JP5577568B2

JP5577568B2 - インペラー脱硫制御装置及び方法

Info

Publication number: JP5577568B2
Application number: JP2008008031A
Authority: JP
Inventors: 弘靖茂森
Original assignee: JFE Steel Corp
Current assignee: JFE Steel Corp
Priority date: 2008-01-17
Filing date: 2008-01-17
Publication date: 2014-08-27
Anticipated expiration: 2028-01-17
Also published as: JP2009167481A

Description

本発明は、溶銑中にフラックスを投入し、インペラーを回転させて機械的に溶銑を攪拌することにより、溶銑中の硫黄成分を脱硫反応によって滓化させ、スラグとして取り除く際に、硫黄濃度を目標値に制御するためのフラックス投入量を決定するインペラー脱硫制御装置及び方法に関する。

従来のインペラー脱硫制御方法としては、例えば、インペラーの使用回数にかかわらず、適切な攪拌条件で高い脱硫率を得るために、インペラーを回転させて機械的に溶銑を攪拌する装置を用いて溶銑の脱硫処理を行う際に、その回転速度を１４０ｒｐｍ以上、攪拌動力を３００〜６００Ｗ／ｔとする溶銑の脱硫方法が知られている（例えば、特許文献１参照）。
特開２００５−２９０４３４号公報

しかしながら、上記特許文献１に記載の従来例にあっては、インペラーの回転速度及び攪拌動力を規定することによりインペラーの使用回数にかかわらず、適切な攪拌条件で高い脱硫率を得ることができるものであるが、脱硫を行うためのＣａＯ等のフラックスの投入量をどのように制御すればよいかについては言及されていない。
このフラックスの投入量の決定については、従来、溶銑量、処理前Ｐ濃度、処理前温度、処理前Ｓ濃度、リサイクルスラグ量、ＦｅＳｉ投入量原単位、処理時間等の操業条件、操作量としてのフラックス投入量原単位、制御目標としての処理後Ｓ濃度を事例データとして多数蓄積しておき、蓄積されたデータをもとに、オフラインで統計解析を行い、操業条件及び制御目標から操作量を計算する線形重回帰モデルを作成し、この線形重回帰モデルに上記入力される操業条件及び制御目標を代入することで、操作量であるフラックス投入量原単位を演算するようにしている。

ここで、線形重回帰モデルは、脱Ｓフラックス原単位をＷ（ｋｇ／ｔ）、処理前Ｓ濃度を[Ｓ]_i（０．００１％）、処理後Ｓ濃度を[Ｓ]_f（０．００１％）、遷移Ｓ濃度（固定値１５）を[Ｓ]_t（０．００１％）及びモデルパラメータをＡ〜Ｃとしたとき、
Ｗ_cal＝Ａ×([Ｓ]_i−[Ｓ]_t)＋Ｂ×ｌｎ([Ｓ]_t／[Ｓ]_f)＋Ｃ
で表され、モデルパラメータＡ〜Ｃは、溶銑温度、溶銑の成分、除去するＳ量などにより複数に区分されたモデルパラメータテーブルを持つようにしていた。

このような線形重回帰モデルを使用する場合には、環境変化などにより、線形重回帰モデルのモデルパラメータをチューニングする必要があるが、線形重回帰モデルは、溶銑温度、溶銑の成分、除去するＳ量により複数に区分されたモデルパラメータテーブルを有するので、チューニングするモデルパラメータの数が非常に多くなり、メンテナンス負荷が高く、チューニングが困難であるため、線形重回帰モデルの精度が悪く、フラックス投入量の設定精度が低下し、処理後Ｓ濃度の制御精度が低下するという未解決の課題がある。

そこで、本発明は、上記従来例の未解決の課題に着目してなされたものであり、蓄積された実績データをもとに、決定するフラックス投入量の設定精度を向上させて、処理後Ｓ濃度の制御精度を向上させることができるインペラー脱硫制御装置及び方法を提供することを目的としている。

上記目的を達成するために、請求項１に係るインペラー脱硫制御装置は、溶銑中にフラックスを投入し、インペラーを回転させて機械的に溶銑を攪拌することにより、溶銑中の硫黄成分を脱硫反応によって滓化させ、スラグとして取り除く際に、硫黄濃度を目標値に制御するためのフラックス投入量を決定するインペラー脱硫制御装置であって、出力変数としての過去の事例毎のフラックス投入量と、入力変数としての脱硫処理に必要とする少なくとも溶銑量、処理前温度、処理前硫黄濃度、ＦｅＳｉ投入量原単位、処理時間からなる操業条件データとを蓄積して記憶する操業情報記憶手段と、予測したい要求条件データが生じる毎に、フラックス投入量を予測したい前記要求条件データと前記操業情報記憶手段に記憶されている前記操業条件データとの距離を算出して類似度を演算する類似度演算手段と、該類似度演算手段で演算された事例毎の類似度と、前記操業情報記憶手段に記憶されている前記各事例の操業条件データとを用いて前記フラックス投入量Ｙを予測するための要求条件データＸ _１〜Ｘ _Ｍを入力変数として設定することで、ｂ，ａ _１，ａ _{２，……，} ａ _Ｍをパラメータとする局所回帰式
Ｙ＝ｂ＋ａ _１・Ｘ _１＋ａ _２・Ｘ _２＋……＋ａ _Ｍ・Ｘ _Ｍ
を作成し、前記類似度を重みとする重み付き最小２乗法で算出した前記局所回帰式のパラメータｂ，ａ _１，ａ _{２，……，} ａ _Ｍと、評価関数を前記各事例毎の類似度、各事例の操業条件データでなる入力変数及びフラックス投入量、モデル化誤差で定義した２次計画問題を解いて設定するモデル化誤差を最小化する前記局所回帰式のパラメータｂ，ａ _１，ａ _{２，……，} ａ _Ｍとの何れか一方を前記局所回帰式に代入してフラックス投入量Ｙを決定するフラックス投入量決定手段とを備えていることを特徴としている。

また、請求項２に係るインペラー脱硫制御装置は、請求項１に係る発明において、前記脱硫に必要とする操業条件データとして、溶銑量、処理前温度、処理前硫黄濃度、ＦｅＳｉ投入量原単位、処理時間を少なくとも設定したことを特徴としている。
さらに、請求項３に係るインペラー脱硫制御装置は、請求項１又は２に係る発明において、前記操業情報記憶手段は、前記フラックス投入量を出力変数とし、前記脱硫処理に必要とする操業条件データを入力変数とする複数の実績データを事例毎にテーブルとして格納し、前記類似度演算手段は、今回のフラックス投入量を予測したい前記入力変数に対応する今回の操業条件データを設定すると共に、前記実績データを用いて前記出力変数を予測するための回帰式モデルを作成し、作成した回帰式モデルのパラメータを影響係数として算出する影響係数算出部と、該影響係数算出部で算出した影響係数を考慮して前記実績データの前記入力変数について前記今回の操業条件データからの距離を演算する距離関数を定義して前記実績データの前記今回の操業条件データからの距離を演算する距離演算部と、該距離演算部で演算した距離に基づいて今回の操業条件データに対する近さを表す類似度を演算する類似度演算部とを備えていることを特徴としている。

なおさらに、請求項４に係るインペラー脱硫制御方法は、溶銑中にフラックスを投入し、インペラーを回転させて機械的に溶銑を攪拌することにより、溶銑中の硫黄成分を脱硫反応によって滓化させ、スラグとして取り除く際に、硫黄濃度を目標値に制御するためのフラックス投入量を決定するインペラー脱硫制御方法であって、出力変数となる過去のフラックス投入量、入力変数となる脱硫処理に必要とする少なくとも溶銑量、処理前温度、処理前硫黄濃度、ＦｅＳｉ投入量原単位、処理時間からなる操業条件データを事例として操業情報記憶手段に記憶して蓄積するステップと、予測したい要求条件データが生じる毎に、類似度演算手段で、予測したい前記要求条件データと前記実績データとの距離及び類似度を演算するステップと、演算された事例毎の類似度と、前記操業情報記憶手段に記憶されている前記各事例の操業条件データとを用いて前記今回の操業条件データでのフラックス投入量Ｙを予測するための要求条件データＸ _１〜Ｘ _Ｍを入力変数として設定することで、ｂ，ａ _１，ａ _{２，……，} ａ _Ｍをパラメータとする局所回帰式
Ｙ＝ｂ＋ａ _１・Ｘ _１＋ａ _２・Ｘ _２＋……＋ａ _Ｍ・Ｘ _Ｍ
を作成し、類似度を重みとする重み付き最小２乗法で算出した前記局所回帰式のパラメータｂ，ａ _１，ａ _{２，……，} ａ _Ｍと、評価関数を前記各事例毎の類似度、各事例の操業条件データでなる入力変数及びフラックス投入量、モデル化誤差で定義した２次計画問題を解いて設定するモデル化誤差を最小化する前記局所回帰式のパラメータｂ，ａ _１，ａ _{２，……，} ａ _Ｍとの何れか一方を前記局所回帰式に代入してフラックス投入量Ｙを決定するステップとを備えたことを特徴としている。

本発明によれば、操業情報記憶手段に蓄積された過去の事例毎のフラックス投入量、操業条件データでなる実績データをもとに、予測したい要求条件データが生じる毎に、各事例の操業条件データと要求条件データとの距離を算出して類似度を演算し、演算した類似度と各事例の操業条件とに基づいてフラックス投入量を決定することができるので、モデルパラメータのチューニングを必要とせず、フラックス投入量の演算精度を向上させることができると共に、処理後Ｓ濃度の制御精度を向上させることができ、投入するフラックス量を低減して、製造コストを低減することができるという効果が得られる。

以下、本発明の実施の形態を図面に基づいて説明する。
図１は、本発明を適用し得るインペラー脱硫装置を示す全体構成図である。
図中、１はインペラー脱硫装置であって、このインペラー脱硫装置１は溶銑２を装入する溶銑鍋３と、この溶銑鍋３に昇降可能に配設されたインペラー４とを有する。
インペラー４は、モータ５で回転駆動されて溶銑２の攪拌を行い、モータ５は攪拌制御装置６によって駆動制御される。

そして、溶銑鍋３内の溶銑には、フラックス等投入装置１０によって、脱硫処理を行うためのＣａＯ−ＣａＦ系のフラックスと、脱硫反応をさらに進める脱酸材（ＦｅＳｉ）とスラグ（酸化物）とを投入することにより、フラックスによって下記の脱硫反応を行わせて脱硫を行う。
Ｓ＋ＣａＯ＝ＣａＳ＋Ｏ
ここで、フラックスに含まれるＣａＦ₂はＣａＳを滓化するために投入される。

そして、フラックス等投入装置１０におけるフラックスの投入量が以下に述べるインペラー脱硫制御装置１１によって決定される。
このインペラー脱硫制御装置１１は、フラックス等投入装置１０のフラックス投入量を決定するフラックス投入量決定装置１２と、過去の事例における実績データが蓄積されたテーブルを有する操業情報記憶手段としての操業実績データベース１３とを備えている。

ここで、フラックス投入量決定装置１２は、システムバス１２ａに接続されたＣＰＵ１２ｂ、ＲＯＭ１２ｃ、ＲＡＭ１２ｄ及びインタフェース回路１２ｅを備えている。そして、インタフェース回路１２ｅにフラックス等投入装置１０、操業実績データベース１３、キーボード、マウス等の入力装置１４及び液晶ディスプレイ等の表示装置１５が接続されている。

また、操業実績データベース１３は、実績データとして、過去の事例における溶銑量、処理前Ｐ濃度、処理前温度、処理前Ｓ濃度、リサイクルスラグ量、ＦｅＳｉ投入原単位、処理時間等の脱硫処理に必要とする操業条件データとフラックス投入量とが設定されている。ここで、処理前Ｐ濃度は省略するようにしてもよい。
そして、フラックス投入量決定装置１２は、そのＣＰＵ１２ｂで、操業実績データベース１３に格納されている各事例における操業条件データ及びフラックス投入量の実績データと、今回の操業条件データに対応する要求条件データとに基づいて今回のフラックス投入量を決定するフラックス投入量決定処理を実行する。

このフラックス投入量決定装置１２を機能ブロック図で表すと、図２に示すようになる。すなわち、過去に適用した事例の操業条件データと、その操業条件データによって得られた結果であるフラックス投入量が操業実績データベース１３に蓄積されて記憶されているので、この操業実績データベース１３に保存されている操業条件データ及びフラックス投入量により規定される条件空間において、フラックス投入量を予測したい要求条件データを設定し、設定した要求条件データの近傍における各操業条件データが、結果であるフラックス投入量に対して影響する程度を表わす影響係数を算出する影響係数算出部２１と、得られた影響係数に基づいて、条件空間の軸を変換し、変換された条件空間において、操業実績データベース１３に保存されている過去の事例毎の操業条件データの実績値と前記要求条件データとの距離を計算する距離演算部２２と、得られた距離に基づいて、各操業条件データの実績値と要求条件データとの類似度を計算する類似度演算部２３と、得られた類似度に基づいて、要求条件データ近傍の予測式を作成し、得られた予測式に基づいて、要求条件データに対する結果であるフラックス投入量を決定するフラックス投入量決定手段としてのフラックス投入量決定部２４と、決定されたフラックス投入量を出力するフラックス投入量出力部２５とを備えている。

以下、本発明によるインペラー脱硫制御方法を説明する。
操業実績データベース１３には、実績データとして、過去に適用された操業条件データであるＭ（＝７）個の入力変数（溶銑量（Ｘ₁）、処理前Ｐ濃度（Ｘ₂）、処理前温度（Ｘ₃）、処理前Ｓ濃度（Ｘ₄）、リサイクルスラグ量（Ｘ₅）、ＦｅＳｉ投入原単位（Ｘ₆）、処理時間（ｘ₇））と、これらの入力変数の組合せにより得られた（実績された）結果であるフラックス投入量を表す出力変数（Ｙ）からなるＮ個の事例の実績データが、予め保存されているが、ここでは、一般化して、図３に示すように、出力変数の項目名称をＹ、Ｍ個の入力変数の項目名称をＸ_m（ｍ＝１，２，…，Ｍ）とする。操業実績データはＮ個あり、ｎ番目（ｎ＝１，２，…，Ｎ）の出力変数の値をｙⁿとし、入力変数の値をｘ_m ⁿと表記することにする。

影響係数算出部２１では、図３に示したＭ個の入力変数により規定される条件空間において、各条件について、結果に対する影響係数を算出する。ここでは、結果を予測したい要求条件を入力ベクトルとし、これを
ｘ^r＝［ｘ₁ ^r，ｘ₂ ^r，…，ｘ_M ^r］^T …（１）
で表記する。

まず、大域的な回帰式のパラメータを推定する。即ち、図３で、与えられたＮ個の実績データを用いて、結果（Ｙ）を予測するための回帰式モデルを作成し、該回帰式のパラメータを推定する。
モデル式は次の線形式
Ｙ＝ｂ＋ａ₁・Ｘ₁＋ａ₂・Ｘ₂＋…＋ａ_M・Ｘ_M …（２）
とし、この回帰式のパラメータ：ｂ，ａ₁，ａ₂，…，ａ_Mを最小２乗法により求める。

このパラメータから定数ｂを除いて係数のみを抽出した次式の偏回帰係数ベクトル
α＝［ａ₁，ａ₂，…，ａ_M］^T …（３）
を、次に説明する距離演算に用いる影響係数とする。
前記距離演算部２２では、各実績データの入力変数について、前記要求条件からの距離計算を行なう。そのために、まず入力空間（条件空間）のある点ｘ＝［ｘ₁，ｘ₂，…，ｘ_M］^Tに対する、前記（１）式の要求条件データｘ^rからの距離Ｌを計算するための距離関数を、前記（３）式の影響係数を考慮した次式

により定義する。

この（４）式では、各変数と要求条件との差の絶対値に、それぞれ影響係数ａ_mの絶対値を掛けたものを、全ての変数について足し合わせる処理を行なっている。
前記（３）式で与えられる偏回帰係数（影響係数）ａ_mは、出力変数Ｙの変化量に対する各入力変数Ｘ_mの寄与度と考えることができる。従って、上記（４）式の距離関数は、その寄与度を加味した重み付きの距離を表わしていることになる。

又、この距離関数により距離を演算することは、同時にこの影響係数により条件空間における軸変換の操作を実行していることになる。これを、便宜上、Ｘ₁、Ｘ₂の２次元に対する出力変数Ｙの場合の実績データの空間におけるデータ分布のイメージが、図４（ａ）に破線で囲んだ点で示すようであるとし、このデータ分布における要求条件近傍の回帰式が、
Ｙ＝ｂ＋ａ₁Ｘ₁＋ａ₂Ｘ₂ ……（２´）
で表わされるとすると、同図（ｂ）に示すように、影響係数ａ₁、ａ₂を用いて軸をＸ₁／｜ａ₁｜、Ｘ₂／｜ａ₂｜に変換し、この軸変換された空間におけるｘとｘ^rとの距離Ｌを計算していることになる。因みに、正規化ユークリッド距離の場合は、各変数に対応する条件軸をそれぞれのデータ分布の標準偏差で割っているが、ここでは係数で割っている。

次いで、前記（４）式で定義した距離関数を用いて、各操業実績データの要求条件データからの距離を演算する。即ち、図３に示したＮ個の操業実績データのそれぞれについて、要求条件データｘ^rからの距離を求める。
具体的には、ｎ番目（ｎ＝１，２，…，Ｎ）の実績データｘⁿの要求条件データｘ^rからの距離は、次の式
Ｌⁿ＝Ｌ（ｘⁿ，ｘ^r，α） …（５）
ここで、ｘⁿ＝［ｘ₁ ⁿ，ｘ₂ ⁿ，…，ｘ_M ⁿ］^T
ｎ＝１，２，…，Ｎ
から求めることができる。

又、１〜Ｎ番目の実績データについて計算された要求条件からの各距離をまとめて次式
ｌ＝［Ｌ¹，Ｌ²，…，Ｌ^N］^T …（６）
のように表記する。
類似度演算部２３では、以上のように、対象とする全ての実績データについて、要求条件からの距離計算を実行した後、各実績データの要求条件からの類似度を計算する。そのために、まず要求条件からの近さを表わす類似度関数Ｗを、次式
Ｗ（Ｌ，ｐ，ｌ）＝ｅｘｐ｛−（Ｌ／（ｐ・σ（ｌ）））²｝ …（７）
ここで、σ（ｌ）：正規化に使用するｌの標準偏差
ｐ：調整パラメータ（初期値：１．５）
のように定義する。

図５には、この類似度関数の特徴を示す。即ち、前記（５）式により得られる各実績データの要求条件からの距離が短いほど類似度が高く、長いほど低い値をとる。なお、類似度関数はこれに限定されず、同様の特徴を持つ、例えば折れ線関数としても、あるいは、文献（ＷｉｌｌｉａｍＳ．ＣｌｅｖｅｌａｎｄａｎｄＳｕｓａｎＪ．Ｄｅｖｌｉｎ；ＬｏｃａｌｌｙＷｅｉｇｈｔｅｄＲｅｇｒｅｓｓｉｏｎ：ＡｎａｐｐｒｏａｃｈｔｏＲｅｇｒｅｓｓｉｏｎＡｎａｌｙｓｉｓｂｙＬｏｃａｌＦｉｔｔｉｎｇ，ＪｏｕｒｎａｌｏｆｔｈｅＡｍｅｒｉｃａｎＳｔａｔｉｓｔｉｃａｌＡｓｓｏｃｉａｔｉｏｎ，Ｖｏｌ．８３，Ｎｏ．４０３，Ｓｅｐｔｅｍｂｅｒ１９８８．）に記載されているトリキューブ関数を用いてもよい。

次に、上記のように定義した類似度関数を用いて、各実績データの要求条件からの類似度を計算する。即ち、図３のＮ個の実績データそれぞれについて、前記（５）式により計算された距離を用いて要求条件からの類似度を求める。
ｎ番目（ｎ＝１，２，…，Ｎ）の実績データの要求条件からの類似度は、次の式
Ｗⁿ＝Ｗ（Ｌⁿ，ｐ，ｌ） …（８）
（ｎ＝１，２，…，Ｎ）
から求めることができる。

又、ここでは、１〜Ｎ番目の実績データの要求条件からの類似度を求めて次式
ｗ＝［Ｗ¹，Ｗ²，…，Ｗ^N］^T …（９）
のように表記する。
また、フラックス投入量決定部２４では、類似度演算部２３で、上記のように全ての実績データについて要求条件からの類似度の計算が終了した後、局所回帰式のパラメータを推定計算し、与えられたＮ個の実績データと、それぞれの類似度ｗを用いて、回帰式モデルを作成する。

そのモデル式は、次の線形式
Ｙ＝ｂ＋ａ₁・Ｘ₁＋ａ₂・Ｘ₂＋…＋ａ_M・Ｘ_M …（１０）
とする。この式が、要求条件の結果を予測するために使用する最終的な予測式である。
便宜上、この予測式（１０）は、前記（２）式の線形式と同一式で表わされているが、この（１０）式では、パラメータθ＝［ｂ，ａ₁，ａ₂，…，ａ_M］^Tを、類似度ｗを重みとする重み付き最小２乗法により求める。

このようにすることにより、類似度の大きい実績データ（要求点（条件）に近いデータ）は、重みが大きく、類似度の小さい実績データ（要求点から遠いデータ）は、重みが小さくなるような回帰式が得られ、要求条件の近傍のデータをより精度良くフィッティングする回帰式モデルができる。
ここに、（１０）式の局所回帰式と前述した（２）式の大域的な回帰式との差異を説明する。局所回帰式と大域的な回帰式は、いずれも操業実績データベース１３に蓄積されているすべての実績データを用いて、パラメータを最小２乗法を用いて推定することにより求めるが、大域的回帰式（２）は、すべての実績データの重みを等しくして、最小２乗法によりパラメータを推定しているため、どの要求条件においても、パラメータは同じ値になり、製造条件空間すべてにおいて共通な、即ち大域的に使用できる回帰式である。

これに対し、局所回帰式（１０）は、要求条件に近い実績データの重みを大きくして、遠い実績データの重みを小さくして、最小２乗法によりパラメータを推定しているため、要求条件の値によって、パラメータの値は異なり、局所的にしか使用できない（有効でない）が、精度の高い回帰式である。
また、パラメータθの推定方法としては、モデル化誤差をｅ、類似度をΛ、入力値をΩ、出力値をｙとしたとき下記で表される評価関数Ｊを定義する。

Ｊ＝ｅ^TΛｅ
＝［ｙ−Ωθ］^TΛ［ｙ−Ωθ］ ……（１１）
この（１１）式で表される２次計画問題を解いてモデル化誤差ｅを最小化するパラメータθを決定するようにしてもよい。
そして、決定されたパラメータθ、入力値Ω及び類似度Λに基づいて下記予測式
ｙ＝Ωθ＋ｅ ……（１２）
で出力値となるフラックス投入量ｙを算出する。
ここで、パラメータθ＝［ｂ，ａ₁，ａ₂，……，ａ_M］^T
モデル化誤差ｅ＝［ｅ¹，ｅ²，……，ｅ^N］
出力値ｙ＝［ｙ¹，ｙ²，……ｙ^N］

以上のフラックス投入量決定処理をフローチャートで表すと、図６に示すようになる。
すなわち、先ず、ステップＳ１で、入力装置１４から前記（１）式で表される要求条件データが入力されたか否かを判定し、要求条件データが入力されていないときにはこれが入力されるまで待機し、要求条件データが入力されたときには、ステップＳ２に移行して、操業実績データベース１３から図３に示す操業実績データを読込む。

次いで、ステップＳ３に移行して、前記（２）式で表される回帰式モデルを作成し、作成した回帰式モデルのパラメータから定数ｂを除いて係数のみを抽出した前記（３）式の偏回帰整数ベクトルを影響係数として設定する。
次いで、ステップＳ４に移行して、算出した影響係数を考慮した前記（４）式の距離関数を定義し、前記（６）式で表される各事例の実績データの要求条件データからの距離ｌ＝［Ｌ¹，Ｌ²，……Ｌ^N］^Tを演算する。

次いで、ステップＳ５に移行して、演算した距離ｌに基づいて要求条件データからの近さを表す類似度関数Ｗを前記（７）式で定義し、前記（６）式により得られる距離を用いて、要求条件データから前記（８）式の演算を行って前記（９）式で表される類似度ｗを求める。
次いで、ステップＳ６に移行して、与えられたＮ個の実績データと、夫々の類似度ｗとを用いて（１０）式の回帰式モデルを作成し、パラメータθを、類似度ｗを重み係数とする重み付き最小２乗法により求めるか又は前記（１１）式の２次計画問題を解いてモデル化誤差ｅを最小化するパラメータθを決定する。

次いで、ステップＳ７に移行して、決定されたパラメータθと前記（１）式で表される要求条件データとを前記（１０）式の右辺に与えて結果出力値ｙとしてのフラックス投入量を算出するか又は前記（１２）式の予測式の右辺に入力値Ω、パラメータθ及びモデル化誤差ｅを代入して結果出力値としてのフラックス投入量を算出する。
次いで、ステップＳ８に移行して、決定されたフラックス投入量を表示装置１５に表示してオペレータに指示する。
この図６の処理において、ステップＳ１〜Ｓ５の処理が類似度演算手段に対応し、ステップＳ６〜ステップＳ８の処理がフラックス投入量決定手段に対応している。

次に、上記実施形態の動作を説明する。
今、操業実績データベース１３に過去のＮ個の事例におけるフラックス投入量（出力変数ｙ）と７個の入力変数［溶銑量（入力変数Ｘ₁）、処理前Ｐ濃度（入力変数Ｘ₂）、処理前温度（入力変数Ｘ₃）、処理前Ｓ濃度（入力変数Ｘ₄）、リサイクルスラグ量（入力変数Ｘ₅）、ＦｅＳｉ投入原単位（入力変数Ｘ₆）、処理時間（入力変数Ｘ₇）］とが図３に示すうようにテーブル化されて格納されているものとする。

この状態で、オペレータが入力装置１４を操作して、今回の要求条件データｘ^rとして入力変数に対応する今回の要求条件データとして、溶銑量（Ｘ₁ ^r）、処理前Ｐ濃度（Ｘ₂ ^r）、処理前温度（Ｘ₃ ^r）、処理前Ｓ濃度（Ｘ₄ ^r）、リサイクルスラグ量（Ｘ₅ ^r）、ＦｅＳｉ投入原単位（Ｘ₆ ^r）、処理時間（Ｘ₇ ^r）をフラックス投入量決定装置１２に入力する。
このように、フラックス投入量決定装置１２に要求条件データｘ^rが入力されると、図６に示すフラックス投入量設定処理で、ステップＳ２に移行し、操業実績データベースから各事例の操業実績データを読込む。

次いで、読込んだ各事例の操業実績データに基づいて前記（２）式で表される線形回帰式モデルを作成し、作成した線形回帰式モデルのパラメータから定数ｂを除いて係数のみを抽出した前記（３）式で表される偏回帰整数ベクトルを影響係数として設定する（ステップＳ３）。
次いで、算出した影響係数を考慮した前記（４）式の距離関数を定義し、実績データの要求条件データからの距離ｌを演算する（ステップＳ４）。

次いで、演算した距離に基づいて要求条件データからの近さを表す類似度関数Ｗを前記（７）式で定義し、要求条件データから前記（８）式の演算を行って前記（９）式で表される類似度ｗを求める（ステップＳ５）。
次いで、ステップＳ２で読込んだＮ個の実績データと、それぞれの類似度ｗとを用いて前記（１０）式の回帰式モデルを作成し、パラメータθ（＝［ｂ，ａ₁，ａ₂，……ａ_M］^Tを、類似度ｗを重みとする重み付き最小２乗法により求めるか又は前記（１１）式の２次計画問題を解いてモデル化誤差ｅを最小化するパラメータθを設定する（ステップＳ６）。

次いで、決定されたパラメータθと前記（１）式で表される要求条件データとを前記（１０）式の右辺に与えて結果出力値としてのフラックス投入量（ｙ）を算出するか又は前記（１２）式の予測式の右辺に入力値Ω、パラメータθ及びモデル化誤差ｅを代入して結果出力値としてのフラックス投入量（ｙ）を算出する（ステップＳ７）。
次いで、決定されたフラックス投入量（ｙ）を表示装置１５に表示して、オペレータに要求条件データに適合するフラックス投入量（ｙ）を指示する。

そして、オペレータが、溶銑２が装入され攪拌制御装置６でインペラー４の攪拌速度が制御された溶銑鍋３に対して、指示されたフラックス投入量（ｙ）となるように、フラックス等投入装置１０を操作して、溶銑２に対して適量のフラックスを投入すると共に、要求条件データに沿うリサイクルスラグ量、ＦｅＳｉを投入して、要求条件データに沿う処理時間攪拌することにより、所望の処理後Ｓ濃度の溶銑を高精度で得ることができる。

このようにして、操業実績データベース１３に蓄積された過去の事例毎のフラックス投入量及び脱硫処理に必要とする少なくとも溶銑量、処理前温度、処理前硫黄濃度、ＦｅＳｉ投入量原単位、処理時間でなる操業条件データと、今回入力された少なくとも溶銑量、処理前温度、処理前硫黄濃度、ＦｅＳｉ投入量原単位、処理時間でなる要求条件データとの距離を算出して類似度を演算し、演算した類似度と操業実績データベース１３に蓄積されている各事例の操業条件データとに基づいて要求条件データに適合するフラックス投入量を決定するので、モデルパラメータのチューニングを必要とせず、フラックス投入量の演算精度を向上させることができると共に、処理後Ｓ濃度の制御精度を向上させることができる。

すなわち、従来例の線形重回帰モデル式を使用した場合の３２９９チャージにおけるフラックス投入量実績値［ｋｇ／ｔ］と指示値［ｋｇ／ｔ］との関係は、図７（ａ）に示すように、両者の相関関数が０．８６であるのに対して、本発明によって決定したフラックス投入量に基づいてオペレータがフラックス等投入装置１０を操作して溶銑中にフラックスを投入した場合、１２９７チャージにおけるフラックス投入量実績値［ｋｇ／ｔ］と指示値［ｋｇ／ｔ］との関係を表すと図７（ｂ）に示すように、両者の相関関数が０．９４、誤差標準偏差［ｋｇ／ｔ］が０．６７及び誤差の平均［ｋｇ／ｔ］が０．６７となり、従来例に比較して大幅に改善することができ、バラツキを表す誤差標準偏差を２０％程度低減することができる。

これにより、Ｓ濃度制御誤差（実績Ｓ濃度−上限目標Ｓ濃度）の従来例と本発明との比較結果を図８（ａ）及び（ｂ）に示す。この図８（ａ）及び（ｂ）から明らかなように、Ｓ濃度制御誤差標準偏差が従来例では２．１６［×０．００１％］であるのに対し、本発明では１．８７へ減少し、バラツキが約１３％改善され、しかも誤差最小値が−１３．７から−９．０へ改善し、さらに上限目標Ｓ＞０率（上限目標を外れる率）が１１．２％から８．３％へ改善することができた。この結果から本発明の方が従来例に比較してＳ濃度制御精度が向上していると言える。

また、入力変数を限定するツールを熟練者が入力する必要もなく、実績データから自動的に要求条件近傍における各入力変数の重みを計算することができる。
さらに、本発明を適用する前３カ月における従来例の脱硫方法によるフラックス原単位の推移と、本発明を適用した後の３カ月におけるフラックス原単位の推移とを比較すると図９に示すようになった。この図９から明らかなように、本発明を適用することにより、フラックス原単位の平均値を従来例を適用した場合の４．８５［ｋｇ／ｔ］から本発明を適用した場合の４．７２［ｋｇ／ｔ］へ約０．１４［ｋｇ／ｔ］削減することができた。

なお、上記実施形態においては、フラックス投入量決定装置１２でフラックス投入量を決定して、表示装置１５に表示することにより、オペレータがフラックス等投入装置１０を操作して指示された投入量のフラックスを溶銑中に投入する場合について説明したが、これに限定されるものではなく、図１で破線図示のように、フラックス投入量決定装置１２で決定されたフラックス投入量をフラックス等投入装置１０に直接出力して、溶銑中に投入するフラックスの投入量を自動制御するようにしてもよい。

また、上記実施形態では、溶銑量、処理前Ｐ濃度、処理前温度、処理前Ｓ濃度、リサイクルスラグ量、ＦｅＳｉ投入原単位等の要求条件データをオペレータが入力装置１４を操作して入力する場合について説明したが、これに限定されるものではなく、処理前Ｐ濃度、処理前温度、処理前Ｓ濃度については測定装置で測定した測定データを直接入力するようにしてもよい。

本発明に係る一実施形態のインペラー脱硫装置を示すブロック図である。フラックス投入決定装置を示す機能ブロック図である。操業実績データベースに保存されている記憶テーブルを示す図である。影響係数による条件空間の軸変換のイメージを示す線図である。類似度関数の一例の特徴を示す線図である。フラックス投入量決定装置のフラックス投入量処理手順の一例を示すフローチャートである。フラックス実績投入量の従来例と本発明との比較結果を示す線図である。Ｓ濃度制御誤差の従来例と本発明との比較結果を示す線図である。フラックス原単位の本発明実施前と実施後の変化を示す線図である。

符号の説明

１…インペラー脱硫装置、２…溶銑、３…溶銑鍋、４…インペラー、５…モータ、６…攪拌制御装置、１１…インペラー脱硫制御装置、１２…フラックス投入量決定装置、１３…操業実績データベース、２１…影響係数算出部、２２…距離演算部、２３…類似度演算部、２４…フラックス投入量決定部、２５…フラックス投入量出力部

Claims

溶銑中にフラックスを投入し、インペラーを回転させて機械的に溶銑を攪拌することにより、溶銑中の硫黄成分を脱硫反応によって滓化させ、スラグとして取り除く際に、硫黄濃度を目標値に制御するためのフラックス投入量を決定するインペラー脱硫制御装置であって、
出力変数としての過去の事例毎のフラックス投入量と、入力変数としての脱硫処理に必要とする少なくとも溶銑量、処理前温度、処理前硫黄濃度、ＦｅＳｉ投入量原単位、処理時間からなる操業条件データとを蓄積して記憶する操業情報記憶手段と、
予測したい要求条件データが生じる毎に、フラックス投入量を予測したい前記要求条件データと前記操業情報記憶手段に記憶されている前記操業条件データとの距離を算出して類似度を演算する類似度演算手段と、
該類似度演算手段で演算された事例毎の類似度と、前記操業情報記憶手段に記憶されている前記各事例の操業条件データとを用いて前記フラックス投入量Ｙを予測するための要求条件データＸ _１〜Ｘ _Ｍを入力変数として設定することで、ｂ，ａ _１，ａ _{２，……，} ａ _Ｍをパラメータとする局所回帰式
Ｙ＝ｂ＋ａ _１・Ｘ _１＋ａ _２・Ｘ _２＋……＋ａ _Ｍ・Ｘ _Ｍ
を作成し、
前記類似度を重みとする重み付き最小２乗法で算出した前記局所回帰式のパラメータｂ，ａ _１，ａ _{２，……，} ａ _Ｍと、評価関数を前記各事例毎の類似度、各事例の操業条件データでなる入力変数及びフラックス投入量、モデル化誤差で定義した２次計画問題を解いて設定するモデル化誤差を最小化する前記局所回帰式のパラメータｂ，ａ _１，ａ _{２，……，} ａ _Ｍとの何れか一方を前記局所回帰式に代入してフラックス投入量Ｙを決定するフラックス投入量決定手段とを備えていることを特徴とするインペラー脱硫制御装置。
前記脱硫処理に必要とする操業条件データは、溶銑量、処理前温度、処理前硫黄濃度、ＦｅＳｉ投入量原単位、処理時間の他に、処理前リン濃度及びリサイクルスラグ量を加えた７種類に設定されていることを特徴とする請求項１に記載のインペラー脱硫制御装置。
前記操業情報記憶手段は、前記フラックス投入量を出力変数とし、前記脱硫処理に必要とする操業条件データを入力変数とする複数の実績データを事例毎にテーブルとして格納し、
前記類似度演算手段は、今回のフラックス投入量を予測したい前記入力変数に対応する今回の操業条件データを設定すると共に、前記実績データを用いて前記出力変数を予測するための回帰式モデルを作成し、作成した回帰式モデルのパラメータを影響係数として算出する影響係数算出部と、該影響係数算出部で算出した影響係数を考慮して前記実績データの前記入力変数について前記今回の操業条件データからの距離を演算する距離関数を定義して前記実績データの前記今回の操業条件データからの距離を演算する距離演算部と、
該距離演算部で演算した距離に基づいて今回の操業条件データに対する近さを表す類似度を演算する類似度演算部と
を備えていることを特徴とする請求項１又は２に記載のインペラー脱硫制御装置。
溶銑中にフラックスを投入し、インペラーを回転させて機械的に溶銑を攪拌することにより、溶銑中の硫黄成分を脱硫反応によって滓化させ、スラグとして取り除く際に、硫黄濃度を目標値に制御するためのフラックス投入量を決定するインペラー脱硫制御方法であって、
出力変数となる過去のフラックス投入量、入力変数となる脱硫処理に必要とする少なくとも溶銑量、処理前温度、処理前硫黄濃度、ＦｅＳｉ投入量原単位、処理時間からなる操業条件データを事例として操業情報記憶手段に記憶して蓄積するステップと、予測したい要求条件データが生じる毎に、類似度演算手段で、予測したい前記要求条件データと前記実績データとの距離及び類似度を演算するステップと、
演算された事例毎の類似度と、前記操業情報記憶手段に記憶されている前記各事例の操業条件データとを用いて前記今回の操業条件データでのフラックス投入量Ｙを予測するための要求条件データＸ _１〜Ｘ _Ｍを入力変数として設定することで、ｂ，ａ _１，ａ _{２，……，} ａ _Ｍをパラメータとする局所回帰式
Ｙ＝ｂ＋ａ _１・Ｘ _１＋ａ _２・Ｘ _２＋……＋ａ _Ｍ・Ｘ _Ｍ
を作成し、類似度を重みとする重み付き最小２乗法で算出した前記局所回帰式のパラメータｂ，ａ _１，ａ _{２，……，} ａ _Ｍと、評価関数を前記各事例毎の類似度、各事例の操業条件データでなる入力変数及びフラックス投入量、モデル化誤差で定義した２次計画問題を解いて設定するモデル化誤差を最小化する前記局所回帰式のパラメータｂ，ａ _１，ａ _{２，……，} ａ _Ｍとの何れか一方を前記局所回帰式に代入してフラックス投入量Ｙを決定するステップと
を備えたことを特徴とするインペラー脱硫制御方法。