JPH0445209A

JPH0445209A - 高炉装入物分布制御方法

Info

Publication number: JPH0445209A
Application number: JP14990890A
Authority: JP
Inventors: Yuunosuke Maki; 牧　勇之輔; Yasuo Masuda; 増田　康男; Takashi Kobayashi; 敬司小林
Original assignee: Kawasaki Steel Corp
Current assignee: JFE Steel Corp
Priority date: 1990-06-11
Filing date: 1990-06-11
Publication date: 1992-02-14
Anticipated expiration: 2011-06-12
Also published as: JP2506485B2

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、高炉操業におけるステーブ熱負荷を安定に管
理範囲内に維持し、適切なガス流れ分布を確保すること
を目的とする１ペルレス高炉装入物分布制御方法に関す
る。

［従来の技術］１ペルレス高炉において、炉体熱負荷すなわち炉内ガス
流れ′を管理する方法としては、従来一般に高炉オペレ
ータが高炉に設置された種々のセンサからの情報を定性
的に判定して、炉内ガス流れ、炉体熱負荷の評価を行い
、経験的に旋回シュートの傾動パターンの変更を行うと
いう方法がとられているが、その評価の結果にはオペレ
ータの能力や経験等による個人差があり、操業アクショ
ンの基準化が難しいと共に評価が定量的でないため、操
業解析が難しいという問題点があった。

このような問題を解決するため、特開昭５８−８７２０
９号公報に開示されているように、炉内ガス流れを定量
評価し、旋回シュート傾動ポジションを変更する方法が
提案されている。このペルレス高炉の原料装入方法は各
種センサ情報から炉内ガス流分布におけるガス流れを中
心流、中間流、炉壁流に分別した上でそれらをそれぞれ
三角形の頂点に配し、かつこれらの中心流〜中間流間の
辺と炉壁流〜中間流間の辺とに旋回数Ｎと傾動角θの組
合せにかかる旋回シュート傾動ポジションの指数を目盛
った装入パターン表示三角ダイヤグラムを作成し、現在
の原料分配位置をこの三角ダイヤグラム上に表示させる
一方、そのダイヤグラム表示に基すき炉体熱負荷、ガス
温度、ガス利用率に代表される炉況指数との対応におい
て次回装入パターンを決定し、旋回シュートを調整して
装入を行い、ペルレス高炉の適切なガス流れ分布が実現
されている。

［発明が解決しようとする課題］特開昭５８−８７２０９号公報の方法では、測定時のセ
ンサ情報だけでガス流れが判定されており過去にオペレ
ータが行った旋回シュートの調整により炉内ガス流れの
変化等についての調整効果の把握がなされておらず、依
然として最終的な調整判断はオペレータにまかされてい
た。また、このような分布制御は、オペレータの知識を
具現化することによってはじめて可能となるものであり
、そのために現在ではＡＩ技術を適用したエキスパート
システムを構築する方法もある。　しかし、前述のよう
にオペレータの知識は複雑多岐に亘っており、またその
知識は定性的であるため知識を抽旧することが困難で、
従来オペレータが行っていた操業の代りとなるシステム
にはなり難いという問題点があった。

本発明はこのような従来の技術を階層型ニューラルネッ
トワークを利用して合理的に構成した高炉装入物分布制
御方法を提供することを目的とする。

［課題を解決するための手段〕本発明の第１の発明は、１ペルレス式高炉の旋回シュー
ト傾動パターンを炉内ガス流れ状況に基づいて設定変更
する次の技術手段によって構成された高炉装入物分布制
御方法である。

■　ステーブ熱負荷、ステーブレンガ温度、固定ゾンデ
温度分布シャフトガス利用率分布等の各種データを入力
層とし、各旋回毎の傾動角パターンを平均化した平均傾
動角を出力層とする２層以上の階層型ニューラルネット
ワークを構成する。

■　このニューラルネットワークを事前に学習させて最
適な相互結合係数を決定しておく。

■　高炉に設置された前記各種センサデータを所定のタ
イミングでデータ入力手段に入力し、該データを基にそ
れぞれ現在値及び変化量を示すデータ、例えば現在値′
と数日前のデータとの差異などのようなオペレータの判
断基準に合致するような加工データに加工処理する。

■　前記ニューラルネットワークを利用して実際のセン
サデータや操作データを基にリアルタイムで平均傾動角
を算出し、自動的にその値になるように制御する。

また、本発明の第２の発明は上記第１の発明方法の出力
を直接傾動角パターンノツチ数としたもので、ネットワ
ークの構造は異なるが他は同様である。第１の発明では
算出した平均傾動角をさらに各旋回毎の傾動角パターン
に変換する必要があるが第２の発明ではそれが不要で直
接操作出力値を求めることができる。

〔作用〕

本発明のポイントは従来入出力関係が不明確であったガ
ス流れ情報とシュート傾動パターンの関係をニューラル
ネットワークを用いて熟練オペレータを教師として事前
に学習させることによって、アクション量、操作タイミ
ングをより適切かつ正確なものとしたことにある。

本発明の作用は、各種の高炉操業データから前述の手段
によって、旋回シュート平均傾動角或は各旋回毎の傾動
角パターンをリアルタイムで決定して制御することであ
る。

［実施例］以下本発明の実施例を図面に基づいて説明する。第１図
は本願発明を実現させるためのシステム構成例である。

高炉１へは旋回シュート２を利用して原料であるコーク
スと鉱石が交互に供給されている。旋回シュート２は第
４図に示すように回転と傾動が任意に可能な自由度の高
い装入装置である。通常約１４旋回で炉内へ１バッチ分
の原料を装入することができるように上部バンカからの
排出速度が調整されている。また、旋回シュートは各旋
回毎に傾動角を変更することができる。図に示すように
角度をあるノツチ数でわかりやすくして定義しておき、
第１〜１４旋回についてそれぞれノツチ数を設定すれば
、第１図の旋回シュート制御装置が作動して設定通りの
回転・傾動が可能なようになっている。

高炉のプロセスコンピュータ３は炉内各所の検出端情報
９を集中的に管理する機能を持っている。したがって、
本発明に必要なすべての測定データやそれらを基に計算
された操業データ類はすべてこのプロセスコンピュータ
３に一定期間過去のデータも含めて記憶されている。本
発明を実行する専用コンピュータ４は前記各データ９の
入力手段５とそれらを加工処理するデータ加工処理手段
６及びニューラルネットワーク７を含むアクション決定
手段を持ち、決定した装入物分布アクション（旋回シュ
ートの傾動パターン）は専用コンピュータ４から旋回シ
ュート制御装置８へ与えられる。

以上が本発明を実施するための具体的構成例である。コ
ンピュータ３と４は同一装置でもよい。

本発明のプログラムは高炉へ原料を装入するタイミング
（数分間）毎に作動する。

次に詳細な実施例を説明する。データ入力手段５がプロ
セスコンピュータ３から入力するデータは下記の通り。

（ａ）ステーブ熱負荷ニステープから抜熱される熱量を示すデータ（ｂ）ガスサ
ンプラＮ　１〜Ｎ　１０ガスサンプラで測定された高炉シャフト部ガス利用率分
布である。Ｎの添字は半径方向の位置を示すもので、１
が中心側、１０が炉壁側である。

ガス利用率Ｎ値の定義はｃｏ＋ｃｏ２である。

（ｃ）固定ゾンデ温度Ｔ１〜Ｔ６　：固定ゾンデで測定された半径方向ガス温度分布であり、
Ｔ１が中心側、Ｔ６が炉壁側である。

（ｄ）シャフト圧損：シャフト部上段と下段に設置された圧力計の測定値の差
である。

（ｅ）Ｌｏ／Ｌｃ：原！４装入直前と直後のサウンジング降下距離から求め
た鉱石層厚（Ｌｏ）とコークス層厚（Ｌｃ）の比である
。

（ｆ）疎密指数：１Σ（（差損間隔）−（計算上のチャージ必要時間））（ｇ）プロフィール計炉壁フラット部長さ（Ｌ）と傾斜
角（θ）プロフィール計で測定された装入物表面形状を第５図に
示すように指数化したものである。

（ｈ）過去のアクション履歴：過去数日分とったアクションなＣＰＩ指数で定量化した
ものである。

これらのデータはどれも時系列データである。

それぞれの１日平均値に対して、現在値＝最新の１日平均値変化量＝（同上）−（７日前の１日平均値）を求める。

これらのデータの現在値及び過去数日分の時系列データ
をデータ入力手段がサンプルし、次のデータ加工手段へ
渡す。データ加工手段では前記データのうちのいくつか
を用いて次のような加工処理をする。

（ｉ）固定ゾンデ中心温度のシャープさを示すデータと
して（ｉｉ）壁側の温度分布を定量化するデータとしてＴｔ
；−Ｔｍｉｎただし、Ｔｍ１ｎとはＴ１〜Ｔ６の最小値を算出し、さ
らに上記Ｔ１−Ｔ２　、Ｔ６−ＴｍＬｎを含めて入力手
段を集めた各データが過去数日前から現在までの間にど
れだけ変化したかを示す変化量を求める。変化量は本例
では７日前の日毎平均値と最新１日分の平均値の差とし
て定義した。

第１表に本システムに基（操業前後におけるステーブ熱
負荷とＴ６−Ｔｍｉｎのばらつきを比較して示す。ばら
つきは±２０で評価した。

従来よりアクションがきめ細かく、かつタイムリーにな
ったため、ばらつきが減少したものと考えられる。

第表なお、ここに示した加工処理方法は１例であり、オペレ
ータがガス流分布を歓測し、判定するのに使っている情
報なら何でも構わない。

加工処理したデータはニューラルネットワーク７へ渡さ
れる。第１の発明に対応するネットワークを第２図に、
第２の発明に対応するネットワークを第３図に示す。

これらの実施例ではネットワークは３層構造とし、中間
の隠れ層を１層設けた。隠れ層のユニット数は任意であ
るが本例では１０〜５ユニツトで十分機能する。ユニッ
トの内部関数は入力層はスルー、隠れ層と出力層はシグ
モイド関数とした。

また、層構造とは独立にバイアスユニットをひとつ設は
常に出力＝１とし、隠れ層と出力層各ユニッ）・とりシ
フさせた。これによりスカッシンク関数のしきい値も学
習が可能である。

まずこのネットワークは熟練オペレータの実アクション
をもとに参照入力とその時の教師出力を何パターンか与
えパックプロパゲーション法によって学習させる。学習
後のネットワークにリアルタイムで加工処理手段から渡
されたデータを入力し認識計算させその結果を出力する
。

第２図のニューラルネットワークを例にとってさらに具
体的に説明する。

入力贋者ユニットは、第２図中に示すように加工処理で
求めた下記データが割付けられている。

○　ステーブ熱負荷の現在値 ○　ステーブ熱負荷の変化量 ○　ガスサンプラＮ１の現在値 ○　ガスサンプラＮ、の変化量Ｏパターン変更履歴を１数第６図に、これらの入力データと、出力である平均傾動
角のトレンドグラフを示す。入力データは数多くあるの
で変化の大きかったいくつかを選択して取上げた。炉壁
流化が進み、平均傾動角を小さくする（中心流化アクシ
ョンに相当する）指示をニューラルネットが出しており
、その結果炉壁流が抑えられ適正なガス流分布とするこ
とができた例である。

第３図は傾動パターン設定が結果として出力されている
ようにネットワークが形成されている。

［発明の効果］本発明によって１ペルレス高炉の旋回シュート傾動パタ
ーン設定が自動化され、従来よりも的確でタイムリーな
アクションが可能になり従ってステーブ熱負荷やガス流
分布が安定に維持できるようになった。

また、従来オペレータが手動で操作していたものを自動
化できたことによりオペレータの負荷が飛躍的に向上し
た。

【図面の簡単な説明】

第１図は本発明の実施例のブロック図、第２図、第３図
はニューラルネットワークのシステム図、第４図は１ペ
ルレス装入パターンのダイヤグラム、第５図はプロフィ
ール計データの処理の説明図、第６図は効果の比較を示
すグラフである。１・・・高炉２・・・旋回シュート３・・・プロセスコンピュータ４・・・専用コンピュータ５・・・データ入力手段６・・・データ加工処理手段７・・・ニューラルネットワーク８・・・旋回シュート制御装置９・・・各種センサ

Claims

【特許請求の範囲】１　ペルレス式高炉の旋回シュート傾動パターンを炉内
ガス流れ状況に基づいて設定変更する装入物分布制御方
法において、ステーブ熱負荷、ステーブレンガ温度、固定ゾンデ温度
分布、シャフト部ガス利用率分布等の各種データを入力
層とし、各旋回毎の傾動角パターンを平均化した平均傾
動角を出力層とする２層以上の階層型ニューラルネット
ワークを構成し、前記ニューラルネットワークを事前に学習させて最適な
相互結合係数を決定しておき、高炉に設置された前記各
種センサデータを所定のタイミングでデータ入力手段に
入力し、該データをもとにそれぞれ現在値及び変化量を
示す加工データに加工処理し、該加工データをもとに前記ニューラルネットワークを利
用してリアルタイムで平均傾動角を算出し自動的にその
値で制御することを特徴とした高炉装入物分布制御方法
。２　ニューラルネットワークの出力層各ユニットを各旋
回毎の傾動角パターンノッチ数としたことを特徴とする
請求項１記載の高炉装入物分布制御方法。