JPH0641625A - 転炉出鋼リン濃度の推定方法 - Google Patents

Abstract

(57)【要約】 【目的】 転炉操業時において、経時的に操業条件等に
変化が生じる場合でも溶鋼に含有されているリンの濃度
を常に高精度に推定する。 【構成】 転炉出鋼までの操業情報 t₃ 〜 t_n と、出鋼
時における溶鋼温度 t₁及び溶鋼中酸素量 t₂ とを入力
とし、出鋼時における溶鋼中リン濃度［Ｐ］を出力とす
る３層ニューラルネットワークを構築し、該ニューラル
ネットワークを用いて出鋼リン濃度を推定する。又、実
際に操業した際の、転炉出鋼までの操業情報と、出鋼時
における溶鋼温度及び溶鋼中酸素濃度と、出鋼時におけ
る溶鋼中リン濃度の分析結果を用いて上記ニューラルネ
ットワークの学習を行い、該ニューラルネットワークを
構成するユニット間の結合係数Ｗij、Ｗj ′（i ＝１〜
n 、j ＝１〜m ）を修正する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、転炉出鋼リン濃度の推
定方法、特に転炉出鋼時の溶鋼中に含有されているリン
（Ｐ）の濃度を精度良く推定することができる、転炉出
鋼リン濃度の推定方法に関する。

【０００２】

【従来の技術】転炉吹錬では、吹錬終了時における溶鋼
の温度や成分が目標範囲内に収まるようにすることが重
要である。そこで、転炉操業時には、メインランスから
送り込まれる高圧酸素により脱炭素昇温反応を進めると
共に、ランスの高さを調整する等により、溶鋼の温度や
成分の制御を行っている。又、その際には、吹錬中にサ
ブランスを炉内に挿入して溶鋼の温度や成分を測定し、
その結果に基づいて制御量を修正することによりこれら
溶鋼の温度や成分を目標値に到達させるようにしてい
る。

【０００３】ところで、溶鋼成分の中では特に有害成分
であるリンの濃度が所定値以内にあることが製品品質と
して要求される。転炉終点におけるリン濃度の確認は、
従来、吹き止めと共に一度傾炉し、サンプルを採取して
分析する方法が一般に行われている。ところが、この方
法では、吹き止めから出鋼までに時間がかかりすぎるた
め、生産効率が悪い等の問題がある。

【０００４】そこで、上記問題を避けるために無倒炉出
鋼が行われており、この方法の場合には溶鋼中の成分濃
度を推定することが行われる。例えば、特開平２−３４
７１３号公報には、溶鋼中リン濃度に関係する各種操炉
条件についての条件部メンバーシップ関数、その帰結部
メンバーシップ関数を用いるファジー理論によりリン濃
度を推定する方法が開示されている。

【０００５】又、特開平２−１５９３１４号公報には、
転炉吹練終了時の溶鋼温度及び溶鋼中酸素量の各測定値
と、既知の溶銑成分、主原料配合割合、媒溶剤配合割合
から溶鋼中リン量と溶鋼中炭素量とを同時に実験式によ
り演算推定し、これら推定値に基づいて出鋼判断を行う
と共に、サブランス測定時の実測値と前記実験式による
推定値とを比較して次回以降の推定時に演算補正を行
う、転炉吹練における吹き止め成分推定法が開示されて
いる。

【０００６】

【発明か解決しようとする課題】しかしながら、前記特
開平２−３４７１３号公報に開示されている方法には、
経験則に頼りすぎるために推定精度が悪く、その上、推
定ロジックを修正する機能がないため、推定精度を維持
することができない等の問題がある。

【０００７】又、前記特開平２−１５９３１４号公報に
開示されている方法には、前記の如く、実験式により溶
鋼中リン量を演算推定し、この推定値と実際のサンプル
の分析値とを比較して推定値に対する補正値を求め、こ
の補正値により次回以降の演算の補正を行うようにして
いるので、前記特開平２−３４７１３号公報に開示され
ている方法に比べて精度的に優れているものの、前記実
験式は過去のデータを統計処理して求めた回帰式から成
り立っており、又、前記補正は定数項についてのみ行う
もので、回帰係数やモデル式の構成自体を見直すもので
はないので、精度維持の点で問題が残る。

【０００８】本発明は、前記従来の問題点を解決するべ
く成されたもので、経時的に操業条件等に変化が生じる
場合でも、出鋼時の溶鋼に含有されているリンの濃度を
常に高精度に推定することができる転炉出鋼リン濃度の
推定方法を提供することを第１の課題とする。

【０００９】本発明は、又、経時的に操業条件等に変化
が生じる場合でも、出鋼時の溶鋼に含有されているリン
の濃度を常に実操業で要求される適切な精度で、しかも
短時間で推定することができる転炉出鋼リン濃度の推定
方法を提供することを第２の課題とする。

【００１０】

【課題を解決するための手段】本第１発明は、転炉出鋼
までの操業情報と、出鋼時における溶鋼温度及び溶鋼中
酸素濃度とを入力とし、出鋼時における溶鋼中リン濃度
を出力とするニューラルネットワークを構築し、該ニュ
ーラルネットワークを用いて転炉出鋼リン濃度を推定す
るに際し、実際に操業した際の、転炉出鋼までの操業情
報と、出鋼時における溶鋼温度及び溶鋼中酸素濃度の実
測値と、出鋼時における溶鋼中リン濃度の分析結果とを
用いて上記ニューラルネットワークの学習を行い、該ニ
ューラルネットワークを構成するユニット間の結合係数
を修正することにより、前記第１の課題を達成したもの
である。

【００１１】本第１発明は、又、前記転炉出鋼リン濃度
の推定方法において、ニューラルネットワークの学習に
際し、前処理として、出鋼時の溶鋼中リン濃度を、所定
の差幅で設定された複数の階級に分割し、出鋼時におけ
る溶鋼中リン濃度の分析結果が該当する階級の実績頻度
が少ない場合には、その階級に該当する操業実績データ
をコピーにより複製を作って増やし、階級毎の学習デー
タの度数分布がほぼ均一となるように、予め学習データ
の度数分布均一化処理を行うものである。

【００１２】本第２発明は、転炉出鋼までの操業情報
と、出鋼時における溶鋼温度及び溶鋼中酸素濃度とを入
力とし、出鋼時における溶鋼中リン濃度を出力とするニ
ューラルネットワークを構築し、該ニューラルネットワ
ークを用いて転炉出鋼リン濃度を推定するに際し、出鋼
時の溶鋼中リン濃度を、所定の差幅で設定された複数の
階級に分割し、上記ニューラルネットワークの出力層
を、上記階級の数と同数のユニットで構成すると共に、
出力層を構成する各ユニットから、それぞれ対応する階
級を選択する基準である優先選択指標数が出力されるよ
うに、実際に操業した際の、転炉出鋼までの操業情報
と、出鋼時における溶鋼温度及び溶鋼中酸素濃度の実測
値と、出鋼時における溶鋼中リン濃度の分析結果とを用
いて上記ニューラルネットワークの学習を行い、該ニュ
ーラルネットワークを構成するユニット間の結合係数を
修正することにより、前記第２の課題を達成したもので
ある。

【００１３】本第２発明は、又、前記転炉出鋼リン濃度
の推定方法において、ニューラルネットワークの学習に
際し、出鋼時における溶鋼中リン濃度の分析結果が該当
する階級のユニットに優先選択指標数１を、それ以外の
階級のユニットには優先選択指標数０を、それぞれ教師
データとして入力し、各出力ユニットが０から１迄の優
先選択指標数を出力するようにしたものである。

【００１４】本第２発明は、又、前記転炉出鋼リン濃度
の推定方法において、ニューラルネットワークの学習に
際し、前処理として、出鋼時における溶鋼中リン濃度の
分析結果が該当する階級の実績頻度が少ない場合には、
その操業実績データをコピーにより複製を作って増や
し、階級毎の学習データの度数分布がほぼ均一になるよ
うに、予め学習データの度数分布均一化処理を行うもの
である。

【００１５】

【作用】本第１発明においては、前記ニューラルネット
ワークを用いて出鋼時における転炉出鋼リン濃度を推定
するようにしたので、エキスパートシステムでメンバー
シップ関数を用いて推論するファジー理論を採用する場
合に比べ、人間の経験則や主観が入らない上に、線形、
非線形を問わずモデル化が可能であるため、重回帰等の
統計的手法よりも精度的に優れていることから極めて高
精度な推定が可能となる。

【００１６】又、実際の操業実績に基づいてニューラル
ネットワークに対して学習を行い、機能修正するように
したので、予測対象の変化に追従することが可能とな
り、常に高精度に推定することが可能となる。

【００１７】又、本第１発明において、上記ニューラル
ネットワークの学習に際し、前処理として、出鋼時の溶
鋼中リン濃度を、所定の差幅で設定された複数の階級に
分割し、出鋼時における溶鋼中リン濃度の分析結果が該
当する階級の実績頻度が少ない場合には、その階級に該
当する操業実績データをコピーにより複製を作って増や
し、階級毎の学習データの度数分布がほぼ均一となるよ
うに、予め学習データの度数分布均一化処理を行う場合
には、実績頻度の少ない階級に属する操業パターンに対
する推定精度を向上させる上で極めて効果的である。

【００１８】本第２発明においては、ニューラルネット
ワークを用いて出鋼時における転炉出鋼リン濃度を推定
するに際し、出鋼時の溶鋼中リン濃度を、所定の差幅で
設定された複数の階級に分割し、上記ニューラルネット
ワークの出力層を、上記階級の数と同数のユニットで構
成すると共に、出力層を構成する各ユニットから、それ
ぞれ対応する階級を選択する基準である優先選択指標数
が出力されるように、前記第１発明の場合と同様に学習
を行い、ユニット間の結合係数を修正するようにしたの
で、階級の差幅を実操業の要求精度に応じて設定するこ
とにより、予測対象の変化に追従しながら、実際に見合
った所望の精度で転炉出鋼リン濃度の推定を短時間で実
行することが可能となる。

【００１９】従来の回帰式に基づいた出鋼リン濃度の推
定方法では、出鋼時のリン濃度を数値計算で求めていた
ので、得られる値に上下限があるにせよ、その範囲内で
計算可能な桁数分の答えを連続量（値）として出すこと
ができる。ところが、回帰式を用いる場合は、前述した
如く、操業条件の経時変化に追従できないために精度上
の問題がある上に、仮に正確な数値が得られたとして
も、実操業では、出鋼後の成分修正精度が、例えば０．
００１％以上要求されない場合や、要求されても実現不
可能な場合がある。

【００２０】従って、連続値を出力するモデルで精度が
０．００１％を下回るよりも、出鋼時に予想される範囲
のリン濃度を所定の差幅で分割して得られる数値幅に対
応した階級を正しく推定し、精度が０．００１％以上悪
くならないようにすることが効率的である場合がある。
本第２発明によれば、階級を適切な数値の差幅で設定
し、その階級を選択するようにしたことによって実際に
即した出鋼時の溶鋼中リン濃度の推定を計算機によって
実現することが可能となる。

【００２１】又、上記のようにニューラルネットワーク
を用いることにより、人間の経験則や主観が入ることが
ない上に、線形、非線形を問わずモデル化が可能である
ため、重回帰等の統計的手法よりも精度的に優れてお
り、この点からも極めて高精度な推定が可能となる。

【００２２】本第２発明で、出力層のユニット数、即ち
階級の数は、出鋼時に予想される最大範囲のリン濃度
を、例えば等分割して決めるが、その際の幅（階級の差
幅）は、出鋼時の溶鋼リン濃度の許容誤差、副原料計量
・投入設備それぞれの制御精度や計量精度、オペレータ
の経験的知識等から総合的に判断して決定される。

【００２３】又、本第２発明において、ニューラルネッ
トワークの学習に際し、出鋼時における溶鋼中リン濃度
の分析結果が該当する階級のユニットに優先選択指標数
１を、それ以外の階級のユニットには優先選択指標数０
を、それぞれ教師データとして入力し、各出力ユニット
が０から１迄の優先選択指標数を出力するようにした場
合には、これら出力層ユニットには、０から１までの優
先選択指標数を出力するようにし、出力された優先選択
指標数の中で最大値（１に最も近い値）を出力した階級
を、該当する答とすることが可能となる。従って、その
幅の中から、その代表値、例えば中央値を選んでそれを
出鋼時の推定リン濃度として決定することが可能とな
る。

【００２４】又、本第２発明において、上記学習に際
し、前処理として、出鋼時における溶鋼中リン濃度の分
析結果が該当する階級の実績頻度が少ない場合には、そ
の操業実績のデータをコピーにより複製を作って増や
し、階級毎の学習データの度数分布がほぼ均一になるよ
うに、予め学習データの度数分布均一化処理を行う場合
には、実績頻度の少ない階級に属する操業パターンに対
する推定精度を向上させる上で極めて効果的である。

【００２５】なお、本発明において転炉出鋼迄の操業情
報とは、溶鋼中リン濃度に影響する種々の情報であり、
例えば、最初に転炉に仕込む主・副原料の成分組成や配
合量、吹錬開始から出鋼迄の間に、転炉内に投入する造
滓剤、鉄鉱石、屑鉄等の主・副原料の成分組成や投入時
期、投入量、酸素ガス吹込量等である。

【００２６】

【実施例】以下、図面を参照して本発明の実施例を詳細
に説明する。

【００２７】図１は、本発明係る第１実施例に適用可能
なニューラルネットワークの構成の概略を示す線図であ
り、該ニューラルネットワークは入力層、中間層及び出
力層の３層で構成されている。

【００２８】図２は、本実施例に適用される装置構成の
概略を示す説明図である。図２中符号１０は、底吹転炉
であり、該転炉１０におけるプロセス情報がプロセス計
算機１２に入力されるようになっている。このプロセス
計算機１２には以下詳細に説明するニューラルネットワ
ークが構築されており、該プロセス計算機１２において
オンライン入力されるプロセス情報を上記ニューラルネ
ットワークに入力することにより推定値としての出鋼リ
ン濃度［Ｐ］が出力されるようになっている。

【００２９】又、上記プロセス計算機１２は、学習用サ
ーバ１４が連結されており、該学習用サーバ１４におい
てプロセス計算機１２からプロセス情報を収集し、その
情報を用いてニューラルネットワークの自己学習を行っ
て修正情報を算出し、該修正情報に基づいてプロセス計
算機１２内のニューラルネットワークの重み係数の修正
を行うようになっている。

【００３０】上記ニューラルネットワークは、入力層
が、n 個の入力ユニットＩi （i ＝１〜n ）で、中間層
がm 個の中間ユニットＨj （j ＝１〜m ）で、出力層が
１つの出力ユニットＯでそれぞれ構成されている。

【００３１】このニューラルネットワークでは、n 個の
入力ユニットＩi それぞれが、m 個の中間ユニットＨj
の全てにそれぞれ異なる重み係数Ｗij（i ＝１〜n ，j
＝１〜m ）で結合されている。即ち、入力ユニットＩ1
の場合は、中間ユニットＨ1〜Ｈm のそれぞれに対して
重み係数Ｗ11〜Ｗ1mで結合され、図示はしていないが入
力ユニットＩ2 〜Ｉn-1 についても同様に結合され、最
後の入力ユニットＩnは重み係数Ｗn1〜Ｗnmで結合され
ている。

【００３２】又、中間層を構成する上記m 個の中間ユニ
ットＨj はそれぞれ出力層を構成する出力ユニットＯと
重み係数Ｗj ′（j ＝１〜m ）で結合されている。

【００３３】上記ニューラルネットワークにおいては、
n 個の入力ユニットＩi に対し、それぞれ対応する信号
t_i （i ＝１〜n ）が入力されるようになっている。こ
の信号 t_i は、前記転炉１０からプロセス計算機１２に
オンライン入力されるプロセス情報として入力されてい
る。このように各入力ユニットＩi に信号入力される
と、例えばユニットＩ1 からは、中間ユニットＨ1 〜Ｈ
m に対して入力信号 t₁に重み係数が乗じられたＷ11・
t₁ 、Ｗ12・ t₁ 、Ｗ13・ t₁ 〜Ｗ1m・ t₁ がそれぞれ
入力されるようになっており、同様に入力ユニットＩ2
〜Ｉn からも中間ユニットＨ1 〜Ｈm に対して各入力信
号 t₂ 〜 t_n にそれぞれ重み係数が乗じられた信号が入
力されるようになっている。従って、各中間ユニットＨ
j のそれぞれにはi ＝１〜m の和を求める次の（１）式
で表わされる信号 u_j が入力されることになる。

【００３４】u_j ＝ΣＷij・ t_i …（１）

【００３５】上記の如く、各中間ユニットＨj に信号 u
_j が入力されると、該中間ユニットＨj は出力ユニット
Ｏに対して信号 u_j ′（j ＝１〜m ）を出力する。この
信号u_j ′は、次の（２）式で示すように、上記入力信
号 u_j を取り込んだ関数 f（u_j ）に重み係数Ｗj ′を
乗じた値として与えられる。又、上記関数 f（ u_j ）と
しては、例えば次の（３）式のシグモイド関数で与える
ことができる。

【００３６】 u_j ′＝Ｗj ′・ f（ u_j ） …（２） f（ u_j ）＝１／（１＋ exp（− u_j ）） …（３）

【００３７】上記の如く、出力ユニットＯに各中間ユニ
ットＨ1 〜Ｈm からそれぞれ u₁ ′〜 u_m ′が入力され
ると、該出力ユニットＯは最終出力［Ｐ］を出力する。
この出力［Ｐ］は次の（４）式で与えられる。この式で
も関数f としてはシグモイド関数を使用できる。

【００３８】 ［Ｐ］＝ f（ u₁ ′＋ u₂ ′＋ u₃ ′・・・ u_m ′） …（４）

【００３９】本実施例においては、前記入力ユニットＩ
1 〜Ｉn のそれぞれに対し、プロセス情報としての信号
t₁ ＝出鋼時溶鋼温度、 t₂ ＝出鋼時溶鋼中酸素濃度、
t₃＝添加Ｃa Ｏ原単位、 t₄ ＝添加Ｓi Ｏ2 原単位、
t₅ ＝添加Ｍn 原単位、 t₆＝添加Ｐ原単位、 t₇ ＝添加
鉄鋼石原単位、及び t₈ ＝添加Ｍg Ｏ原単位等を入力す
ることにより、出力ユニットＯから推定値としての出鋼
リン濃度［Ｐ］が出力される。ここで、信号 t₃ 〜 t_n
は転炉出鋼迄の操業情報に相当する。

【００４０】又、前述した如くニューラルネットワーク
に対しては、実際に操業したときの実績、即ち出鋼時溶
鋼温度 t₁ 、出鋼時溶鋼中酸素量 t₂ 、出鋼までの操業
条件t₃ 〜 t_n 及び実際に分析して得られる出鋼時溶鋼
中リン濃度［Ｐ］r を用いて各ユニット間の結合の重み
係数を修正する学習を行う。なお、学習を行う際、ユニ
ット間の重み係数の初期値は乱数表を用いて設定するこ
とができる。

【００４１】この学習方法としては、バックプロパゲー
ション（誤差逆伝播）法を用いることができる。このバ
ックプロパゲーション法は、ニューラルネットワークに
よる推定濃度［Ｐ］と、実測濃度［Ｐ］r との誤差δの
２乗の値を小さくするようにネットワークを構成するユ
ニット間の重み係数を変化させるもので、順方向計算
と、逆方向の誤差逆伝播計算を繰り返すことにより達成
される。

【００４２】このように、ニューラルネットワークに対
する学習を操業を繰り返すと共に実行することにより、
操業条件が変化していく場合でも、該ニューラルネット
ワークにより常に正しい推定を行うことができる。

【００４３】本実施例によれば、上述の如く、操業を繰
り返すと共に、その操業実績に基づいてニューラルネッ
トワークに対する学習を行うようにしてあるので、常に
高精度の出鋼リン濃度を推定することができる。

【００４４】又、上記ニューラルネットワークの学習に
際して、前処理として例えば以下のような学習データの
度数分布均一化処理を行うことが推定精度を向上させる
上で効果的である。

【００４５】まず、出鋼時の溶鋼中リン濃度を所定の差
幅で設定された複数の階級に分割し、出鋼時における溶
鋼中リン濃度の分析結果が該当する階級について実績頻
度分布をとる。

【００４６】次いで、実績頻度の最も高い階級の頻度数
をＦ_MAX 、それよりも実績頻度の小さい階級の頻度数を
Ｆ_x としたとき、この実績頻度の小さい階級に属するそ
れぞれの操業実績のデータを、Ｆ_MAX ／Ｆ_x 倍の頻度に
なるように、コピーにより複製を作って増やす。その
際、上記Ｆ_MAX ／Ｆ_x が整数にならない場合は、切捨
て、四捨五入、切上げのいずれかの予め決められた一定
の整数化ルールにより、整数化するものとする。

【００４７】上記のように処理することにより、それぞ
れの階級に属する学習データの数が、ほぼ均一となる。
このように処理することにより、実績頻度の少ない階級
に属する操業パターンに対する推定精度を効果的に向上
させることができる。

【００４８】次に、本実施例を適用した具体例について
説明する。転炉１０としては２３０トンの底吹転炉を用
い、該転炉１０に溶銑２３０トンを入れて吹練を行い、
その際の出鋼時溶鋼温度、出鋼時溶鋼中酸素濃度及び前
述した操業情報を用いて、本実施例に従って出鋼リン濃
度を推定した結果を図３のグラフに本発明法（１−
１）、（１−２）として示す。

【００４９】図３で、ブランクの棒グラフは、学習に際
し、予め度数分布均一化処理を行わなかった場合（本発
明法（１−１））に、斜線の棒グラフは予め度数分布均
一化処理を行った場合（本発明法（１−２））に、それ
ぞれ該当している。このグラフでは、横軸に出鋼リン濃
度の実測値［Ｐ］r と本実施例による推定値［Ｐ］との
誤差「×１０^-3％」を示し、縦軸に度数を示してある。

【００５０】又、本実施例の効果を明らかにするため
に、同一の転炉操業について従来法により推定した結果
を図４に示す。この従来法は、次の（５）式の重回帰式
により出鋼リン濃度［Ｐ］を推定したものである。

【００５１】 ［Ｐ］＝１０^x-5 （×１０^-3％） …（５） x ＝Ａ₀ ＋Ａ₁ log ［％Ｏ］＋Ａ₂ ／（Ｔ＋２７３） ＋Ａ₃ ＩnputＣa Ｏ＋Ａ₄ ＩnputＭn ＋Ａ₅ ＩnputＳi Ｏ₂ ＋Ａ₆ ＩnputＰ＋Ａ₇ ＩnputＭg Ｏ＋Ａ₈ ＩnputＯre

【００５２】ここで、Ａ₀ 〜Ａ₈ は定数、［％Ｏ］は溶
鋼中酸素濃度（％）、Ｔは溶鋼温度（℃）、ＩnputＣa
Ｏは転炉内に投入されたＣa Ｏ量（Ｋg ／t ）、Ｉnput
Ｍnは溶銑中Ｍn ＋マンガン鉱石中Ｍn ＋コーティング
スラグ中Ｍn （Ｋg ／t ）、ＩnputＳi Ｏ₂ は転炉内に
投入又は生成したＳi Ｏ₂ 量（Ｋg ／t ）、ＩnputＰは
溶銑中Ｐ＋コーティングスラグ中Ｐ（Ｋg ／t ）、Ｉnp
utＭg Ｏは前回の出鋼以後に転炉内に投入されたＭg Ｏ
量（Ｋg ／t ）、ＩnputＯreは鋼転炉内に投入された鉄
鉱石量（Ｋg ／t ）である。

【００５３】図３、図４から明らかなように、本発明法
（１−１）、（１−２）の推定誤差は、従来法と比べて
著しく小さくなっており、更に予め度数分布均一化処理
を行った本発明法（１−２）の方が、度数分布均一化処
理を行わなかった本発明法（１−１）に比べて、若干推
定誤差が小さくなっていることがわかる。

【００５４】又、ニューラルネットワークに対して１日
１回の割合で学習させた場合の経時変化による推定誤差
の推移（本発明法（１））を、同一重回帰式を用いて推
定した場合の結果（従来法）と共に図５に示す。この図
５より、本実施例（ニューラルネットワーク）の方が経
時的な推定誤差が小さいことが分かる。

【００５５】以上詳述した本実施例によれば、転炉出鋼
までの操業情報と、出鋼時の実測溶鋼温度及び実測溶鋼
中酸素量とに基づいて、ニューラルネットワークにより
出鋼リン濃度を推定すると共に、自己学習により該ニュ
ーラルネットワークの修正を行うようにしたことによ
り、高精度の出鋼リン濃度の推定及びその精度の維持が
可能となった。

【００５６】図６は、本発明に係る第２実施例に適用さ
れる出鋼リン濃度を推定するためのニューラルネットワ
ークの構成の概略を示す線図である。

【００５７】本実施例は、前記図２に示したプロセス計
算機１２に、以下に詳述する上記図６に示したニューラ
ルネットワークが構築されている以外は前記第１実施例
と実質的に同一である。

【００５８】本実施例に適用されるニューラルネットワ
ークは、中間層を構成するm 個の中間ユニットＨj が、
それぞれ出力層を構成するk 個の出力ユニットＯ_x （x
＝１〜k ）と重み係数Ｗ_jx（j ＝１〜m ，x ＝１〜k ）
で結合されている以外は、前記第１実施例のニューラル
ネットワークと同一である。

【００５９】この出力層のユニット数、即ち階級の数k
は、出鋼時に予想される最大範囲の溶鋼中リン濃度を等
分割して決めるが、その際の幅（階級の差幅）は、前述
した如く、出鋼時の溶鋼リン濃度の許容誤差、及び副原
料計量・投入設備それぞれの制御精度や計量精度、オペ
レータの経験的知識等から総合的に判断して決定され
る。

【００６０】従って、上記ニューラルネットワークにお
いては、前記第１実施例の場合と同様に、n 個の入力ユ
ニットＩi に対し、それぞれ対応する信号 t_i （i ＝１
〜n）が入力されると、例えばユニットＩ1 からは、中
間ユニットＨ1 〜Ｈm に対して入力信号 t₁ に重み係数
が乗じられたＷ11・ t₁ 〜Ｗ1m・ t₁ がそれぞれ入力さ
れ、同様に入力ユニットＩ2 〜Ｉ_n からも中間ユニット
Ｈ1 〜Ｈm に対して各入力信号 t₂ 〜 t_n にそれぞれ結
合の重み係数が乗じられた信号が入力されるようになっ
ている。

【００６１】従って、各中間ユニットＨj のそれぞれに
はi ＝１〜n の和を求める前記（１）式で表わされる信
号 u_j が入力されることになる。このように、各中間ユ
ニットＨj に信号 u_j が入力されると、該中間ユニット
Ｈj はk 個の出力ユニットＯ _x （x ＝１〜k ）に対して
信号 u_jx（j ＝１〜m ，x ＝１〜k ）をそれぞれ出力す
る。この信号 u_jxは、次の（６）式で示すように、上記
入力信号 u_j を取り込んだ関数f （ u_j ）に重み係数Ｗ
_jxを乗じた値として与えられる。又、上記関数f （
u_j ）としては、例えば次の（７）式のシグモイド関数
で与えることができる。

【００６２】u_jx＝Ｗ_jx・f （ u_j ） …（６） f （ u_j ）＝１／（１＋exp （− u_j ）） …（７）

【００６３】上記の如く、k 個の出力ユニットＯ_x （x
＝１〜k ）に各中間ユニットＨ1 〜Ｈm からそれぞれ u
_1x〜 u_mxが入力されると、該出力ユニットＯ_x には階級
x が規定する範囲の溶鋼中リン濃度が、出鋼時の溶鋼中
リン濃度の推定値として適合する可能性を表わす０〜１
の優先選択指標数αx として出力される。即ち、優先選
択指標数αx が１に近ければ近いほどその階級が推定値
として相応しいことを意味し、逆に０に近ければ近いほ
ど、その階級が相応しくないことを意味する。最終的に
は、αx が１に最も近い階級を選択し、その階級の代表
値（例えば中央値）を出力とする処理を経て出鋼時にお
ける溶鋼中リン濃度の推定値とする。

【００６４】本実施例においては、前記第１実施例の場
合と同様に、入力ユニットＩ1 〜Ｉn のそれぞれに対
し、プロセス情報としての信号 t₁ ＝出鋼時溶鋼温度、
t₂ ＝出鋼時溶鋼中酸素濃度、 t₃ ＝添加Ｃa Ｏ原単
位、 t₄ ＝添加Ｓi Ｏ₂ 原単位、t₅ ＝添加Ｍn 原単
位、 t₆ ＝添加Ｐ原単位、 t₇ ＝添加鉄鉱石原単位、 t
₈ ＝添加Ｍg Ｏ原単位、 t_n ＝その他の操業情報を入力
することにより、ニューラルネットワークのk 個の出力
ユニットＯ_x から、出鋼時における溶鋼中リン濃度の階
級に該当する優先選択指標数α1 〜αk が１〜０の範囲
の値として出力され、推定値とされる。

【００６５】又、前述した如くニューラルネットワーク
に対しては、実際に操業したときの実績、即ち出鋼時溶
鋼温度 t₁ 、出鋼時溶鋼中酸素濃度 t₂ 、出鋼までの操
業条件 t₃ 〜 t_n 及び実際に分析して得られる出鋼時溶
鋼中リン濃度［Ｐ］r を用いて各ユニット間の結合の重
み係数を修正する学習を行う。

【００６６】その際、実際に分析して得られた実績溶鋼
中リン濃度が該当する出力ユニットＯ_x （x ＝１〜k ）
の中の１つの出力ユニットには１を、該当しないその他
の出力ユニットには全て０を教師データとして入力す
る。

【００６７】又、前処理として、実績溶鋼中リン濃度が
該当する実績頻度の少ない階級については、その操業実
績データをコピーにより増して、階級毎の学習データの
度数分布がほぼ均一になるように、学習データの度数分
布均一化処理を行っておく。この学習データの度数分布
均一化処理の方法は、前記第１の発明の実施例で述べた
方法と同様に行えばよい。

【００６８】なお、学習を行う際には、前記第１実施例
の場合と同様に、ユニット間の重み係数の初期値は乱数
表を用いて設定することができ、又、この学習方法とし
ては、バックプロパゲーション（誤差逆伝播）法を用い
ることができる。

【００６９】次に、本実施例を適用した具体例について
説明する。前記第１実施例の場合と同様に、転炉１０と
しては２３０トンの底吹転炉を用い、該転炉１０に溶銑
２３０トンを入れて吹練を行い、その際の出鋼時溶鋼温
度、出鋼時溶鋼中酸素濃度、及び操業情報として添加Ｃ
a Ｏ原単位、添加Ｓi Ｏ₂ 原単位、添加Ｍn 原単位、添
加Ｐ原単位、添加Ｍn 原単位等を用いて、本実施例に従
って出鋼リン濃度を推定した。

【００７０】ここでは、ニューラルネットワークの出力
層としては、前述した理由によりリン濃度［Ｐ］の階級
幅を０．００１％とし、図６に括弧で囲んで示したよう
に、０．００１〜０．０５０％までの４９個の階級に相
当する数のユニットで出力層を構成した。

【００７１】低リン鋼の吹錬データを５００チャージ分
揃え、初期学習によりニューラルネットワークの溶鋼中
リン濃度の実績データが該当する階級の出力ユニットに
は１を入力し、該当しないその他の階級の出力ユニット
に対しては０を入力した。又、ニューラルネットワーク
で該当する階級のデータ数の少ないものについてはコピ
ーにより増やして、全階級のデータ数が均一となるよう
に学習データの均一化処理を行った。

【００７２】以上の前処理の後に、中間層（隠れ層）の
ユニット数等の調整を行い、前記操業データを用いて検
証し、最も推定精度の高い構成のニューラルネットワー
クを選択して構成の最適化を行った。

【００７３】ニューラルネットワークの構成が決まった
ら、最新の操業データ５００チャージ分を入力して再学
習を行い、以後の実操業での使用に供した。

【００７４】以上の如く構成したニューラルネットを用
いて推定した結果を図７のグラフに本発明法（２）とし
て示す。このグラフでは、前記図３と同様に、横軸に出
鋼リン濃度の実測値と本実施例による推定値との誤差
（×１０^-3％）を示し、縦軸に頻度（度数）を示してあ
る。

【００７５】なお、上記図７には、本実施例の効果を明
らかにするために、同一の転炉操業について従来法によ
り推定した結果を併記した。この従来法は、次の（８）
式の重回帰式により出鋼リン濃度［Ｐ］を推定したもの
である。又、この重回帰式は本実施例と同一の学習デー
タから最小２乗法によって求めたものである。

【００７６】 １０^-Y＝Ａ０＋Ａ１Ｘ１＋Ａ２Ｘ２＋Ａ３Ｘ３＋Ａ４Ｘ４＋Ａ５Ｘ５ ＋・・・＋Ａn Ｘn …（８）

【００７７】ここで、Ｙ＝出鋼リン濃度［Ｐ］、Ｘ１＝
出鋼時溶鋼温度、Ｘ２＝出鋼時溶鋼中酸素濃度、Ｘ３＝
添加Ｃa Ｏ原単位、Ｘ４＝添加Ｍn 原単位、Ｘ５＝添加
ＳiＯ₂ 原単位、Ｘ６＝添加Ｐ原単位、Ｘ７＝添加鉄鉱
石原単位、Ｘ８＝添加Ｍg Ｏ原単位、・・・Ｘn ＝その
他の操業情報である。

【００７８】又、本実施例のニューラルネットワークに
対して、教師データとして出鋼時に実測した溶鋼中リン
濃度を用いて１日１回の割合で学習させた場合の経時変
化による推定誤差の推移を、前記第１実施例の推移を示
した図５に本発明法（２）として併記した。この図４よ
り、本実施例は、第１実施例と同様に経時的な推定誤差
が小さく、安定していることが分かる。

【００７９】以上詳述した本実施例によれば、転炉出鋼
までの操業情報と、出鋼時の実測溶鋼温度及び実測溶鋼
中酸素濃度とに基づいて、ニューラルネットワークによ
り出鋼リン濃度を推定すると共に、自己学習により該ニ
ューラルネットワークの修正を行うようにしたことによ
り、高精度の出鋼リン濃度の推定及びその精度の維持が
可能であると共に、出鋼リン濃度を実操業で要求される
適切な精度で、しかも短時間で推定することができる。

【００８０】以上、本発明について具体的に説明した
が、本発明は、前記実施例に示したものに限られるもの
でなく、その要旨を逸脱しない範囲で種々変更可能であ
る。

【００８１】例えば、前記実施例では３層構造のニュー
ラルネットワークを用いる場合について説明したが、こ
れに限られるものでなく、４層以上にすることもでき
る。

【００８２】又、出力層を階級と同数のユニットで構成
する場合の階級幅は実施例に示した０．００１％に限定
されるものでなく、任意に変更可能である。

【００８３】又、入力層のユニット数及び入力情報の種
類は前記実施例に示したものに限定されるものではな
い。

【００８４】又、前記実施例では底吹転炉の場合につい
て説明したが、上吹転炉又は上下吹転炉等の他の吹錬炉
であってもよい。

【００８５】

【発明の効果】以上説明した通り、第１発明によれば、
転炉操業において、経時的に操業条件等に変化が生じる
場合でも、出鋼時の溶鋼に含有されているリンの濃度を
常に高精度に、しかも短時間で推定することができる。

【００８６】又、第２発明によれば、更に、実操業で要
求される精度に応じて溶鋼中リン濃度を適切に推定する
ことができる。

【図面の簡単な説明】

【図１】本発明に係る第１実施例に適用されるニューラ
ルネットワークを示す概略構成図

【図２】上記実施例に適用される装置構成の概略を示す
説明図

【図３】第１実施例による推定精度を示す線図

【図４】従来法による推定精度を示す線図

【図５】実施例と従来法とによる推定誤差の経時的変化
を示す線図

【図６】本発明に係る第２実施例に適用されるニューラ
ルネットワークを示す概略構成図

【図７】第２実施例と従来法とによる推定精度を示す線
図

【符号の説明】

１０…転炉 １２…プロセス計算機 １４…学習用サーバ

Claims (5)

【特許請求の範囲】
1. 【請求項１】転炉出鋼までの操業情報と、出鋼時におけ
   る溶鋼温度及び溶鋼中酸素濃度とを入力とし、出鋼時に
   おける溶鋼中リン濃度を出力とするニューラルネットワ
   ークを構築し、該ニューラルネットワークを用いて転炉
   出鋼リン濃度を推定するに際し、 実際に操業した際の、転炉出鋼までの操業情報と、出鋼
   時における溶鋼温度及び溶鋼中酸素濃度の実測値と、出
   鋼時における溶鋼中リン濃度の分析結果とを用いて上記
   ニューラルネットワークの学習を行い、該ニューラルネ
   ットワークを構成するユニット間の結合係数を修正する
   ことを特徴とする転炉出鋼リン濃度の推定方法。
2. 【請求項２】請求項１において、 ニューラルネットワークの学習に際し、 前処理として、出鋼時の溶鋼中リン濃度を、所定の差幅
   で設定された複数の階級に分割し、 出鋼時における溶鋼中リン濃度の分析結果が該当する階
   級の実績頻度が少ない場合には、その階級に該当する操
   業実績データをコピーにより複製を作って増やし、階級
   毎の学習データの度数分布がほぼ均一となるように、予
   め学習データの度数分布均一化処理を行うことを特徴と
   する転炉出鋼リン濃度の推定方法。
3. 【請求項３】転炉出鋼までの操業情報と、出鋼時におけ
   る溶鋼温度及び溶鋼中酸素濃度とを入力とし、出鋼時に
   おける溶鋼中リン濃度を出力とするニューラルネットワ
   ークを構築し、該ニューラルネットワークを用いて転炉
   出鋼リン濃度を推定するに際し、 出鋼時の溶鋼中リン濃度を、所定の差幅で設定された複
   数の階級に分割し、 上記ニューラルネットワークの出力層を、上記階級の数
   と同数のユニットで構成すると共に、 出力層を構成する各ユニットから、それぞれ対応する階
   級を選択する基準である優先選択指標数が出力されるよ
   うに、実際に操業した際の、転炉出鋼までの操業情報
   と、出鋼時における溶鋼温度及び溶鋼中酸素濃度の実測
   値と、出鋼時における溶鋼中リン濃度の分析結果とを用
   いて上記ニューラルネットワークの学習を行い、該ニュ
   ーラルネットワークを構成するユニット間の結合係数を
   修正することを特徴とする転炉出鋼リン濃度の推定方
   法。
4. 【請求項４】請求項３において、 ニューラルネットワークの学習に際し、 出鋼時における溶鋼中リン濃度の分析結果が該当する階
   級のユニットに優先選択指標数１を、それ以外の階級の
   ユニットには優先選択指標数０を、それぞれ教師データ
   として入力し、各出力ユニットが０から１迄の優先選択
   指標数を出力するようにしたことを特徴とする転炉出鋼
   リン濃度の推定方法。
5. 【請求項５】請求項３において、 ニューラルネットワークの学習に際し、 前処理として、出鋼時における溶鋼中リン濃度の分析結
   果が該当する階級の実績頻度が少ない場合には、その操
   業実績データをコピーにより複製を作って増やし、階級
   毎の学習データの度数分布がほぼ均一になるように、予
   め学習データの度数分布均一化処理を行うことを特徴と
   する転炉出鋼リン濃度の推定方法。