Ａ) 特開 平５−98335（ＪＰ，Ａ) 特開 平５−329606（ＪＰ，Ａ) （社）日本鉄鋼協会発行「材料とプロ セス」Ｖｏｌ．７（1994）Ｎｏ．１, ｐ．234 （社）日本鉄鋼協会発行「鉄と鋼」第 77年（1991）第10号、ＰＰ．1539−1543 (58)調査した分野(Int.Cl.6，ＤＢ名) C21C 1/02 101 C21C 1/02 110 C21C 1/04 101 C21C 5/28 C21C 5/46 C21C 7/00 G05B 13/04
Claims (3)
- 【請求項１】 溶銑中の所定の成分を除去するための所
定の処理剤の溶銑への投入量，上記処理剤の投入所要時
間を含む処理剤の投入条件を入力して上記所定の成分の
濃度が所定値となるように演算を繰り返す教示手順を経
たニューラルネットワークを用いて，該ニューラルネッ
トワークにおける上記処理剤の投入量或いは投入所要時
間を含む所定の処理剤の投入条件の一部を固定した状態
で，残りの投入条件を変化させて入力し，溶銑中の所定
の成分を所定濃度にするための処理剤の投入条件を得る
ようにしたことを特徴とする溶銑予備処理操業における
処理剤の投入条件ガイダンス方法。 - 【請求項２】 上記処理剤の投入条件は，Ｓ，Ｓｉ，Ｐ
のうちのいずれかの成分を除去するための脱Ｓ剤，脱Ｓ
ｉ剤，脱Ｐ剤のうちのいずれかの処理剤の投入条件であ
る請求項１記載の溶銑予備処理操業における処理剤の投
入条件ガイダンス方法。 - 【請求項３】 上記ニューラルネットワークに操業条件
を変化させて繰り返し入力することにより決定された処
理剤の投入条件を実用上のバラツキを加味して評価し，
適切な処理剤投入条件を決定する請求項１又は２に記載
の溶銑予備処理操業における処理剤の投入条件ガイダン
ス方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7075617A JP2919298B2 (ja) | 1995-03-31 | 1995-03-31 | 溶銑予備処理操業における処理剤の投入条件ガイダンス方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7075617A JP2919298B2 (ja) | 1995-03-31 | 1995-03-31 | 溶銑予備処理操業における処理剤の投入条件ガイダンス方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH08269518A JPH08269518A (ja) | 1996-10-15 |
| JP2919298B2 true JP2919298B2 (ja) | 1999-07-12 |
Family
ID=13581354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7075617A Expired - Fee Related JP2919298B2 (ja) | 1995-03-31 | 1995-03-31 | 溶銑予備処理操業における処理剤の投入条件ガイダンス方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2919298B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002014562A2 (en) * | 2000-08-11 | 2002-02-21 | Dofasco Inc. | Desulphurization reagent control method and system |
| CN101967532B (zh) * | 2010-11-11 | 2011-12-21 | 河北钢铁股份有限公司承德分公司 | 一种用于转炉高效提钒过程的喷粉装置及方法 |
| JP5962070B2 (ja) * | 2012-03-01 | 2016-08-03 | Ｊｆｅスチール株式会社 | 溶銑吹錬処理の制御方法および制御装置 |
-
1995
- 1995-03-31 JP JP7075617A patent/JP2919298B2/ja not_active Expired - Fee Related
Non-Patent Citations (2)
| Title |
|---|
| （社）日本鉄鋼協会発行「材料とプロセス」Ｖｏｌ．７（１９９４）Ｎｏ．１，ｐ．２３４ |
| （社）日本鉄鋼協会発行「鉄と鋼」第７７年（１９９１）第１０号、ＰＰ．１５３９−１５４３ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH08269518A (ja) | 1996-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447346B (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
| CA2084396C (en) | Method of decarburizing molten metal in the refining of steel using neural networks | |
| CN111191822A (zh) | 钢材的参数预测方法及终端设备 | |
| EP1307597A2 (en) | Desulphurization reagent control method and system | |
| JP2919298B2 (ja) | 溶銑予備処理操業における処理剤の投入条件ガイダンス方法 | |
| CN110954670A (zh) | 一种连续预测转炉熔池磷含量的方法及系统 | |
| Kammammettu et al. | Multistage adaptive optimization for steelmaking and continuous casting scheduling under processing time uncertainty | |
| US7720653B2 (en) | Mathematical model for a metallurgical plant, and method for optimizing the operation of a metallurgical plant using a model | |
| CN115906538A (zh) | 一种钢包精炼炉钢水成分预测的方法 | |
| EP3956481B1 (en) | Method for monitoring a steelmaking process and associated computer program | |
| Kang et al. | Arc stability estimation and fuzzy control for arc stabilisation in short circuit transfer mode of CO2 arc welding | |
| JPH06264129A (ja) | 転炉製鋼の終点制御方法 | |
| KR960023106A (ko) | 배가스 및 신경망을 이용한 탄소농도 예측방법과 이를 이용한 전로 종점 취련 제어 시스템 | |
| JP2004360044A (ja) | 溶鋼温度推定計算装置及び溶鋼温度推定計算方法 | |
| JP4048010B2 (ja) | 転炉および溶銑予備処理容器におけるりん平衡状態の推定方法 | |
| Terpák et al. | The Mathematical Model for Indirect Measurement of Carbon Concentration in the Steelmaking Process and its Utilization in Process Control | |
| JPH07268433A (ja) | 転炉製鋼の終点制御方法 | |
| JP2002167612A (ja) | 製銑・製鋼工場における温度・成分の最適制御方法 | |
| CN116562127A (zh) | 一种基于离线强化学习的高炉冶炼操作优化方法及系统 | |
| Wang et al. | Based on BP network terminal quality prediction for BOF steelmaking process | |
| CN117363838A (zh) | 连续脱磷硫的冶炼控制方法、系统、电子设备及介质 | |
| KR100333078B1 (ko) | 전문가시스템을이용한전로조업의동적제어방법 | |
| Chang-sik et al. | Deciding the Optimal Operation Patterns of Steelmaking Facilities using a Network Diagram | |
| Neate et al. | A simulation of melting shop operations | |
| Zhang et al. | Application of improved BP neural network to final sulfur content prediction of hot metal pre-desulfurization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |