JPH0331406A - 高炉パターンデータの総合判定システム - Google Patents

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、高炉におけるステーブ温度やゾンデ信号など
複数センサからの一連のパターンデータの入力信号全て
を生かし、オペレータの持つパターン判別力をそのまま
活かして総合的な判断にまで自動化した高炉のパターン
データ総合判定システムに関するものである。

〔従来の技術〕

高炉操業ではオペレータが様々なデータを基に炉内状況
を推定しアクションを取っている。この中で、炉内に挿
入されたゾンデで半径方向複数点の温度やガス成分を測
定しこれをパターンデータとして評価することで炉内の
ガス流分布を推定したり、溶銑温度の時間的な変化のパ
ターンから炉内の熱レベルの状況を推定している例に見
られるように、パターンデータを直接、評価・判断する
場合があり、これが非常に重要なデータとなっている。

しかし、これらはオペレータが直接、評価・判断してお
り、個人差が生じたり、感覚的なためシステム化できに
くいなどの問題があった。

最近、このようなパターン判定の新しい手法として生物
の神経系をまねたニューラルネットが登場してきた。そ
の長所は自己学習が可能なところにあり、本発明者達は
既にこの長所を利用した「高炉パターンデータの自動判
定システム」を先に特願平１−１（２３９１として出願
済みである。

〔発明が改善しようとする課題〕

一般に階層型ニューラルネットとは第７図に示すように
ＩＮの入力層３０および出力層３３と０〜多層の中間層
３１．３２から構成され、中間層および出力層の各ユニ
ットは前段の層の各ユニットと結ばれている。各ユニッ
トは第７図ｂ）のような詳細構造であり、各ユニットの
出力は前段の層における各ユニットの出力に重み計数ω
ｉｊを掛ける合わせた値を前段の全ユニット分加え合わ
せ、これを第７図Ｃ）の出力特性なる関係をもつ関数で
変換したものである。従って、入力層の各ユニットに測
定データに基づく値を入力すると前記の計算がなされて
、出力層の各ユニットより出力値が出力され、一般には
その出力値より予め定めたどのパターンに相当するか判
断することになる。

ここで、学習とは予め準備した学習データを使用して各
ユニット間の重み計数ωｉｊを自己学習アルゴリズム（
例えばバックプロパゲーション手法など）で決めること
である。このようにネットワーク全体、つまり各層のユ
ニットと各ユニット間の重み計数ωｉｊでパターン判定
処理を行なっているため、判定対象データや判定したい
パターンの数が増えると各層のユニットの数や中間層の
数が増加し、これにともない各ユニット間の重み係数ω
ｉｊが指数関数的に増加する。このため、学習に要する
時間が指数関数的に増加し、場合によっては重み係数ω
ｉｊが求められない場合をも生じる。

更に、学習に要する時間および学習効果（精度）等は、
予め準備する学習データの適切さによって左右されるも
のでもある。適切な学習データの作成に必要な条件は、
学習データを作成する者が入力と出力の関係を適切にイ
メージすることができることであると思われる。

前記した先行技術では、高炉における各センサ毎の判断
に階層型ニューラルネットを適用する技術を出願した。

この技術は各センサ単位の自動判断に関するものであり
、複数センサを対象とした総合判断については言及して
いない。

一方、高炉のオペレータはゾンデで得られる温度やガス
成分、あるいは炉壁に設置された温度計から得られるデ
ータなど数多（のデータを同時に見て、各センサ単位並
びに総合的に高炉の状態を評価・判断している。

〔課題を解決するための手段〕

本発明は前記課題を解決するためになされたものであり
、複数のセンサを対象として学習効率が良く、かつオペ
レータの今までの評価・判断と一致するパターン判別方
法をそのままシステム化したニューラルネット手法を利
用した高炉パターンデータの総合判定システムを提供す
ることを目的とする。

上記目的を達成するための手段は以下のものである。ま
ず基本的な手段は、 高炉に設置された複数のセンサと、そのセンサからの測
定パターン要素データを取り込んで所定のタイミングで
出力するパターン要素データ入力手段と、前記パターン
要素データ入力手段からの各センサ毎の信号を入力して
、それぞれ予め定められたパターンに判定する階層型の
第１のニューラルネット手段と、 前記第１のニューラルネット手段からの出力信号を入力
して予め定められた総合パターンに判定する階層型の第
２のニューラルネット手段を含む構成とすることを第１
の手段とし、 その第１の手段に必要に応じて信号処理手段または記憶
手段を具備されてもよい。

前記の第２ニューラルネット手段を多段型にして１段も
しくは多段の中間ニューラルネット手段および第２ニュ
ーラルネット手段を含むようにしたことを第２の手段と
する。

更に、前記中間ニューラルネット手段を設けるに際して
物理的に意味のある部分的な総合判定、例えば総合空間
パターン判定、総合時系列パターン判定、総合半径方向
パターン判定、総合炉高方向パターン判定、総合温度パ
ターン判定、総合圧カバターンおよび総合ガス成分パタ
ーン判定を含むようにしたことを第３の手段とするもの
である。

よって、高炉には、センサ単位の自動個別判定と全部あ
るいは複数のセンサを対象とした自動総合判定に階層型
ニューラルネットを適用する必要がある。そのセンサ単
位のニューラルネットによる自動個別判定は前記した先
行発明が対象としている。

本発明の課題は部分的あるいは全体の自動総合判定をニ
ューラルネットの適用により実現することにある。高炉
は一種の大規模モデルであり、これにニューラルネット
を適用することにより、総合的な判断をさせる場合、次
のような具体的な問題点があることを見い出した。

（１）対象とするセン号数の増加により、学習時間が増
大し、学習計算が収束しない場合が発生する。

（２）適切な学習データを作成できなくなり、その結果
学習時間が一層増大するばかりでなく、学習精度が低下
する。

（３）入力データ数が増加するにつれて、ニューラルネ
ットのユニット数や階層数が増加するので、ローカルミ
ニマムと言われる疑似解答の発生頻度が増大するため判
断ミスを起してしまう。

（４）高炉の操業方法の変化や各センサの状況変化等に
よる条件変化が少しでも発生するとそれに伴なって全体
の学習をやり直す必要があり、メインテナンスが煩雑で
あると共に効率的ではない。

〔作用〕

一般に、高炉に設置されたパターンデータ測定センサに
は第９図に示すようにシャフト中部ゾンデ７０による温
度測定およびガス分布測定（高炉の半径方向分布）、シ
ャフト中部ゾンデ７１による温度測定およびガス分布測
定（高炉の半径方向分布）、ステーブ温度計７２による
温度測定（高炉の炉高方向分布および半径方向分布）及
び炉壁圧力計７３による圧力測定（高炉の炉高方向分布
）等があるので、高炉はパターンデータの大規模モデル
に相当するものである。

高炉のオペレータは、前記の各測定機能毎に測定パター
ンデータより個別判定を行なうと同時に部分的な総合判
定、例えば空間データおよび時系列データの総合判定を
行なったり、全体の総合判定を行ないながら高炉を操業
している。前述のように自動個別判定はすでに本発明者
達が出願ずみなので本発明の課題は、全体の総合判定お
よび部分的な総合判定をニューラルネット手段を適用し
て実現することである。

一般に、シャフト中部ゾンデのガス利用率、シャマド中
部ゾンデのガス利用率、ステーブ温度およびシャフト圧
力の測定信号に、これまでの知見でニューラルネット手
段を適用すると第８図のようになる。

そうすると、その全体の総合判定には、表１に概要を示
すようなニューラルネット手段を適用することになる。

表　　１ この総合判定用ニューラルネットに百数十個の学習デー
タを与えて約２万回の計算の後、ようやく収束した。こ
れはニューラルネットを構成するユニットの数が増加し
たため、前述の理由で計算に時間を要したからである。

従って、今後、ニューラルネットで判定させる対象デー
タが増加した場合はさらに学習時間が増加することは明
白であり、場合によっては学習できない場合も生じるこ
とが予想される。

この結果を解析して得られたのが、前記した総合的な判
定させる場合の具体的な問題点（１）〜（４）を見い出
したものである。

そこで、本発明者達は、その具体的な問題点を解決する
方法を種々検討した結果、次の知見を得て、それをベー
スに本発明に到達したものである。

第１に、総合判定用ニューラルネット手段をピラミッド
のように多段階構成にすることによりニューラルネット
の大きさを小規模なものに分解できる。

第２に、その多段階構成における各段階では部分的な総
合判定を行なうように、物理的に意味のある信号を組み
合わせるのが良い。その物理的に意味のある組合せとは
、例えば温度信号、圧力信号、ガス成分信号等の機能別
あるいは高炉の半径方向分布信号と炉高方向分布信号等
の分布方向別あるいは空間測定信号と時系列測定信号等
の測定間隔条件別等がある。

第３に、各センサの測定単位の第１段のニューラルネッ
ト手段は、前記した個別判定用のニューラルネット手段
をそのまま使用するのが好都合である。

以上の第１〜第３の知見を活かしたのが本発明であり、
それを前記表１の例に適用したケースの一実施例を第４
図（Ａ）（Ｂ）に示す。この場合における前記の具体的
な問題点は次のように解決方向に向かっている。

（１）学習の単位を各ニューラルネット毎にすることに
より、学習時間を減少させることができると同時に学習
計算が収束しない場合はまずなくなる。

（２）第１段ニューラルネットは各センサの測定単位で
あり、中間ニューラルネットは物理的に意味のあるもの
の組合せであり、最終ニューラルネットは総合判定のも
のである為にいずれもオペレータが通常行なっている判
断に基づいているから学習データの作成は容易である。

（３）多段階構成にしたので各ニューラルネットの大き
さが小さくなり、ローカルミニマムの発生する危険度が
低下した。特に、各センサに対する第１のニューラルネ
ット手段はほとんどその危険がないので、はぼ安心して
使用できるレベルに達したと思われる。

（４）各センサの測定単位の第１段のニューラルネット
手段を、既出願の個別判定用のものと同等にしたので、
すでにこの再学習用メインテナンスに対する対策が入力
出力の正規化処理等により盛り込まれていると共にセン
サの内の１つあるいは２つが状況変化した場合には、そ
のセンサに対する第１段のニューラルネットのみを再学
習すれば良いことになる。

よって、再学習メインテナンスは大幅に減少することに
なる。

第４図（Ａ）は、部分的な総合判定として、高炉の半径
方向の総合判定および高炉の垂直方向の総合判定に区分
して行い、更に、その両判定を組み合わせて全体の総合
判定をするケースを示している。第４図（Ｂ）は、第４
図（Ａ）をさらに詳しい形式で表現したものであり、○
印はユニットを表わし、破線枠は各ニューラルネットを
表わしており、合計７個ののニューラルネットの組合せ
で実現されていることを示している。第５図（Ａ）　（
Ｂ）は、部分的な総合判定として測定機能毎に、温度総
合判定およびガス利用率総合判定を設け、全体の総合判
定はその両機能判定に圧力判定を組合せて行なう例であ
る。

以上のことから本発明が前記した課題および具体的な問
題点を解決したことが理解されたと確信する。

以下に本発明を実現するシステム構成について説明する
。

第１図は本発明の一実施例のシステム構成を示すブロッ
ク図である。同図において１０は高炉、２０はパターン
自動判定装置であり、高炉の各部位に設けられたセンサ
からの信号を定周期で取り込むパターン要素データ入力
装置２１、取り込まれたデータに対してノイズ処理、時
系列処理、あるいはニューラルネットの入力に適した正
規化信号等に処理する信号処理装置２２、処理されたデ
ータを一時記憶するデータ記憶装置２３、及びデータを
判定する階層型の第１ニユーラルネツト２４、第１ニユ
ーラルネツト２４がらの信号を入力して総合的なパター
ン判定を行なう階層型の第２ニユーラルネツト２５から
構成される。階層型ニューラルネットは予めオペレータ
の定性的な判定方法を学習アルゴリズム、例えば文献：
ニューラルネットをパターン認識、信号処理、知識処理
に使う（日経エレクトロニクス１９Ｂ？、８．１０（Ｎ
ｏ、４２７）　）に示されているバックプロパゲーショ
ン法、に従い学習させ、その結果を記憶しておく、また
、オンラインで学習するために、学習アルゴリズムをニ
ューラルネットにもたせてもよい。４１はパターン自動
判定装置の結果を表示するためのＣＲＴであり、４２は
パターン判定装置の結果を使用して高炉へのアクシコン
量を決定するシステムである。

第１図では、信号処理装置２２およびデータ記憶装置２
３を必須要件のように説明したきたが、信号処理装置は
判定の信頼性を向上させる為に具備するのが望ましいが
、必須の要件ではなく、更にデータ記憶装置２３は各測
定パターン要素データのニューラルネットへの出力を所
定のタイミングで実施できれば必須な要件ではなく、特
にそのタイミング調整機能をパターン要素データ入力装
置２１あるいは第１ニユーラルネツト２４のいずれかに
具備させることができれば不要にすることができる。

第２図は、第１図に示されるシステム構成図に対応する
計算機のハード構成図であり、５１はインタフェース装
置で所定の周期でデータを取り込むためのサンプリング
装置やＡ／Ｄ変換器などから構成される。５２はデータ
処理やニューラルネットによるパターン判定などを実行
するためのＣＰＵ、５３は予めデータ処理やニューラル
ネットのプログラムや必要なパラメータを書き込んでお
くＲＯＭ、５４はパターンデータを一時記憶するための
ＲＡＭ、５ｆｉは判定結果を表示するためのＣＲＴ、５
６はパターン判定装置の結果を使用して゛高炉へのアク
ション量を決定するシステムと接続するためのインタフ
ェース装置である。

以上の構成からなる本実施例の動作を、具体例として第
９図に示す位置に設置されているステーブ温度計７２か
ら得られるデータに適用したので、第３図のフローチャ
ートと第６図、第１Ｏ図と第１１図の説明図を参照しな
がら説明する。第１Ｏ図は第９図に示す高炉の垂直方向
に設置された各ステーブ温度計７２のある時間での空間
パターン、また第１１図はステープ温度計７２のそれま
での時間変動を表わした時系列パターンである。これら
のパターンは高炉のオペレータにとって炉内のガス流分
布を推定するための重要なデータである。

オペレータは第１０図のパターンから高炉垂直方向のガ
ス流分布が予め過去の操業経験から分類できる所定数（
Ａ個）のパターンのどれに類領しているかを判定し、こ
れと同時に第１１図のパターンから時間変動が予め過去
の操業経験から分類できる所定数（Ｂ個）のパターンの
どれに類似しているかを判定し、そしてこれらを考慮し
て総合的なガス流分布を判定してガス流分布を適正にす
るためのアクションを取っている。この処理を実現する
ために階層型のニューラルネットを多段に結合したもの
を第６図に示す。８１はステーブ温度の高炉垂直方向の
空間パターンを判定するニューラルネット、８２はステ
ーブ温度の時系列パターンを判定するためのニューラル
ネット、８３はニューラルネット８１．８２の出力を基
に総合的な炉内のガス流分布を判定するためのニューラ
ルネットである。

まず、各ステーブ温度計で測定したデータを第１図２１
のパターン要素データ入力装置により定周期で取り込み
、必要に応じてデータ処理袋Ｗ２２で所定の時系列処理
やノイズ処理を行なった後、ニューラルネットの入力と
して適した値となるように正規化する。次に、上記の方
法でデータ処理されたパターンデータを第１図のデータ
記憶装置２３に必要に応じて一時記憶し、第１ニユーラ
ルネツト２４の入力データとする。第１ニユーラルネツ
トでは中間層、出力層の各ユニットの値を順次計算する
。そして第１ニエーラルネツトの出力層の各ユニットの
値を第２ニユーラルネツト２５の入力データとし、同様
に中間層、出力層の各ユニットの値を計算し、総合的な
判定結果を出力する。採用したニューラルネットはとも
に３階層型ニューラルネットで、第７図で、入力層３０
、中間層３１，３２、出力層３３が各々１層のものであ
る。各々の層は複数個のユニット３４から構成されてお
り、各層間のユニットは互いに重み係数３５を介して結
合されている。また、その出力特性は第７図Ｃ）に示す
ように、ユニットへの入力の総和があるしきい値を超え
たら、次の層のユニットへ出力するような非線形な特性
である。入力層の各々のユニット３４に信号が入力され
、それが重み係数３５を介して中間層の各ユニットに入
力されると重み係数３５で信号を強められたり弱められ
たりする。ユニットの中では、入力された信号のすべて
の和をとり、その和が予め決められているしきい値を趙
えた場合に次のユニットに信号を出力する。このような
動作を繰り返しながら入力層から中間層、中間層から出
力層に信号が伝播しパターン判定を行なう。また、前述
の学習アルゴリズムはネットワークの重み係数やしきい
値を学習するものである。

その処理フローは第３図ａ）に示す５ＴＡＲＴＩ　１か
らＥＮＤ１７までの処理を繰り返して行なわれる。周期
的な信号や割り込み信号等により起動信号を受信すると
、５ＴＡＲＴＩ　１になり、次に、パターンデータを形
成する各測定信号をデータ読み込む。ステップ１２で全
データを入力した後に、ノイズ処理、異常値削除処理、
平均値処理及び正規化処理などのデータ処理を必要に応
じてステップ１３にて行い、その結果を必要に応じてス
テップ１４でファイル格納する。そのステップ１４のフ
ァイルから必要なデータを引出して、入力層の各ユニッ
トに信号を与えて階層型のニューラルネットでパターン
判定１５を行なう。その結果を出力１６して、その後の
処理（例えば表示してオペレータに知らせたり、高炉の
自動制御システム）に生かすことになる。パターン判定
１５における処理フローをより詳しく表わしたのが第３
図ｂ）である。まず、１５１ではファイル１４から必要
なデータを引き出して個々の第１ニユーラルネツトの入
力層における各ユニットにそのデータを設定する。次に
、１５２では第７図ａ）、ｂ）に示すようにその入力層
の各ユニットの値に重み係数ωｉｊを掛は合わせた値の
累積値として中間層の各ユニットの値を計算し、第７図
Ｃ）のような入出力特性を持つ関数を経由して出力する
。そしてステップ１５３では同様な方法で出力層の各ユ
ニットの値を計算し、ステップ１５４で第１ニユーラル
ネツトの出力を第２ニユーラルネツトの入力層における
各ユニットにそのデータを設定する。以下同様な処理を
繰り返し、１５８で最終的な判定結果を出力する。

〔実施例〕

（実施例１） 第９図におけるステーブ温度計７２の総合判定を狙って
、第６図のような２段階式のニューラルネット構造とし
た。ステーブ温度の垂直方向データは１０点ありステー
ブ温度の時系列データは３つの代表的な測定部位につき
それぞれ６点あり、ステープ温度の垂直方向空間パター
ン判定用ニューラルネット８１、ステーブ温度の時系列
パターン判定用ニューラルネット８２および総合判定用
ニューラルネット８３を表２のように設計した。

それを第１図および第２図の計算機で実現した。

高炉のステーブ温度計から採取したデータを入力してオ
ペレータの判断と対比した所、表２のように正解率９７
％を得た。従って、空間パターン判定と時系列パターン
判定を経て全体の総合判定をする多段階式ニューラルネ
ット手段が自動総合判定として有効であることが確認で
きた。

表２ （実施例２） 第１図および第２図の計算機で実現したパターン判定シ
ステムを第９図に示すゾンデ７０，７１、ステーブ温度
計７２、炉壁圧力計７３から得られるデータの総合判定
に適用した。シャフトＬ部ゾンデ、シャフト中部ゾンデ
、および炉壁圧力計の代表パターンをそれぞれ第１２図
、第１３図、第１４図に示す。このときのニューラルネ
ットの構造を第４図（Ａ）　（Ｂ）に示す。８１．８４
．８５．８６はそれぞれ各センサのデータパターンを判
定する第１ニユーラルネツトであり、８７は高炉半径方
向のガス流分布を判定する第１ニユーラルネツト８４．
８５の判定結果を基に高炉半径方向の総合的な判定を行
なう第２ニユーラルネツトであり、８８は高炉垂直方向
のガス流分布を判定する第１ニューラルネット８１，８
６の判定結果を基に高炉垂直方向の総合的な判定を行な
う第２ニユーラルネツトであり、８９は第２ニユーラル
ネツト８７．８８の判定結果を基に総合的な判定を行な
う第２ニユーラルネツトである。その構造とテスト結果
を表３に示す。正解率９５％と高いので十分に実機化す
ることが可能なレベルにある。

表３ （実施例３） 第１図および第２図の計算機で実現したパターン判定シ
ステムを第９図に示ずゾンデ７０．７１から得られるデ
ータの総合判定に適用した。シャフト上部ゾンデ、シャ
フト中部ゾンデの代表パターンをそれぞれ第１２図、第
１３図に示す。このときのニューラルネットの構造を第
５図（Ｂ）に示す。８４．８５．９０．９１はそれぞれ
各センサのデータパターンを判定する第１ニユーラルネ
ツトであり、９２は各ゾンデの温度データを基にガス流
分布を判定する第１ニユーラルネツト８４．８５の判定
結果から、温度パターンの総合的な判定を行なう第２ニ
ユーラルネツトであり、９３は各ゾンデのガス利用率デ
ータを基にガス流分布を判定する第１ニユーラルネツト
９０．９１の判定結果から、ガス利用率パターンの総合
的な判定を行なう第２ニユーラルネツトであり、９４は
第２ニユーラルネツト９２．９３の判定結果を基に総合
的な判定を行なう第２ニユーラルネツトである。

その構造とテスト結果を表４に示す。

表４ （効果］ 本発明は、大規模モデルの１つである高炉の各部位に設
置された複数のパターン測定センサからの測定パターン
を所定のタイミングで取り込み、複数のニューラルネッ
トを多段階構成として用いてパターン判定することで、
データの欠落やノイズなどの影舌を受けに（く、かつ、
オペレータの今までの経験と一致する判定結果を与える
パターン自動総合判定が可能となる。これによって、オ
ペレータの９、荷が軽減されて操業に専念できるように
なるとともに、高炉の自動運転システムおよび自動制御
と組み合わせて自動化範囲を格段と広げられるばかりで
なく、精度向上、応答性向上、オペレータのミス防止お
よびオペレータの個人差の低減に役立つものである。

【図面の簡単な説明】

第１図は本発明の代表的な実施例におけるシステム構成
図であり、 第２図は本発明の代表的な実施例における計算機で実現
した場合のハードウェア構成図である。 第３図ａ）は本発明の代表的な実施例にあたるシステム
構成図における処理フロー図であり、同図ｂ）は同図ａ
）におけるパターン判定の詳細な処理フロー図である。 第４図（Ａ）は本発明を高炉半径方向のデータと垂直方
向のデータに適用したニューラルネットの構造図であり
、第４図（Ｂ）はその詳細構造図である。 第５図（八）は温度、圧力、ガス成分のようにセンサの
機能毎に判定した後、総合判定するニューラルネットの
構造図であり、第５図（Ｂ）は本発明をシャフトを部ゾ
ンデとシャフト中部ゾンデの温度データとガス利用率デ
ータに適用したニューラルネットの構造図である。 第６図は本発明を適用した代表的な実施例であり、空間
データと時系列データから総合的な炉内のガス流分布を
判定するニューラルネットの構造図である。 第７図ａ）は階層型ニューラルネットの構造を表わし、
同図ｂ）はユニットの詳細構造を表わし、そして同図Ｃ
）はユニットの入出力関係図である。 第８図は表１の例を従来イメージにて作成したニューラ
ルネットの構造図である。 第９図は本発明を適用した高炉のセンサの配置図を示し
たものである。 第１０図はステーブ温度計から得られるデータの高炉垂
直方向のパターン例である。 第１１図はステーブ温度計から得られた時系列パターン
例である。 第１２図はシャフトＥ部ゾンデ測定装置による測定デー
タで、同図ａ）は８点のガス温度パターン例、同図ｂ）
はガス利用率測定データである。 第１３図はシャフト中部ゾンデ測定装置による測定デー
タで同図ａ）は８点のガス温度パターン例、同図ｂ）は
ガス利用率測定データ例である。 第１４図は高炉炉壁の圧力計から得られるデータの高炉
垂直方向のパターン例である。 １０は高炉、２０はパターン自動判定装置、２１はパタ
ーン要素データ入力装置、２２はデータ処理装置、２３
はデータ記憶装置、２４は第１ニユーラルネツト、２５
は第２ニユーラルネツト、３０は入力層、３１．３２は
中間層、３３は出力層、３４はユニット、３５はユニッ
ト間の重み係数、４１は表示装置、４２は他のシステム
、５０は［パターンデータ、５１はインタフェース装置
、５２はＣＰＵ、５３はＲＯＭ、５４はＲＡＭ。 ５５はＣＲＴ、５６はインタフェース装置、７０はシャ
フト上部ゾンデ、７１はシャフト中部ゾンデ、７２は高
炉炉壁のステーブ温度計、７３は高炉炉壁の圧力計、８
１はステーブ温度垂直方向パターン判定用ニューラルネ
ット、８２はステーブ温度時系列パターン判定用ニュー
ラルネット、８３は総合判定用ニューラルネット、８４
はシャフトヒ部ゾンデガス利用率パターン判定用二エー
ラルネット、８５はシャフト中部ゾンデガス利用率パタ
ーン判定用二エーラルネット、８６は、炉壁圧力垂直方
向パターン判定用ニューラルネット、８７は半径方向総
合パターン判定用ニューラルネット、８８は垂直方向総
合パターン判定用ニューラルネット、８９は総合判定用
ニューラルネット、９０はシャフト上部ゾンデ温度パタ
ーン判定用ニューラルネット、９１はシャフト中部ゾン
デ温度パターン判定用ニューラルネット、９２は温度パ
ターン総合判定用ニューラルネット、９３は力゛ス利用
率パターン総合判定用ニューラルネット、９４は総合判
定用ニューラルネットである。 ａ）全体ツク− 第２図 ｂ）パターン判定の詳細７０− 嶺能別叱合判定用二轟−ラルネットの構造図第５図 ＡＩ 空間データと時系列データ別総合判定用品エーラルネッ
ト僕造区 Ｎ６図 機能別総合判定用品エーラルネットの構造口Ｎｓ図 １Ｂ） ０ １ ２ ３ ａ）階層型二為−ラルネット ５ 第７図 従来イメ ジの二島−ラルネクｚ＋を造図 Ｍ８図 時間 ステーブ＠変計の時系列バタ ノヤ７ト上部ゾ／デパターノ

Claims (1)

1. 【特許請求の範囲】 １、高炉に設置された複数のセンサと、 そのセンサからの測定パターン要素データを取り込んで
   所定のタイミングで出力するパターン要素データ入力手
   段と、 前記パターン要素データ入力手段からの各センサ毎の信
   号を入力して、それぞれ予め定められたパターンに判定
   する階層型の第１のニューラルネット手段と、 前記第１のニューラルネット手段からの出力信号を入力
   して予め定められた総合パターンに判定する階層型の第
   ２のニューラルネット手段を含むことを特徴とする高炉
   パターンデータの総合判定システム。 ２、高炉に設置された複数のセンサと、 そのセンサからの測定パターン要素データを取り込むパ
   ターン要素データ入力手段と、前記パターン要素データ
   入力手段からの出力信号を正規化処理などの信号処理を
   行なって、所定のタイミングで出力する信号処理手段と
   、 前記信号処理手段からの各センサ毎の信号を入力して、
   それぞれ予め定められたパターンに判定する階層型の第
   １のニューラルネット手段と、前記第１のニューラルネ
   ット手段からの出力信号を入力して予め定められた総合
   パターンに判定する階層型の第２のニューラルネット手
   段を含むことを特徴とする高炉パターンデータの総合判
   定システム。 ３、高炉に設置された複数のセンサと、 そのセンサからの測定パターン要素データを取り込むパ
   ターン要素データ入力手段と、 前記パターン要素データ入力手段からの出力信号を一時
   記憶するデータ記憶手段と、 前記データ記憶手段からの各センサ毎の信号を入力して
   それぞれ予め定められたパターンに判定する階層型の第
   １ニューラルネット手段と、その第１ニューラルネット
   手段からの信号を入力して総合パターンに判定する階層
   型の第２ニューラルネット手段を含むことを特徴とする
   高炉パターンデータの総合判定システム。 ４、高炉に配置された複数のセンサと、 そのセンサからの測定パターン要素データを取り込むパ
   ターン要素データ入力手段と、 前記パターン要素データ入力手段の出力信号を正規化処
   理、信号加工などの信号処理を行なう信号処理手段と、 前記信号処理手段の出力信号を一時記憶するデータ記憶
   手段と、 前記データ記憶手段からの各センサ毎の信号を入力して
   それぞれ予め定められたパターンに判定する階層型の第
   １ニューラルネット手段と、その第１ニューラルネット
   手段からの信号を入力して総合パターンに判定する階層
   型の第２ニューラルネット手段を含むことを特徴とする
   高炉パターンデータの総合判定システム。 ５、複数個のセンサに関する前記第１ニューラルネット
   手段からの信号を入力して組合せパターンに判定する階
   層型の中間ニューラルネット手段と、 前記中間ニューラルネット手段または前記第１のニュー
   ラルネット手段および前記中間ニューラルネット手段か
   らの信号を入力して総合パターンに判定する階層型の第
   ２ニューラルネット手段を含むことを特徴とする請求項
   １ないし４のいずれかに記載の高炉パターンデータの総
   合判定システム。 ６、前記中間ニューラルネット手段を多段に設けること
   を特徴とする請求項５に記載の高炉パターンデータの総
   合判定システム。 ７、測定パターンデータが空間パターンである前記セン
   サに対する第１ニューラルネット手段からの出力信号を
   入力して予め定められた総合空間パターンに判定する中
   間ニューラルネット手段を含むことを特徴とする請求項
   ５または６に記載の高炉パターンデータの総合判定シス
   テム。 ８、測定パターンデータが時系列パターンである前記セ
   ンサに対する第１ニューラルネット手段からの出力信号
   を入力して予め定められた総合時系列パターンに判定す
   る中間ニューラルネット手段を含むことを特徴とする請
   求項５または６に記載の高炉パターンデータの総合判定
   システム。 ９、測定パターンデータが高炉の半径方向パターンであ
   る前記センサに対する第１ニューラルネット手段からの
   出力信号を入力して予め定められた総合半径方向パター
   ンに判定する中間ニューラルネット手段を含むことを特
   徴とする請求項５ないし７のいずれかに記載の高炉パタ
   ーンデータの総合判定システム。 １０、測定パターンデータが高炉の炉高方向パターンで
   ある前記センサに対する第１ニューラルネット手段から
   の出力信号を入力して予め定められた総合炉高方向パタ
   ーンに判定する中間ニューラルネット手段を含むことを
   特徴とする請求項５ないし７のいずれかに記載の高炉パ
   ターンデータの総合判定システム。 １１、機能が同等の前記センサに対する第１ニューラル
   ネット手段からの出力信号を入力して予め定められた総
   合機能パターンに判定する中間ニューラルネット手段を
   含むことを特徴とする請求項５または６に記載の高炉パ
   ターンデータの総合判定システム。 １２、前記機能が温度測定であることを特徴とする請求
   項１１に記載の高炉パターンデータの総合判定システム
   。 １３、前記機能が圧力測定あるいはガス成分測定である
   ことを特徴とする請求項１１に記載の高炉パターンデー
   タの総合判定システム。