JP6933196B2 - 高炉の荷下り速度予測モデルの学習方法、高炉の荷下り速度予測方法、高炉の操業ガイダンス方法、高炉の荷下り速度制御方法、溶銑の製造方法、高炉の操業方法、及び高炉の荷下り速度予測モデルの学習装置 - Google Patents

Description

本発明は、高炉の荷下り速度予測モデルの学習方法、高炉の荷下り速度予測モデル、高炉の荷下り速度予測方法、高炉の操業ガイダンス方法、高炉の荷下り速度制御方法、溶銑の製造方法、高炉の操業方法、及び高炉の荷下り速度予測モデルの学習装置に関する。

製鉄業における高炉プロセスにおいて原料降下（荷下り）速度を安定化させることは非常に重要である。特に近年の高炉プロセスは、低コークス比及び高微粉炭比の条件下で行われており、通気抵抗が原料の重力に拮抗しているために、荷下り速度が変動しやすい。このため、荷下り速度が変動した場合、高炉操業に携わるオペレータは、送風流量（高炉に送風される空気の流量）や富化酸素流量（高炉に吹き込まれる富化酸素の流量）等の操業変数を低下させることによって荷下り速度を安定化させている。ところが、このような操業変数の変更操作は、高炉の生産性を低下させる要因となるために必要最小限に留めるべきである。また、高炉プロセスは大規模プロセスであるため、操業変数の変更操作の影響が荷下り速度の変化に実際に現れるまでには時間遅れが存在する。しかしながら、現状、オペレータは直近の荷下り速度に基づいて操業変数を変更しており、操業変数の過度な変更操作によって高炉の生産性を低下せしめている。

宮坂尚親ら："高炉の数学的モデルによる送風圧変動の予測"，鉄と鋼，58巻(1972)1号，p.18-27 岡谷貴之著："深層学習"，講談社(2015) 羽田野道春ら："高炉非定常モデルによる火入れ操業の検討"，鉄と鋼，68巻(1982)15号，p.2369-2376

将来の荷下り速度の変化を予測できれば、操業変数を適切に設定できるので、高炉の生産性が低下することを抑制できる。従来技術として、荷下り速度を直接的に予測できる技術は存在しないが、類似概念として高炉の通気度を予測する技術が非特許文献１に記載されている。具体的には、非特許文献１には、物理モデルを利用して２時間先の高炉の通気度を予測する方法が記載されている。しかしながら、高炉の通気度は荷下り速度に影響を及ぼすが、より重要な変数であり適切な予測対象は荷下り速度である。通気度が変動しても荷下り速度が安定しているのであれば問題は生じないためである。このため、高炉の荷下り速度を精度よく予測可能な技術の提供が期待されていた。

本発明は、上記課題に鑑みてなされたものであって、その目的は、高炉の荷下り速度を精度よく予測可能な高炉の荷下り速度予測モデルの学習方法、高炉の荷下り速度予測モデル、高炉の荷下り速度予測方法、高炉の操業ガイダンス方法、高炉の荷下り速度制御方法、溶銑の製造方法、高炉の操業方法、及び高炉の荷下り速度予測モデルの学習装置を提供することにある。

本発明に係る高炉の荷下り速度予測モデルの学習方法は、高炉操業における送風流量、富化酸素流量、微粉炭吹込み量、送風湿分、及び炉頂におけるコークス比のうち、少なくとも１つ以上の操作変数を入力変数として含み、現在時刻の１つ先のタイムステップの高炉の荷下り速度を出力変数とする高炉の荷下り速度予測モデルを再帰型ニューラルネットワークモデルとして構築するステップと、高炉内の原料滞留時間を基準とした学習データを用いて、前記高炉の荷下り速度予測モデルの学習パラメータを決定するステップと、を含むことを特徴とする。

本発明に係る高炉の荷下り速度予測モデルは、本発明に係る高炉の荷下り速度予測モデルの学習方法により学習させたことを特徴とする。

本発明に係る高炉の荷下り速度予測方法は、本発明に係る高炉の荷下り速度予測モデルを用いて高炉の荷下り速度を予測するステップを含むことを特徴とする。

本発明に係る高炉の操業ガイダンス方法は、本発明に係る高炉の荷下り速度予測モデルを用いて、予め定めた所定期間先の高炉の荷下り速度を予測し、予測結果に基づいて現在の操作変数の操作量をガイダンスするステップを含むことを特徴とする。

本発明に係る高炉の荷下り速度制御方法は、本発明に係る高炉の荷下り速度予測モデルに基づいて高炉の荷下り速度を制御する高炉の荷下り速度制御方法であって、予測された荷下り速度と目標荷下り速度との差を含む評価関数を定め、該評価関数に基づいて高炉の操作変数の適正操作量を決定し、決定した適正操作量に従って高炉の操作変数を制御するステップを含むことを特徴とする。

本発明に係る溶銑の製造方法は、本発明に係る高炉の荷下り速度制御方法を用いて高炉の操業を行うことにより溶銑を製造するステップを含むことを特徴とする。

本発明に係る高炉の操業方法は、本発明に係る高炉の荷下り速度制御方法を用いて高炉の操業を行うステップを含むことを特徴とする。

本発明に係る高炉の荷下り速度予測モデルの学習装置は、高炉操業における送風流量、富化酸素流量、微粉炭吹込み量、送風湿分、及び炉頂におけるコークス比のうち、少なくとも１つ以上の操作変数を入力変数として含み、現在時刻の１つ先のタイムステップの高炉の荷下り速度を出力変数とする高炉の荷下り速度予測モデルを再帰型ニューラルネットワークモデルとして構築する手段と、高炉内の原料滞留時間を基準とした学習データを用いて、前記高炉の荷下り速度予測モデルの学習パラメータを決定する手段と、を備えることを特徴とする。

本発明によれば、高炉の荷下り速度を精度よく予測可能な高炉の荷下り速度予測モデルの学習方法、高炉の荷下り速度予測モデル、高炉の荷下り速度予測方法、高炉の操業ガイダンス方法、高炉の荷下り速度制御方法、溶銑の製造方法、高炉の操業方法、及び高炉の荷下り速度予測モデルの学習装置を提供することができる。

図１は、本発明の一実施形態である高炉操業システムの構成を示す模式図である。 図２は、ＬＳＴＭモデルの構成を示すブロック図である。 図３は、ＬＳＴＭブロックの構成を示すブロック図である。 図４は、荷下り速度の予測結果の一例を示す図である。 図５は、荷下り速度の予測結果の他の例を示す図である。 図６は、荷下り速度の予測変化量及び計算変化量と実績変化量との散布図である。

以下、図面を参照して、本発明の一実施形態である高炉の荷下り速度予測方法、高炉の荷下り速度予測装置、高炉の操業方法、操業ガイダンス装置、高炉の荷下り速度制御方法、及び高炉の荷下り速度制御装置について説明する。

〔高炉操業システム〕
まず、図１を参照して、本発明が適用される本発明の一実施形態である高炉操業システムの構成について説明する。

図１は、本発明の一実施形態である高炉操業システムの構成を示す模式図である。図１に示すように、本発明の一実施形態である高炉操業システム１は、高炉２の操業データを収集、格納する操業データベース３と、操業データベース３内に格納されている操業データを用いて高炉２の荷下り速度を予測する荷下り速度予測装置４と、荷下り速度予測装置４によって予測された高炉２の荷下り速度の推移を提示することにより、高炉の操業を支援する操業ガイダンス装置５と、荷下り速度予測装置４によって予測された高炉２の荷下り速度に基づいて荷下り速度の予測値と目標荷下り速度との差を最小にするように高炉２の操作変数の適正操作量を決定し、決定した適正操作量に従って高炉２の操作変数を制御する荷下り速度制御装置６と、を備えている。

荷下り速度予測装置４は、コンピュータ等の情報処理装置によって構成され、情報処理装置内部のＣＰＵ等の演算処理装置がコンピュータプログラムを実行することによってモデル構築部４ａ及び荷下り速度予測部４ｂとして機能する。モデル構築部４ａは、高炉操業における送風流量、富化酸素流量、微粉炭吹込み量（溶銑生成量１トンに対して使用される微粉炭の重量，ＰＣＩ）、送風湿分（高炉に送風される空気の湿度）、及び炉頂におけるコークス比（炉頂から投入されるコークス量に対する鉄鉱石量の比）のうち、少なくとも１つ以上の操作変数を入力変数とし、高炉２の荷下り速度を出力変数とする再帰型ニューラルネットワークモデルを構築する。なお、本実施形態では、再帰型ニューラルネットワークモデルの一例であるＬＳＴＭ（Long Short Term Memory）モデルの一形態を示すが、本発明は本実施形態に限定されることはなく異なる形態であってもよい。ＬＳＴＭモデルの詳細については、後述する。荷下り速度予測部４ｂは、モデル構築部４ａによって構築されたＬＳＴＭモデルを用いて、現在の操作変数の操作量が現在値のまま保持される又は設定値に変更されると仮定して高炉２の将来の荷下り速度を予測する。

〔ＬＳＴＭモデル〕
次に、図２，３を参照して、上記ＬＳＴＭモデルの一形態について説明する。

図２は、ＬＳＴＭモデルの構成を示すブロック図である。図２に示すように、モデル構築部４ａが構築するＬＳＴＭモデル７は、ＲＮＮ（再帰型（リカレント）ニューラルネットワーク）の一種であり（非特許文献２参照）、入力層７ａ、ＬＳＴＭブロック７ｂ、及び出力層７ｃを備えている。詳しくは、ＬＳＴＭモデル７は、ＲＮＮの中間層のユニットをＬＳＴＭブロック７ｂと呼ばれるメモリと３つのゲートを有するブロックに置き換えた構成となっている。

ＲＮＮは、通常のニューラルネットワーク（ＮＮ）とは異なり、１タイムステップ前の状態変数（高炉の場合は温度分布や還元率といった高炉の内部状態を表す変数）を現在のタイムステップの入力として用いるという特徴を有している。なお、非定常状態における高炉内の状態を示す変数を計算可能な非定常物理モデル（非特許文献３参照）も熱的慣性の影響を表すために１タイムステップ前の状態変数を入力として用いる。つまり、ＲＮＮや非定常物理モデルは、状態変数の更新則を扱っているという点で共通し、アクションの遅れを考慮した予測を行うという点において通常のＮＮより有利である。ところが、ＲＮＮは、状態変数の慣性を扱うことができるものの、１０タイムステップ以上過去の入力を出力に反映させることは困難である。但し、高炉プロセスの場合には、１タイムステップを０．５時間とし、１０タイムステップ(５時間)以前の操作が現在の荷下り速度に影響することは十分に有り得る。そこで、本発明では、ＲＮＮの中でも過去の状態変数を長期に渡って保持可能なＬＳＴＭモデルを用いた。換言すれば、高炉プロセスはアクションの効果が発現するまでの遅れ時間が大きく、過去の時系列データの履歴を考慮した予測方法が有利であると考え、ＬＳＴＭモデルを用いて高炉２の荷下り速度を予測することとした。これにより、本発明によれば、高炉の荷下り速度を精度よく予測できる。

なお、非定常物理モデルであっても、レースウェイでのコークス燃焼、コークスのガス化、鉱石溶解による体積消費等によって荷下り現象自体を再現することはできる。しかしながら、非定常物理モデルの短所として、実プロセスで生じる送風流量及び富化酸素流量が一定の条件下での荷下り速度の変動を再現することが困難であるという点がある。これは、非定常物理モデルでは、原料が連続体として扱われるため、風圧によらず体積消費分の原料が炉上部から必ず供給されるという仮定に起因している。このような問題を解決するために、離散要素法的なアプローチを用いることによって風圧と重力のバランスを考慮することも考えられるが、反応計算や伝熱計算と連成させてオンライン計算を行うことは現状のマシンパワーでは非現実的である。このため、本発明ではＬＳＴＭモデルを用いて荷下り速度を予測する。

ここで、図３を参照して、ＬＳＴＭブロック７ｂの構成について詳しく説明する。図３は、ＬＳＴＭブロック７ｂの構成を示すブロック図である。図３に示すように、ＬＳＴＭブロック７ｂは、入力ブロック１１、双曲線正接関数ブロック１２、入力ゲートブロック１３、シグモイド関数ブロック１４、乗算ブロック１５、忘却ゲートブロック１６、シグモイド関数ブロック１７、乗算ブロック１８、加算ブロック１９、双曲線正接関数ブロック２０、出力ゲートブロック２１、シグモイド関数ブロック２２、乗算ブロック２３、及び出力ブロック２４を備えている。

入力ブロック１１は、以下に示す数式（１）に入力層７ａの出力ｘ（ｔ）及びＬＳＴＭブロック７ｂの１タイムステップ前の出力ｚ（ｔ−１）を入力することにより出力ｕ（ｔ）を算出する。なお、（）内のｔはタイムステップを示す。また、数式（１）において、Ｗｉｎ，Ｗ，ｂｉｎは重み係数を示す。

双曲線正接関数ブロック１２は、双曲線正接関数（ｔａｎｈ関数）に入力ブロック１１の出力ｕ（ｔ）を入力することにより出力ｔａｎｈ（ｕ（ｔ））を算出する。

入力ゲートブロック１３は、以下に示す数式（２）に入力層７ａの出力ｘ（ｔ）、ＬＳＴＭブロック７ｂの１タイムステップ前の出力ｚ（ｔ−１）、１タイムステップ前の加算ブロック１９の出力ｓ（ｔ−１）を入力することにより出力ｕＩ（ｔ）を算出する。なお、数式（２）において、Ｗｉｎ（Ｉ），Ｗ（Ｉ），Ｗｃｅｌｌ（Ｉ），ｂｉｎ（Ｉ）は重み係数を示す。

シグモイド関数ブロック１４は、以下に示す数式（３）に入力ゲートブロック１３の出力ｕＩ（ｔ）を入力することにより出力ｇＩ（ｔ）を算出する。

乗算ブロック１５は、シグモイド関数ブロック１４の出力ｇＩ（ｔ）と双曲線正接関数ブロック１２の出力ｔａｎｈ（ｕ（ｔ））との乗算値ｇＩ（ｔ）＊ｔａｎｈ（ｕ（ｔ））を算出する。

忘却ゲートブロック１６は、以下に示す数式（４）に入力層７ａの出力ｘ（ｔ）、ＬＳＴＭブロック７ｂの１タイムステップ前の出力ｚ（ｔ−１）、１タイムステップ前の加算ブロック１９の出力ｓ（ｔ−１）を入力することにより出力ｕＦ（ｔ）を算出する。なお、数式（４）において、Ｗｉｎ（Ｆ），Ｗ（Ｆ），Ｗｃｅｌｌ（Ｆ），ｂｉｎ（Ｆ）は重み係数を示す。

シグモイド関数ブロック１７は、以下に示す数式（５）に忘却ゲートブロック１６の出力ｕＦ（ｔ）を入力することにより出力ｇＦ（ｔ）を算出する。

乗算ブロック１８は、シグモイド関数ブロック１７の出力ｇＩ（ｔ）と１タイムステップ前の加算ブロック１９の出力ｓ（ｔ−１）との乗算値ｇＦ（ｔ）＊ｓ（ｔ−１）を算出する。

加算ブロック１９は、以下に示す数式（６）に乗算ブロック１５の出力ｇＩ（ｔ）＊ｔａｎｈ（ｕ（ｔ））と乗算ブロック１８の出力ｇＦ（ｔ）＊ｓ（ｔ−１）とを代入することにより出力ｓ（ｔ）を算出する。

双曲線正接関数ブロック２０は、ｔａｎｈ関数に加算ブロック１９の出力ｓ（ｔ）を入力することにより出力ｔａｎｈ（ｓ（ｔ））を算出する。

出力ゲートブロック２１は、以下に示す数式（７）に入力層７ａの出力ｘ（ｔ）、ＬＳＴＭブロック７ｂの１タイムステップ前の出力ｚ（ｔ−１）、加算ブロック１９の出力ｓ（ｔ）を入力することにより出力ｕＯ（ｔ）を算出する。なお、数式（７）において、Ｗｉｎ（Ｏ），Ｗ（Ｏ），Ｗｃｅｌｌ（Ｏ），ｂｉｎ（Ｏ）は重み係数を示す。

シグモイド関数ブロック２２は、以下に示す数式（８）に出力ゲートブロック２１の出力ｕＯ（ｔ）を入力することにより出力ｇＯ（ｔ）を算出する。

乗算ブロック２３は、以下に示す数式（９）にシグモイド関数ブロック２２の出力ｇＯ（ｔ）及び双曲線正接関数ブロック２０の出力ｔａｎｈ（ｓ（ｔ））を入力することにより出力ｚ（ｔ）を算出する。

出力ブロック２４は、以下に示す数式（１０）に乗算ブロック２３の出力ｚ（ｔ）を入力することにより出力ｙ（ｔ）を算出する。なお、数式（１０）において、Ｗｏｕｔ，ｃｏｕｔは重み係数を示す。

なお、ＬＳＴＭブロック７ｂにおいて求めるべき重み係数は、上述したＷｉｎ、ｂｉｎ、Ｗｃｅｌｌ等の重み係数群である。本発明では、これらの重み係数を逆誤差伝播法によって収束計算する。勾配更新のアルゴリズムとしてＡｄａｍ法を用いた。なお、逆誤差伝播法のアルゴリズムの妥当性は数値微分行列と逆誤差伝播法による微分行列の一致によって確認済みである。

本実施例では、送風流量ＢＶ(Ｎｍ^３／ｍｉｎ)、富化酸素流量ＢＶＯ(Ｎｍ^３／ｍｉｎ)、微粉炭吹込み流量ＰＣＩ(ｋｇ／ｍｉｎ)、送風湿分ＢＭ(ｇ／Ｎｍ^３)、炉頂におけるコークス比ＣＲ(ｋｇ／ｔ)、及び現タイムステップにおける荷下り速度Ｖｃｈ(ｃｈ／ｈｒ)を状態変数として次タイムステップの荷下り速度を予測した。ここで、ｃｈはチャージを示す。高炉の原料投入は、高炉内原料の表面レベルが一定以下となった時に新しい層（バッチ）を投入するが、この単位をチャージ（ｃｈ）と呼ぶ。また、現時点をタイムステップｔとし、送風流量ＢＶ（ｔ）、富化酸素流量ＢＶＯ（ｔ）、微粉炭吹込み流量ＰＣＩ（ｔ）、送風湿分ＢＭ（ｔ）、炉頂におけるコークス比ＣＲ（ｔ）、及び現タイムステップにおける荷下り速度Ｖｃｈ（ｔ）を用いて次タイムステップの荷下り速度Ｖｃｈ（ｔ＋１）を予測する問題設定とした。すなわち、出力ｘ（ｔ），ｙ（ｔ）を以下の数式（１１），（１２）に示すように定めた。

なお、本発明の目的の一つは、長い時定数を有する高炉の動特性をＬＳＴＭによりモデル化することにある。そのための重み変数群の学習では、損失関数（Ｌｏｓ関数）を予測された次タイムステップの荷下り速度Ｖｃｈ（ｔ＋１）と実際の次タイムステップの荷下り速度Ｖｃｈ（ｔ＋１）との差分値の二乗和とした。ここで、二乗和の区間は上記動特性を反映した十分な時間が必要である。前述のように高炉プロセスでは、操作量変更の影響が５時間程度先に現れるということがあり得るため、そのような時定数の長い現象を学習させる必要がある。そこで、本発明の発明者らは、高炉内に原料等を投入して溶銑として出銑するまでの高炉内での原料滞留時間を一つの基準と考えた。これは、原料が高炉に装入されてから溶銑となるまでのひとまとまりの現象を表す期間と考えられるからである。この時間は高炉の容量等にもよるが、例えば６時間〜１０時間を要する場合がある。学習データとして、この原料滞留時間１回分以上の期間があることで、高炉原料が溶銑に至るまでの現象が学習できる。また、望ましくはこの原料滞留時間２回分以上の複数回を学習評価期間として与えることで良好な精度のモデル学習が可能となると考えた。但し、学習データの期間を増やせば精度向上するが、データの収集時間や計算時間を鑑みれば、原料滞留時間の０．５倍程度であってもある程度の特性は学習できる可能性はある。

本実施例では、対象高炉の原料滞留時間が８時間程度であることから、その２回分の時間として、過去１６時間前の状態変数の初期値をゼロとし、時間順方向に数式を繰り返し解くことにより次タイムステップの荷下り速度Ｖｃｈ（ｔ＋１）を予測した。そして、前述の損失関数を最小化するようにＬＳＴＭブロック７ｂの重み変数群の値を決定した。学習データのセットは約５０００セット準備し、学習に用いた。また、得られた重み変数群を用いて荷下り速度を予測する際には、将来区間における操作量の情報は現時点では得られないので、現時点の高炉の操作変数の操作量が将来も保持されていると仮定して荷下り速度を予測した。

但し、本実施例では、現時点の高炉の操作変数の操作量が将来も保持されていると仮定したが、送風流量の設定値等の将来の操作変数の操作量に関する情報が利用可能である場合には、それを荷下り速度の予測の際に用いても構わない。また、将来の荷下り速度は現時点ではわからないが、次タイムステップの荷下り速度の予測の際に現時点の荷下り速度の値が必要なので、タイムステップｔ＋Ｆにおける荷下り速度の予測値をタイムステップｔ＋Ｆ＋１における荷下り速度の予測の際の入力条件とする。

このようにして荷下り速度を予測した結果の一例を図４（ａ）〜（ｉ）に示す。図中のＮｏｗで示した時点が荷下り速度を予測するタイミングであり、Ｎｏｗで示した時点以降の操作変数の操作量は現時点での値が保持されていると仮定して荷下り速度を予測した。なお、図４（ａ）〜（ｅ）において、実線は荷下り速度の予測に用いた値を示し、破線は実績値を示している。また、図４（ｇ）において、実線Ｌ１及び破線Ｌ２，Ｌ３はそれぞれ図３における出力ｓ（ｔ）の各要素の値（潜在変数）を示し、図４（ｈ）において、実線Ｌ４及び破線Ｌ５，破線Ｌ６はそれぞれ図３における出力ｇＩ（ｔ）の各要素の値（入力重み）を示し、図４（ｉ）において、実線Ｌ７及び破線Ｌ８，破線Ｌ９はそれぞれ出力ｇＦ（ｔ）の各要素の値（記憶重み）を示す。図４（ｆ）に示すように、将来区間における操作変数の操作量の変更が小さい場合には、荷下り速度の予測値（実線）は実績値（プロット）と一致しているケースが多いことが確認された。

一方、荷下り速度の予測結果の他の一例を図５（ａ）〜（ｉ）に示す。図中のＮｏｗで示した時点が荷下り速度を予測するタイミングであり、Ｎｏｗで示した時点以降の操作変数の操作量は現時点での値が保持されていると仮定して荷下り速度の予測を行っている。なお、図５（ａ）〜（ｅ）において、実線は荷下り速度の予測に用いた値を示し、破線は実績値を示している。本例では、図５（ｆ）に示すように将来区間の荷下り速度の予測値（実線）は実績値（プロット）と解離しているが、これは図５（ａ），（ｂ）に示すように将来区間における送風流量及び富化酸素流量が大きく変更されたためである。

このような将来区間における操作変数の操作量の変更を反映した荷下り速度の計算結果を図５（ｆ）に破線で図示した。図５（ｆ）に示すように計算値（破線）は実績値（プロット）をトレースできており、操作変数の操作量の変更の影響を正しく考慮したＬＳＴＭモデルを構築できていることが確認された。なお、このような将来区間における荷下り速度の計算を行った際も将来区間における荷下り速度の実績値を入力として使用せずに荷下り速度の計算値を繰り返し使用することにより、次タイムステップにおける荷下り速度を計算した。これは、オンラインで荷下り速度を計算する場合には将来区間における荷下り速度の実績値を用いることができないためである。

このようにして算出した４時間先までの荷下り速度の予測変化量ΔＶｃｈ（ｐｒｅ）と実績変化量ΔＶｃｈ（Ａｃｔ）の散布図を図６（ａ）に示す。また、同期間の荷下り速度の計算変化量ΔＶｃｈ（ｃａｌ）と実績変化量ΔＶｃｈ（Ａｃｔ）の散布図を図６（ｂ）に示す。なお、図６（ａ），（ｂ）における変化量の各値は規格化（normalized）されている。図６（ａ），（ｂ）に示すように、予測変化量ΔＶｃｈ（ｐｒｅ）及び計算変化量ΔＶｃｈ（ｃａｌ）と実績変化量ΔＶｃｈ（Ａｃｔ）とは良好な相関関係を示している。予測ガイダンスの目的は送風流量等の操作変数の変化の影響を考慮した荷下り速度の将来予測であるため、計算変化量ΔＶｃｈ（ｃａｌ）によりＬＳＴＭモデルの精度評価を行うことが適切であると考えられる。従って、荷下り速度の変化量を精度よく計算できたことは荷下り速度を精度よく制御する足掛りとなると考えられる。

例えば、学習されたＬＳＴＭモデルに基づいて予測した５時間後の荷下がり速度変化が適切な範囲を超えると判断した場合は、操作量である送風流量や富化酸素流量等を選定変更することで荷下がり速度の変化を抑制することができる。例えば、上記ＬＳＴＭモデルを用いて送風流量や富化酸素流量等の一定の変更量を最適化計算等で算出することが可能である。具体的には、５時間後等の所定時間を定め、所定時間後の高炉の荷下がり速度の目標値を設定し、荷下がり速度の目標値と予測値をもとに定める評価関数（評価区間における誤差の二乗和等）を最小化する、送風流量や富化酸素流量を含む操作量を求める構成が可能であり、より詳しくはＬＳＴＭモデルを用いた非線形のモデル予測制御を構成することができる。ここで、操作量決定に際しては評価関数を必ずしも最小化する必要はなく、ある程度の許容範囲を定め、あるいは、繰り返し計算の回数を定めて、計算を打ち切り、操作量を決定しても構わない。このように、数時間程度の長い時定数を有する高炉では、ＬＳＴＭモデルに適切な学習期間のデータを与えパラメータを学習させることで、従来の高炉モデルではできなかった長期予測を可能とすることができる。また、学習されたＬＳＴＭモデルに基づくモデル予測制御等により、高炉内現象の将来の予測に基づく適切な操作量を決定し、最適な高炉操業を実現できることとなる。さらにこれにより、安定した溶銑の製造が実現できることとなる。

以上、本発明者らによってなされた発明を適用した実施形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。

１ 高炉操業システム
２ 高炉
３ 操業データベース
４ 荷下り速度予測装置
４ａ モデル構築部
４ｂ 荷下り速度予測部
５ 操業ガイダンス装置
６ 荷下り速度制御装置
７ ＬＳＴＭモデル
７ａ 入力層
７ｂ ＬＳＴＭブロック
７ｃ 出力層

Claims (7)

1. 高炉操業における送風流量、富化酸素流量、微粉炭吹込み量、送風湿分、及び炉頂におけるコークス比のうち、少なくとも１つ以上の操作変数を入力変数として含み、現在時刻の１つ先のタイムステップの高炉の荷下り速度を出力変数とする高炉の荷下り速度予測モデルを再帰型ニューラルネットワークモデルとして構築するステップと、
   高炉内の原料滞留時間を基準とした前記入力変数及び前記出力変数を学習データとして用いて、高炉の荷下り速度予測モデルから出力された高炉の荷下り速度と実際の高炉の荷下り速度との差分値の二乗和が最小に近づくように前記高炉の荷下り速度予測モデルの重み係数を決定するステップと、
   を含むことを特徴とする高炉の荷下り速度予測モデルの学習方法。
2. 請求項１に記載の高炉の荷下り速度予測モデルを用いて高炉の荷下り速度を予測するステップを含むことを特徴とする高炉の荷下り速度予測方法。
3. 請求項１に記載の高炉の荷下り速度予測モデルを用いて、予め定めた所定期間先の高炉の荷下り速度を予測し、予測結果に基づいて現在の操作変数の操作量をガイダンスするステップを含むことを特徴とする高炉の操業ガイダンス方法。
4. 請求項１に記載の高炉の荷下り速度予測モデルに基づいて高炉の荷下り速度を制御する高炉の荷下り速度制御方法であって、予測された荷下り速度と目標荷下り速度との差を含む評価関数を定め、該評価関数に基づいて高炉の操作変数の適正操作量を決定し、決定した適正操作量に従って高炉の操作変数を制御するステップを含むことを特徴とする高炉の荷下り速度制御方法。
5. 請求項４に記載の高炉の荷下り速度制御方法を用いて高炉の操業を行うことにより溶銑を製造するステップを含むことを特徴とする溶銑の製造方法。
6. 請求項４に記載の高炉の荷下り速度制御方法を用いて高炉の操業を行うステップを含むことを特徴とする高炉の操業方法。
7. 高炉操業における送風流量、富化酸素流量、微粉炭吹込み量、送風湿分、及び炉頂におけるコークス比のうち、少なくとも１つ以上の操作変数を入力変数として含み、現在時刻の１つ先のタイムステップの高炉の荷下り速度を出力変数とする高炉の荷下り速度予測モデルを再帰型ニューラルネットワークモデルとして構築する手段と、
   高炉内の原料滞留時間を基準とした前記入力変数及び前記出力変数を学習データとして用いて、高炉の荷下り速度予測モデルから出力された高炉の荷下り速度と実際の高炉の荷下り速度との差分値の二乗和が最小に近づくように前記高炉の荷下り速度予測モデルの重み係数を決定する手段と、
   を備えること特徴とする高炉の荷下り速度予測モデルの学習装置。

Images