JPH03243706A - 高炉熱損失量推定装置 - Google Patents

高炉熱損失量推定装置

Info

Publication number
JPH03243706A
JPH03243706A JP4168290A JP4168290A JPH03243706A JP H03243706 A JPH03243706 A JP H03243706A JP 4168290 A JP4168290 A JP 4168290A JP 4168290 A JP4168290 A JP 4168290A JP H03243706 A JPH03243706 A JP H03243706A
Authority
JP
Japan
Prior art keywords
data
heat loss
blast furnace
output
neural network
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.)
Pending
Application number
JP4168290A
Other languages
English (en)
Inventor
Koichi Matsuda
浩一 松田
Naoki Tamura
直樹 田村
Yoshihisa Otsuka
喜久 大塚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kobe Steel Ltd
Original Assignee
Kobe Steel Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kobe Steel Ltd filed Critical Kobe Steel Ltd
Priority to JP4168290A priority Critical patent/JPH03243706A/ja
Publication of JPH03243706A publication Critical patent/JPH03243706A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Blast Furnaces (AREA)

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、高炉の炉体から放散する熱損失量の推定を行
う高炉熱損失量推定装置に係り、特に実時間で推定演算
を行うことのできる高炉熱損失量推定装置に関する。
(従来技術〕 高炉において、炉体からの熱損失量を表す放散熱量を検
出することは、高炉操業の熱的な効率を向上させる上で
、更に溶銑温度に係る炉熱の制御を行う上で極めて重要
である。
従来、前記高炉の熱損失量は、原材料、副材料。
出銑量等から求められた物質バランスと、該物質バラン
スに基づいて高炉の熱的データから求められた熱バラン
スとより演算されていた。即ち、前記熱バランスにおい
て得た入熱合計と出熱合計との差し引き量が熱損失量と
して演算されていた。
このような方法における入熱合計と出熱合計を得るには
ある程度の時間が必要で、通常熱損失量は、上記した実
データから1日1回求められ、1日の合計量として算出
されていた。
(発明が解決しようとする課題] このように、上記したような従来技術により算出された
熱損失量は、1日に1回しか演算されず、高炉操業上の
熱効率の改善或いは前記炉熱の制御に関し適時に反映す
ることができなかった。また、上記したような物質バラ
ンス及び熱バランスから得る同様の方法によって、1日
に1回以上、前記熱損失量を算出したとしても、バッチ
式゛に出銑される溶銑の出熱により高い演算精度を期待
できるものではない。
他方、従来より前記熱損失量と高炉の炉壁温度分布との
間に、強い相関関係があることは知られている。しかし
ながら、温度センサから得られる炉壁温度データの点数
が非常に多いことから、前記相関関係を指数化すること
は極めて困難であって、前記相関関係を熱損失量の推定
に対して充分に生かすことができなかった。
そこで、本発明の目的とするところは、高炉の熱損失量
の推定を実時間で行うことが可能で、推定された熱損失
量を高炉操業に充分反映させることのできる高炉熱損失
量推定装置を提供することにある。
〔課題を解決するための手段〕
上記目的を遠戚するために、本発明が採用する主たる手
段は、高炉の炉壁温度分布データに基づいて高炉からの
熱損失量を推定する高炉熱損失量推定装置において、デ
ータの入力部、演算部及び出力部を有する複数の情報処
理部を具備し、ある情報処理部の出力部と他の情報処理
部の入力部が該出力部よりの出力情報に連結重みを付加
して前記入力部に伝達するための連結部を介して連結さ
れてなるニューラルネットワークと、予め設定された内
容の異なる複数の炉壁温度の学習用入力データと該学習
用入力データのそれぞれに対応する前記熱損失量の教師
データとを記憶するメモリ手段と、前記それぞれの学習
用入力データを前記ニューラルネットワークに入力し、
その出力データが予め設定された教師データに近接若し
くは一致するまで連結重みを変えつつ学習して、近接若
しくは一致した際の前記連結部の各々の連結重みを決定
する重み決定手段と、実測された炉壁温度分布データを
前記学習済のニューラルネットワークに入力して得られ
た出力データを熱損失量推定値として出力する推定値演
算手段とを具備してなる点を要旨とする高炉熱損失量推
定装置である。
〔作用〕
本発明によれば、例えばパックプロパゲーションアルゴ
リズムに基づく演算処理を行うニューラルネットワーク
が用いられ、該ニューラルネットワークの学習時に、過
去の実績データである、炉壁温度分布データが入力分布
データとして、熱損失量データが教師データとして、そ
れぞれ複数の対で設定される。そして、この時の前記ニ
ューラルネットワークの出力データが前記教師データに
近接若しくは一致するように、前記ニューラルネットワ
ークの連結重みが決定されているので、前記学習済のニ
ューラルネットワークに実測された炉壁温度分布データ
が入力されると、推定値演算手段がその時得られた出力
データを熱損失量推定値として出力する。
〔実施例〕
以下、添付した図面を参照しつつ、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。ここに第
1図は本発明の一実施例に係る高炉熱損失量推定装置を
示すブロック構成図、第2図は同高炉熱損失量推定装置
が具備するニューラルネットワークを示す概念図、第3
図は同ニューラルネットワークを構成するニューロン(
情報処理部)と連結部を示す概念図、第4図(a)乃至
同図(6)は前記ニューラルネットワークを構成する中
間層のノードにニューロン)の個数を変化させた場合の
学習時における演算の収束に要した学習回数を示すグラ
フ、第5図(a)乃至同図(80は前記中間層のノード
の個数を変更させた場合の学習時におけ数を変化させた
場合の実運転の評価時における熱損失量の推定値と実績
値の相関関係を示すグラフである。
尚、以下の実施例は、本発明の具体的−例に過ぎず、本
発明の技術的範囲を限定する性格のものではない。
本実施例に係る高炉熱損失量推定装置1は、第1図に示
すように、バノクブロバゲーンヨンアルゴリズムに基づ
いて温度分布のバクーンL3識を行うニューラルネット
ワーク2と、学習時に設定された内容の異なる複数の炉
壁塩度の学習用入力データと該学習用入力データのそれ
ぞれに対応する高炉10の熱損失量の教師データとを記
憶するメモリ3と、前記学習済のニューラルネットワー
ク2に実測された炉壁温度分布データを入力して得た出
力データy(第2図)を熱損失IttI定値として出力
する演算制御部4と、高炉10の炉壁に設けられた65
点の温度センサ11からの炉壁温度データを入力すると
共に演算された熱損失量の推定値を前記高炉10に向け
て出力するための入出力ボート12とから構成されてい
る。
前記ニューラルネットワーク2は、第2図に示すように
、前記温度センサ11からの65点の炉壁温度データと
オフセント入力1点の合計66点の入力データXl+X
2+ ・・・、X6Gを入力するように、66個のニュ
ーロン5からなる入力層と、複数のニューロン5よりな
る中間層と、1個のニューロン5からなり出力データy
を出力する出力層とより構成され、それぞれの眉間が連
結部6により連結されている。
そして、前記ニューロン5(情報処理部)は、第3図に
示すように、データ信号を伝達すると共に該データ信号
に対し重み付は処理を行う連結部6に接続され、該デー
タ伝達方向(矢印F)上流側の層のニューロン5の連結
部6からの入力データを入力する入力部7と、該入力部
7に入力された重み付は後のそれぞれの入力データを総
和して得られた総和値に閾値処理を施し当該総和値がニ
ューロン5毎に予め設定された闇値を越えた時に概念上
発火(出力)するようになした演算部8と、該演算部8
が発火した時にデータ伝達方向下流側の層のニューロン
5にデータ信号を出力する出力部9とからなっている。
そして、このニューラルネットワーク2は、予め学習ス
テップが実行され、前記ハックプロパゲーションアルゴ
リズム(逆伝播法)に基づいて学習用入力データと該学
習用入力データに対応する教師データ(放散熱量)から
、学習時に前記連結部6の連結重みの学習を行い、全て
の学習用入力データ及び該入力データに対応する教師デ
ータを用いた学習によって、最終的な連結重みを決定し
、前記メモリ3にその時の連結重みを格納する。即ち、
上記した如くの炉壁温度分布データと熱損失量との対応
関係に係る情報は、上記各連結部6の最終的な連結重み
の中に概念上分散して格納されていることになる。尚、
前記連結重みの学習は、前記データ伝達方向の上流側に
向けて層毎に順次遡り逆伝播して行われる。
即ち、上記したように構成される高炉熱損失量推定装置
1では、学習時に入力層のニューロン5に炉高及び方位
の異なる測定点の炉壁温度データ65点よりなる炉壁温
度分布データとオフセット入力データ1点とを併せた学
習用入力データxトX2+ ・・・、XGGが入力され
る。そして、出力層のニューロン5からの出力データy
は、高炉10の入熱と出熱との差し引き量である放散熱
量(教師データ)と比較される。学習時に用いられる上
記学習用入力データ(X+−X6G)及び教師データは
、過去に温度センサ11から採取され若しくは演算され
た、内容の異なる炉壁温度分布データ及び該炉壁温度分
布データにそれぞれ対応する放散熱量である。
学習済みのニューラルネットワーク2を用いて熱損失量
の推定を行うには、前記高炉熱損失量推定装置1に実測
された炉壁温度分布データが入力層のニューロン5に入
力される。そこで、上記ニューラルネットワーク 2は
、入力層、中間層。
出力層の各ニューロン5をそれぞれ連結する各連結部6
の、学習時に決定された最終的な連結重みに基づいて演
算処理を実行し、出力層のニューロン5から出力データ
yを出力する。該出力データyは熱損失量推定値として
出力される。
即ち、実測された炉壁温度分布データを前記学習済のニ
ューラルネットワーク2に入力して得られた出力データ
を熱損失量推定値として出力する手順を実現するのが推
定値演算手段である。
尚、上記したそれぞれのデータは下記の各式により正規
化され、簡略化されている。
入力データー炉壁温度/200.0 教師データー(放散熱量−100) /200.0本実
施例装置のニューラルネットワーク2において、中間層
のノード数にニューロン5の数)の最適値を求めるため
に、学習時において、2,34.5.+0.15.20
のノード数が設定され、各ノード数毎に学習計算が実行
された。この時、学習用データに係る学習係数を4.0
とし、慣性項係数を0.9とした。前記学習計算による
中間層ノード個数毎の学習回数と誤差ノルム(最大誤差
)との関係を第4図(a)乃至同図(8)に示す。それ
によれば、学習がある程度進むと、前記誤差はグラフ上
で振動を始める。そこで、振動直前まで学習が行われる
ように、打ち切り誤差を設定した。前記設定された打ち
切り誤差を次の表1に示す。
また、第5図(a)乃至同図(8)は学習済のニューラ
ルネットワーク2に学習用入力データを入力して得た熱
損失量の推定値と、その時教師データとして参照された
放散熱量(熱損失量)の実績値との相関関係を、設定さ
れた中間層ノード数毎に°“学習時”として示すグラフ
、第6図(a)乃至同図(濁は学習済のニューラルネッ
トワーク2に当該学習に用いた学習用入力データと異な
る入力データを入力して得た熱損失量の推定値と、その
入力データによる損失量の実績値との相関関係を設定さ
れた中間層ノード数毎に“評価時”として示すグラフで
ある。尚、上記した第5図(a)乃至第6図(g)にお
いて、図中のγは相関係数を示す。又各図に用いられた
推定値と実績値との誤差の分散値を推定誤差分散として
上記した表−lに示す。
それによれば、高炉熱損失量推定装置1のニューラルネ
ットワーク2では、中間層のノード数が3個以上であれ
ば、前記打ち切り誤差はほぼ同等の値(0,064)に
収束する。とりわけ、前記中間層のノード数が4個に設
定された時、前記ニューラルネットワーク2の結合状態
が最適となり、最小の推定誤差分散の値約15.9を得
ることができた。この時、学習回数に33355回を要
し、学習時間(32ビットCPU使用時)に10.05
時間を要した。
上記したように、本実施例に係る高炉熱損失量推定装置
1は、予め学習済のニューラルネットワーク2を用い、
実時間における高炉10の炉壁温度分布から熱損失量を
推定するので、時々刻々の熱損失量を求めることが可能
で、特に入力データが学習時に用いた入力データと較べ
てかなり異質なものでなければ、高精度に熱損失量を求
めることができる。それにより、前記推定された熱損失
量に基づいて、実時間の溶銑温度に係る炉熱制御に反映
させることができる。また、高炉操業上の熱効率を改善
するための制御アクションの変更に対しても、該アクシ
ラン変更の妥当性を即時に確認することができる。
尚、本実施例において、ニューラルネットワークの出力
層に1つのニューロン5を設定し、該ニューロン5から
1つの出力データyを得るようにしたが、それに限定さ
れず、前記出力層のニューロン5は複数であっても構わ
ない。但し、その場合には、教師データとなる放散熱量
のデータ範囲をいくつかのレンジに分割し、前記複数の
ニューロン5のそれぞれに前記各レンジのデータを割り
当てて学習させておけば良い。
〔発明の効果〕
本発明は、上記したように、高炉の炉壁温度分布データ
に基づいて高炉からの熱損失量を推定する高炉熱損失量
推定装置において、データの入力部、64算部及び出力
部を有する複数の情報処理部を具備し、ある情報処理部
の出力部と他の情報処理部の入力部が該出力部よりの出
力情報に連結重みを付加して前記入力部に伝達するため
の連結部を介して連結されてなるニューラルネットワー
クと、予め設定された内容の異なる複数の炉壁温度の学
習用入力データと該学習用入力データのそれぞれに対応
する前記熱損失量の教師データとを記憶するメモリ手段
と、前記それぞれの学習用入力データを前記ニューラル
ネットワークに入力し、その出力データが予め設定され
た教師データに近接若しくは一致するまで連結重みを変
えつつ学習して、近接若しくは一致した際の前記連結部
の各々の連結重みを決定する重み決定手段と、実測され
た炉壁温度分布データを前記学習済のニューラルネット
ワークに入力して得られた出力データを熱損失量推定値
として出力する推定値演算手段とを具備してなることを
特徴とする高炉熱損失量推定装置であるから、高炉の熱
損失量の推定を実時間で行うことができる。それにより
、前記推定された熱損失量を高炉操業に実時間で反映さ
せることができる。
【図面の簡単な説明】
第1図は本発明の一実施例に係る高炉熱損失量推定装置
を示すブロック構成図、第2図は同高炉熱損失量推定装
置が具備するニューラルネットワークを示す概念図、第
3図は同ニューラルネットワークを構成するニューロン
(情報処理部)と連結部を示す概念図、第4図(a)乃
至同図(8)は前記ニューラルネットワークを構成する
中間層のノードにニューロン)の個数を変化させた場合
の学習時における演算の収束に要した学習回数を示すグ
ラフ、第5図(a)乃至同図(8)は前記中間層のノー
ドの個数を変更させた場合の学習時における熱損失量せ
た場合の実運転の評価時における熱損失量の推定値と実
績値の相関関係を示すグラフである。 〔符号の説明〕 1・・・高炉熱損失量推定装置 2・・・ニューラルネットワーク 3・・・メモリ    4・・・演算制御部5・・・ニ
ューロン  6・・・連結部7・・・入力部    8
・・・演算部9・・・出力部   10・・・高炉 11・・・温度センサ

Claims (1)

    【特許請求の範囲】
  1. (1)高炉の炉壁温度分布データに基づいて高炉からの
    熱損失量を推定する高炉熱損失量推定装置において、 データの入力部、演算部及び出力部を有す る複数の情報処理部を具備し、ある情報処理部の出力部
    と他の情報処理部の入力部が該出力部よりの出力情報に
    連結重みを付加して前記入力部に伝達するための連結部
    を介して連結されてなるニューラルネットワークと、 予め設定された内容の異なる複数の炉壁温 度の学習用入力データと該学習用入力データのそれぞれ
    に対応する前記熱損失量の教師データとを記憶するメモ
    リ手段と、 前記それぞれの学習用入力データを前記ニ ューラルネットワークに入力し、その出力データが予め
    設定された教師データに近接若しくは一致するまで連結
    重みを変えつつ学習して、近接若しくは一致した際の前
    記連結部の各々の連結重みを決定する重み決定手段と、
    実測された炉壁温度分布データを前記学習 済のニューラルネットワークに入力して得られた出力デ
    ータを熱損失量推定値として出力する推定値演算手段と
    を具備してなることを特徴とする高炉熱損失量推定装置
JP4168290A 1990-02-22 1990-02-22 高炉熱損失量推定装置 Pending JPH03243706A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP4168290A JPH03243706A (ja) 1990-02-22 1990-02-22 高炉熱損失量推定装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP4168290A JPH03243706A (ja) 1990-02-22 1990-02-22 高炉熱損失量推定装置

Publications (1)

Publication Number Publication Date
JPH03243706A true JPH03243706A (ja) 1991-10-30

Family

ID=12615202

Family Applications (1)

Application Number Title Priority Date Filing Date
JP4168290A Pending JPH03243706A (ja) 1990-02-22 1990-02-22 高炉熱損失量推定装置

Country Status (1)

Country Link
JP (1) JPH03243706A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019013993A (ja) * 2017-07-04 2019-01-31 ファナック株式会社 熱変位補正装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019013993A (ja) * 2017-07-04 2019-01-31 ファナック株式会社 熱変位補正装置
US10852710B2 (en) 2017-07-04 2020-12-01 Fanuc Corporation Thermal displacement compensation apparatus

Similar Documents

Publication Publication Date Title
JP3328742B2 (ja) ニューロpid制御装置
CA2414707C (en) Computer method and apparatus for constraining a non-linear approximator of an empirical process
JPH04127205A (ja) プロセス制御装置
Teshima et al. Estimation of cutting tool life by processing tool image data with neural network
KR910015940A (ko) 학습기계
JPH03243706A (ja) 高炉熱損失量推定装置
CN116638507A (zh) 一种自适应阻抗控制与预测控制相结合的遥操作控制方法
Li et al. Mechanical system modelling using recurrent neural networks via quasi-Newton learning methods
Zhongliang et al. Information fusion and tracking of maneuvering targets with artificial neural network
Ng et al. Neural integrated fuzzy controller (nif-t) and real-time implementation of a ball balancing beam (bbb)
JP2512328B2 (ja) 高炉パタ―ンデ―タの自動判定システム
JPH0895938A (ja) 時系列データの学習方法及び時系列データの学習装置
JPH0454685A (ja) 状熊学習装置及び状態推定装置
JPH0460752A (ja) ニューラルネットワークの学習装置
Li et al. Motion control of an AUV using a neural network adaptive controller
JP3025592B2 (ja) ニューロコンピュータ
JPH0378003A (ja) ファジイコントローラ
JPH0272404A (ja) メンバーシップ関数決定方法
Huaguang et al. Multivariable fuzzy generalized predictive control
Hazen et al. Sonar sensitivity analysis using a neural network acoustic model emulator
Tu et al. Two kinds of neural network algorithms suitable for fiber optic sensing array signal processing
JPH0272405A (ja) メンバーシップ関数決定方法
Hahnert et al. Genetic algorithms for controller training: Effects of population size on training accuracy and efficiency.
Nikravesh et al. Process control of nonlinear time variant processes via artificial neural network
JPH08177599A (ja) 車両装備物の温度推定方法及び温度推定装置