JPH07116527B2 - 焼結プロセス制御装置 - Google Patents

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は鉄鉱石粉の焼結プロセスに関し、特に、電子機
算機による焼結プロセスの制御に関する。

〔従来の技術〕

焼結プロセスでは、主要な操作管理項目である酸化鉄
（FeO），低温還元粉化指数（RDI），落下強度指数（S
I）,25mm径以上のものが占める割合（＋25）,5mm径以下
のものが占める割合（−５），成品歩留（η_２）、ま
た、操業状態の定性的な仮説である熱状態，通気状態，
均一焼成状態、更に、環境管理項目であるNOx換算値
（Ｒ−NOx）,SOx,リンゲルマン媒塵濃度（リンゲルマ
ン），電気集塵機温度（ESC）、更に、焼結プロセスの
各種状態データから判断される設備故障状況，定性的判
断項目である色，音，天気等から、焼結操業者が、焼結
機操業状態を総合判断し優先アクションを決定し、環境
に対するアクション，操業安定化の為の原料切出調整，
層厚の調整，幅装入パターンの調整,2次Crセッティング
の調整,2次篩網の調整，設備の点検等のアクションを行
なうという方法がとられていた。

この従来の操業者判断による方法では、その評価結果に
操業者個人間のばらつきがあり、必ずしも適切な判断と
は限らず、場合によってはアクションが後手に廻り、環
境対策，設備故障対策，焼結管理項目の安定化などが遅
れる等の問題があった。

これを改善しようとして、特開昭63−1000137号公報
は、あいまい制御を利用し操業状況を多面的にとらえ制
御変化幅の小さい制御を行なおうとする焼結プロセス制
御方法を提示している。

〔発明が解決しようとする課題〕

従来の、知識データベースを用いない総合計算機による
アクションガイド方法では、各種プロセスデータを重回
帰や相関テーブル等の解析モデルに入力して所定の演算
を行う様にしている。

この為、その演算を実行するコンピュータは言語として
フォートラン等の手続型言語を使用しているが、これら
の言語では、入力となるプロセスデータやサンプルデー
タ等の数が例えば50種類以上あり、各々に干渉がある
等、そのパターンの組合せが膨大となり、プログラムが
極めて複雑となり、操業的な判断基準が変更になった時
や、焼結プロセスのセンサ数，種類，配置等が変化した
時等のプログラムの変更，メンテナンスが極めて困難で
あるという問題や、操業者の定性的な判断をプログラム
化しにくく操業者の総合的な判断よりも精度が落ちて結
局は、熟練操業者が最終判断を下さざるを得ないという
問題がある。

また、従来知識データベースを用いたとしても前述した
操業管理項目，操業状態定性仮説，環境管理項目，設備
異常原因を明確に分類し、トータルで総合的な判断を下
しているものはなかった。

本発明はこの様な問題点を解決するためになされたもの
であり、焼結の品質・操業状態，設備状態及び優先すべ
きアクションを熟練した操業者と同じレベルで評価する
ことができ、かつ、計算機で実現した際にそのプログラ
ムステップが従来の手続型言語で構築するよりは少くな
り、更に、操業的は判断基準やセンサの変更等に対応し
た時のプログラムの変更，メンテナンスが容易な焼結プ
ロセス制御装置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〕

本発明の焼結プロセス制御装置は、焼結プロセスの各種
の状態センサからリアルタイムで入力されるプロセスデ
ータ，焼結鉱の最新サンプルデータおよび操業者が入力
するプロセス定性データについて、統計的処理および知
識ベース手段の情報に基づき前記データの各項目の現在
の状態および変動傾向を推論・予測する手段，前記デー
タの各項目の変動傾向の組合せからセンサや設備の異常
を判定する手段，異常が判定された時は対応する操作ガ
イドを提示すると同時に、前記データの該当する項目を
操業や品質の状態を予測するために使用するデータから
除去し、残りの信頼できるデータを使用して、焼結プロ
セスの熱状態，通気状態および均一焼成状態を含む操業
状態とその動向を推論する同時に、焼結プロセスの焼結
中材料の酸化鉄，低温還元粉化指数および落下強度指数
を含む主要品質管理項目の状態と動向を推論する推論手
段、および、該推論手段の推論結果に基づいて焼結プロ
セスを制御し操業者に操作ガイドを提示するAI言語処理
計算手段、を備える。

〔作用〕

主要データの状態や変動の組合せからセンサや設備の異
常を判定し異常が検出された時は対応する操業ガイドを
提示する。また設備の異常が検出された時は該当するデ
ータ項目を操業や品質の状態を予測するのに使用するデ
ータから除外し、残りの信頼できるデータを使用して、
焼結プロセスの熱状態，通気状態，均一焼成状態を含む
操業状態とその動向を推論すると同時に、焼結プロセス
の焼成中材料の酸化鉄，低温還元粉化指数および落下強
度指数を含む主要品質管理項目の状態と動向を推論し、
以上より得た結果に基づいて環境維持，成品品質の安定
化，成品コストの低減を目的として、焼結プロセスを制
御し操業者に操作ガイドを提示するので、精度が高く、
現状および将来の動向に対応した現在のアクションが決
定される。

〔実施例〕

第1a図に、本発明の一実施例の機能構成を示す。焼結プ
ロセス400には各種センサおよびサンプラ（状態テスト
＆サンプリング装置）が備わっており、これらが収集し
た情報が、入出力インターフェイス300を介して、リア
ルタイムで焼結プロセス計算機（以下、焼結プロコンと
称す）100に送られる。

この焼結プロコン100は、焼結プロセス400の情報を編集
してAI計算機200に与える。AI計算機200は、「もし…な
らば…である」といったルールやフレームの記述を使用
するAI（人工知能）言語を処理できる計算機である。

AI計算機200の内部では、焼結プロコン100から定周期
（例えば30秒）で送られて来る焼結プロセス400の情報
（リアルタイムプロセスデータ）を受信し、それを時系
列データ編集手段210で、アクションを決定するために
必要な判断データに編集する。時系列データ変動判別手
段220が、各種情報の時系列の動向を、領域の検定（第4
b図のＡ），最新データの動きの検定（第4b図のＢ），
信頼区間の検定（第4b図のＣ），符号の検定（第4b図の
Ｄ）および平均値の差の検定（第4b図のＥ）等により判
定する。総合判定手段230が、検定結果を総合判定して
焼結プロセスの各種プロセスの動向を最終的に推定す
る。その結果を受けてまず設備故障推論手段260が、総
合判定手段230が推定した動向から推定される設備故障
を知識データベースに基づいて判定する。ここで設備故
障や異常が認められた時は、該当異常データを以下の品
質・操業予測用データから除外する。更に主要管理項目
予測手段240が知識データベースに基づいて焼結プロセ
スの、 FeO,RDI,SI,＋25,−5,η_２等の現状の動向を推論し、そ
して将来の動向を予測する。また一方、操業状態仮説推
論手段250が、知識データベースに基づいて、操業者が
定性的に判断している操業状態仮説である熱状況，通気
状況，均一焼成状況等の現状および将来の動向を推定す
る。更には、上述の主要管理項目予測手段240,操業状態
仮説推論手段250および設備故障推論手段260の推定，判
定結果を総合して、守りのアクション決定手段270が、
知識データベースに基づいてNOx換算値,SOx,媒煙などの
環境管理項目に異常があるときには環境に対するアクシ
ョンを、また設備故障が推定されるときには設備故障に
対するアクションを、更に焼結成品品質に基準外れがあ
り放置していても外れたままであると予測されるとき又
は発生しそうなときは、焼結品質を基準値内に戻すアク
ションを、決定する。また、守りのアクション決定手段
270が品質上も問題がなく守りのアクション不要と判定
したときは、攻めのアクション決定手段280が、知識デ
ータベースに基づいて、品質を確保しつつ製造コストを
切下げる為のアクションを決定する。そして、守りのア
クション決定手段280が決定したアクション項目および
アクション量について、自動制御する項目（例えば貯鉱
槽の切出し，ミキサーの配合水分，点火炉の点火強度，
風箱（WB）の風量，スタビライザの噴霧水量，二次篩の
ダンパ開度等）については、焼結プロセスの各種制御機
器に対して制御量を設定し、また、自動制御の困難な項
目（例えば推定される設備異常の確認等）についてはそ
のアクション内容を操業者に対して、操業者とのインタ
ーフェイスである端末装置（CRT＋キーボード＋プリン
タ）390に出力する。

第2a図に、上述の焼結プロセス400に関連する設備すな
わち、鉄鉱石粉を貯留する貯鉱槽から高炉までの設備レ
イアウトの概要を示し、第2b図に、焼結プロセスの操業
に関連する計算機システムを示す。第1a図に示し上述し
た焼結プロコン100およびAI計算機200ならびにそれらの
入出力インターフェイス300は、焼結プロセスの操業に
関連する計算機システムの一部をなしている。なお、第
1a図には、焼結プロコン100およびAI計算機200を、それ
らの機能を要素として表わす形で示した。これらは第1b
図に示すように、大略でデータベースメモリと処理プロ
グラムで構成されている。

第2a図に示すように、貯鉱槽から切出した鉄鉱石粉を焼
結プロセスで焼結処理しそして高炉に供給するまでの過
程で、各所でかなり長い処理時間を要する。したがっ
て、焼結製品をサンプリングしてその品質を確認し、こ
れをフィードバックして鉄鉱石粉の切出しすなわち原料
成分の調整からコントロールすると、フィードバック時
間が極めて長いので、焼結製品の品質のばらつきが大き
くしかも品質誤差がある製品を大量に作ってしまうこと
になるので、設備の各所でリアルタイムでプロセス状態
を把握し、それらの影響をリアルタイムで推論して、予
見的（先行的）にプロセス操作量を制御することが必要
であり、ここに上述の焼結プロコン100およびAI計算機2
00によるプロセス状態のリアルタイム情報収集と現状動
向推論ならびにそれに連続する将来の動向予測と、これ
に対応したアクション決定に大きな意義がある。以下、
更に詳細に本発明の実施例の焼結プロセス制御を説明す
る。

第2b図で焼結プロコン100には、中央バッチビジコン，
原料プロコン，焼結プロセス，高炉プロコンおよび製銑
試験プロコンから、品質目標情報，原料成分情報，焼結
プロセス情報，製品サンプリング情報等の情報が送られ
る。焼結プロコン100は、これらをAI計算機200入力用に
編集してAI計算機200に送ると共に、所要のものはデー
タベースに蓄積する。AI計算機200には、上述の各種情
報に加えて、操業者端末390から入力される情報も与え
られる。

第3a図および第3b図に、この実施例でAI計算機200に与
えられる情報の例を示す。これらの図面において、BL−
Ｏは原料供給ステージにおいて多種類銘柄を混合したブ
レンデッド・オア、ESCは電気集塵機、MSは平均粒度、J
PUは通気度、MBは風箱、BTPは焼結完了点、21WB,25WB,2
8WB,31WBは各風箱である。なお、第3a図はメイン情報
（主要判断情報）であり、第3b図はメイン情報で異常を
判定したときに異常原因究明のために参照するサブ情報
（各種機器のセンサ情報）である。

以下に第1a図を中心にAI計算機200における処理の流れ
を述べる。AI計算機200は、第3a図，第3b図に示したこ
れらのデータを受信すると、まずメイン情報の動向を判
定し動向が異常であるかを時系列データ変動判別220に
てチェックする。異常であると、同処理内でサブ情報を
参照して異常原因（箇所＆異常内容）を判定する。これ
らの動向判定および異常判定のために、第3c図に示すよ
うな参照値情報がAI計算機200のデータベースに格納さ
れている。

また、各データの推論した変動傾向の組合せより設備異
常を設備異常推論260にて判定する。この設備異常の判
定に用いる参照値は第3d図に示すものであり、これもAI
計算機200のデータベースに格納されている。設備原因
異常が認められた時は守りのアクション決定270にて該
当アクションを提示すると同時に主要管理項目動向予測
240および操業状態仮説推論250に用いるデータから除外
する。

なお、その後、焼結プロセスの現状動向の推論とそれに
基づく将来の動向の推定（後述）により焼結プロセス20
0各部のアクションを決定する。

AI計算機200の時系列データ変動判別220および時系列デ
ータ変動総合判定230処理の内容を第4a図に示す。

この処理の大要は、最新データによる短期的な変動判定
（領域変動判定，信号区間変動判定）及び直近８点
のデータによる長期変動判定を行ない、それらの総合
変動判定すなわち時系列データ変動総合判定230を行
なう。

まず「起動要因判定」では、情報が、FeO（サンプル
結果判明）,RDI（サンプル結果判明），塩基度（サンプ
ル結果判明）および定周期（第3a図のデータグループ区
分）のどれに属するものかの判定を行ない、判定（属す
る群）に対応してフレームベース及びルール群の切替え
（選択）を行なう。そして、定周期群と判定したときに
は第4a図の左列の処理を実行し、FeO群又はRDI群と判定
したときには第4a図の中間列の処理を、また、塩基度群
と判定すると第4a図の右列の処理を実行する。

これらの処理の中の各項目の変動判定処理ルールの分類
を第4b図に示す。なお、AI計算機200は、ここに示す処
理に関連する例えば１時間のサンプリング周期の焼結プ
ロセス情報を時系列で８時間分蓄積しておく。

第5a図に「領域の検定」Ａの処理の内容を示す。「領域
の検定」Ａでは、まず「ありか？」で、最新データが
目標上，下限値を外れているかをチェックする（：最
新データが異常領域にある）。これにおいては、この実
施例では、目標値を中心に上側および下側にそれぞれ４
領域を設けており、最新データがこれら８領域のいずれ
に属するかを判定して、第5c図に示すように、最新デー
タが上限値をオーバしているときと、下限値を下廻わっ
ているときに、異常と判定し第5a図の「異常原因推論」
に進む。異常と判定しなかったら、次に、第5a図の
「，ありか？」で、まず、「最新データの動きの検
定」Ｂ（第4b図）で、直近の２点データ（前回のサンプ
リングデータと最新データ）の属する領域（８領域）の
相関を判定して変動の有り（：領域変動あり）なしを
チェックする。この「最新データの動きの検定」Ｂ（第
4b図）処理では、最新のデータと前回のデータから第6b
図に示す判定結果を得る。なお、第6b図に示すＡ〜Ｆ
は、第6a図に示すデータ領域を意味する。ついで、第4b
図の「信頼区間の検定」Ｃで、最新データとそれまでの
７点のデータを含めた８点のデータが信頼限界を越えて
いる（：信頼限界オーバ）か否かをチェックする。信
頼限界値の算出処理を第7b図に示し、領域区分とデータ
の相関を第7a図に示す。

第5a図の「，ありか？」で上述のとの両者が共
に成立すると、「異常原因推測」に進む。少くとも一方
が成立しないと、第5a図の「，，ありか？」に進
む。ここでは、まず「符号（方向性）の検定」Ｄ（第4b
図）で、最新データと前回データの符号（方向性：目標
値に対して上側か下側か）によりデータの動きがある
（：データが目標値を横切った）か否かをチェック
し、更に、Welchの方法による平均値の差が大きい
（：変動有り）か否かをチェックする。こののWelc
hの方法による変動チェック内容を第８図に示す。そし
て、，およびの３者が共に成立すると「異常原因
推測」に進む。

第1a図に示すAI計算機200の機能手段のそれぞれの内部
細機能を第1c図に示し、これらの機能手段の処理におけ
るデータの流れを第９図に示す。

上述の、第1a図に示す時系列データ変動判別220および
時系列データ変動総合判定230は、第９図の「個々のデ
ータの１次結果」と表記したブロックまでのフローで
ある。そして「異常原因推測」に進んだときには、AI計
算機200の設備故障推論手段260で、第９図の「設備故
障推論」で設備原因の有無チェックを実行して、次の第
１表に示す予測結果および推定原因を得てこれを操業者
端末 390に出力すると共に、これらにより設備原因異常が成
立すると、それを第９図の「ガイダンス文の選択」お
よび「表示条件の決定」を経て、異常報知を操業者端
末390に出力する。

第5a図の「異常原因推測」に進んでも、設備原因異常が
成立しなかったとき、および、「異常原因推測」を実行
しないとき（メインデータの動向が明らかに正常、と判
定したとき）はそのまま、また設備原因異常が成立した
時はその異常データを除外して、第4b図のA,B,C,D,Eの
結果より、各項目について短期，長期的な動向を判定
し、最終的にはその組合せルール（時系列データ変動総
合判定手段230）により総合判定を行ない最終予測デー
タ（第９図２次結果）を生成し、次に第９図に示す
「日常操業Action導出プログラム」を実行する。この内
容は第10図に示すものであり、第1a図の機能要素表現で
は、主要管理項目動向予測手段240,操業状態仮説推論手
段250,守りのアクション決定手段270および攻めのアク
ション決定手段280で実行されるものである。

AI計算機200は、主要管理項目予測手段240で、最終予測
データを、ルールに基づいた知識データベースにより処
理して、FeO,RDI,SI,＋25,−5,η_２等各主要管理項目の
動向を予測する。なお、この判断ルールには、それぞれ
−１〜１の値の確信度（HG）を持たせ、知識データベー
スを用いてルール（プログラム）のメンテナンスを簡易
化すると同時に、ルールを変えなくてもHGの変更により
微調整が可能な構造としている。

AI計算機200の操業状態仮説推論手段250は、主要管理項
目予測手段240と同様に、動向データより、ルールを用
いた知識ベースにより焼結操業状態仮説である（通常操
業者が定性的に判断している）熱状況，通気状態，均一
焼成状況の各動向を推論して、主要判断データと主要管
理項目の関係を定性的にルール化する。この判断ルール
にはそれぞれ−１〜１の値の確信度（HG）を持たせ、上
述と同様に、知識ベースを用いてルール（プログラム）
のメンテナンスを簡易化すると同時に、ルールを変えな
くても、HGの変更により微調整が可能な構造としてい
る。

AI計算機200の守りのアクション決定手段270は、上記主
要管理項目予備手段240,操業状態仮説推論手段250およ
び設備故障推論手段260が得た予測，推論を総合判断し
て、守りアクション即ちNOx換算値,SOx,媒煙等の環境異
常がある時は環境に対するアクションを、設備異常が推
定される時は設備異常に対するアクションを、焼結品質
に基準外れがある時又は出そうな時には焼結品質に対す
るアクション等を、ルールを用いた知識ベースにより決
定する。

これにおいては、第10図の272に示す様に上，下限値デ
ータと各項目の動向予測を組合わせたルール（プログラ
ム）を用いて、設備，環境，操業に対するアクションケ
ケースNo.を決定する。具体的には、環境に対するアク
ションとしては、Ｒ−NOx,SOx,リンゲルマン媒塵濃度,E
PC電気集塵機温度に対するアクションがある。また操業
的なアクションとしては、コークスの増減配，生石灰の
増減配，破砕蛇紋岩の増減配，層厚の調整，幅装入パタ
ーンの調整,MBダンパの調整,2次Crセッティング調整,2
次篩飾網のチェック・取替等がある。

この推論結果例を第12a図，第12b図および第12c図に示
す。

AI計算機200の攻めのアクション決定手段280は、上記主
要管理項目予測手段240,操業状態仮説推論手段250およ
び設備故障推論手段260が得た予測，推論、ならびに主
要判断情報の動向を総合判断して、守りのアクションが
実質上不要な時、すなわち環境にも設備にも異常がなく
焼結品質も目標基準値内で余裕がある時に、攻めのアク
ションとして焼結品質を目標基準値内に納めつつコスト
切下げの為のアクションを、図にて示すルールを用いた
知識ベースにより決定する。コスト切下げの為のアクシ
ョンとしては、例えば粉コークスの減配、生石灰減配，
破砕蛇紋岩比率の低減，層厚の増加，風量減等がある。
攻めのアクションを決定すると、次の第２表に示す出力
デーダを編集する。

上述の守りのアシクションデータ（第10図の271）又は
攻めのアクションデータ（第２表）を得ると、AI計算機
200は、それらのデータを操業者端末390に出力すると共
に、自動制御パラメータデータは、設定制御処理手段29
0で焼結プロセス400の機器制御データに整理して入出力
インターフェイス300を介して焼結プロセス400に出力す
る。

〔発明の効果〕 以上のように、焼結プロセスに設置された各種センサや
サンプラ等から入力されるリアルタイムデータの変動傾
向を予測し、その予測結果の組合せから設備異常を判定
し異常がある時はデータを除外し焼結操業の主要な管理
項目及び定性的な操業仮説について熟練者の経験則等を
記述した知識ベースを用いて総合判断して、焼結プロセ
スに対するリアルタイムの守りのアクション及び攻めの
アクションを決定している。

ここで、熟練操業者の定性的な経験則を記述した知識ベ
ースを用い設備異常診断や操業・品質予測機能を持たせ
る事により、従来の計算機による操業アクションガイド
システムよりも高度で総合的な判断をしていた操業者と
同等以上の判断を計算機処理により実現したと同時に、
操業者間にあった、レベルのばらつきの問題を解消し、
またそのプログラムステップが従来の手続型言語で構築
するよりはるかに少くなり、例えば操業的な判断規準の
レベルアップやセンサの種類，配置等の変更に対応した
プログラムの修正も極めて容易となった。

【図面の簡単な説明】

第1a図は、本発明の一実施例の、計算機機能を示すブロ
ック図である。 第1b図は、計算機内データベースと処理プログラムの概
要を示すブロック図である。 第1c図は、第1a図に示す機能ブロックの内部機能を示す
ブロック図である。 第2a図は、焼結プロセスとその前後の処理設備の相関を
概略で示すブロック図である。 第2b図は、第2a図に示す設備に付随する計算機システム
を示すブロック図である。 第3a図および第3b図は、第1a図に示すAI計算機200が焼
結プロセス400等から得る情報項目を示す平面図であ
る。 第3c図は、AI機算機200が焼結プロセス400から得る主要
情報の領域判定のために参照するデータ項目を示す平面
図である。 第3d図は、AI計算機200が主要情報の動向から設備異常
とそれに対応するアクションを導出するために参照する
データ項目を示す平面図である。 第4a図は、第1a図に示すAI計算機200の情報処理動作の
概要を示すフローチャートである。 第4b図は、第4a図に示す情報処理項目の処理思想を示す
ブロック図である。 第5a図は、第4b図の処理に基づいて主要情報の異常を判
定するサブルーチンの概要を示すフローチャートであ
り、第5b図は、主要情報とそれが属する領域との関係を
示す平面図、第5c図は、異常判定条件を示す平面図であ
る。 第6a図は、第4b図に示す最新データの動きの検定Ｂのと
きの主要情報とそれが属する領域との関係を示す平面図
であり、第6b図は動きに対する判定結果の関係を示す平
面図である。 第7a図は、第4b図に示す信頼区間の検定Ｃのときの主要
情報とそれが属する領域との関係を示す平面図であり、
第7b図は、変動判定計算を示すブロック図である。 第８図は、第4b図に示す平均値の差の検定Ｅの内容を示
すブロック図である。 第９図は、AI計算機200の第1c図および第4a図に示す処
理機能によって処理されるデータの流れと処理内容の一
部を示すブロック図である。 第10図は、第９図に示す日常操業Action導出プログラム
のブロックによって導出されるデータの流れを示すブロ
ック図である。 第11図は、第1c図に示す守りのアクション決定の中のル
ール群，ルールおよびアクション内容を示すブロック図
である。 第12a図，第12b図および第12c図は、日常操業Action導
出プログラムの推論の結果例である。 100:焼結プロコン、200:AI計算機（AI言語処理計算手
段） 210:時系列データ編集手段、220:時系列データ変動判別
手段 230:総合判定手段、240:主要管理項目予測手段 250:操業状態仮説推論手段、260:設備故障推論手段 270:守りのアクション決定手段、280:攻めアクション決
定手段 390:操業者端末、300:入出力インターフェイス 400:焼結プロセス（焼結プロセス）

───────────────────────────────────────────────────── フロントページの続き (72)発明者 前田 文晴 福岡県北九州市八幡東区枝光１―１―１ 新日本製鐵株式會社八幡製鐵所内 (72)発明者 東 淳二 福岡県北九州市八幡東区枝光１―１―１ 新日本製鐵株式會社八幡製鐵所内

Claims (1)

【特許請求の範囲】
1. 【請求項１】焼結プロセスの各種の状態センサからリア
   ルタイムで入力されるプロセスデータ，焼結鉱の最新サ
   ンプルデータおよび操業者が入力するプロセス定性デー
   タについて、統計的処理および知識ベース手段の情報に
   基づき前記データの各項目の現在の状態および変動傾向
   を推論・予測する手段，前記データの各項目の変動傾向
   の組合せからセンサや設備の異常を判定する手段，異常
   が判定された時は対応する操作ガイドを提示すると同時
   に、前記データの該当する項目を操業や品質の状態を予
   測するために使用するデータから除外し、残りの信頼で
   きるデータを使用して、焼結プロセスの熱状態，通気状
   態および均一焼成状態を含む操業状態とその動向を推論
   すると同時に、焼結プロセスの焼成中材料の酸化鉄，低
   温還元粉化指数および落下強度指数を含む主要品質管理
   項目の状態と動向を推論する推論手段、および、該推論
   手段の推論結果に基づいて焼結プロセスを制御し操業者
   に操作ガイドを提示するAI言語処理計算手段、を備える
   焼結プロセス制御装置。