JP7159677B2

JP7159677B2 - 操業条件演算装置及び操業条件演算方法

Info

Publication number: JP7159677B2
Application number: JP2018140383A
Authority: JP
Inventors: 純一森; 丈司小原; 義明権田; 直樹古河; 晋宏岩見
Original assignee: Nippon Steel Corp
Current assignee: Nippon Steel Corp
Priority date: 2018-07-26
Filing date: 2018-07-26
Publication date: 2022-10-25
Anticipated expiration: 2038-07-26
Also published as: JP2020015960A

Description

本発明は、溶銑または溶鋼の精錬処理における操業条件の算出処理を行う操業条件演算装置及び操業条件演算方法に関する。

溶銑または溶鋼の精錬処理として、溶銑の脱硫処理が行われている。溶銑予備処理での脱硫は、例えば図１３に示すような機械撹拌式脱硫装置（以下、「ＫＲ」ともいう。１を用いて実施される。ＫＲ１による脱硫処理は、図１３に示すように、鍋１０内の溶銑５に脱硫剤を添加し、インペラー２１を駆動装置２５により回転させて脱硫反応を促進させて行われる。溶銑５中に存在するＳは製造される鋼板の品質を低下させる要因となるため、ＫＲ１による脱硫処理後の溶銑５中のＳ濃度（以下、「処理後Ｓ濃度」ともいう。）を、転炉へ引き渡す際の目標Ｓ濃度まで低減させることは重要である。一方で、ＫＲ処理において処理後Ｓ濃度を目標Ｓ濃度以下とすることを確実に達成するために脱硫剤を過剰投入してしまうと、製造コストを増加させることになる。このため、ＫＲ処理の操業条件の設定にあたっては、処理後Ｓ濃度を精度よく推定できることが望ましい。

例えば特許文献１には、溶銑予備処理操業における処理剤の投入条件を精度よく、かつ、実用上のばらつきを加味して、適正にガイダンスすることが可能な溶銑予備処理操業における処理剤の投入条件ガイダンス方法が開示されている。特許文献１では、ニューラルネットワークに処理剤投入条件を含む操業条件を変化させて繰り返し入力することにより処理剤の投入条件を決定し、実用上のばらつきを加えて評価することで、適切な処理剤投入条件を求める。これにより、処理剤投入条件と処理後の成分濃度との対応特性が線形性を示すか非線形性を示すかにかかわらず、推定精度を高めている。

特開平８－２６９５１８号公報

加藤賢悟、他２名、「Ｌａｓｓｏ分位点回帰の理論と損害保険への応用」、日本統計学会誌、２００９年３月、Ｖｏｌ．３８Ｎｏ．２、ｐ１２１－１４９

しかし、上記特許文献１の手法では、適切な処理剤投入条件を求める際、過去の実績データが存在していない領域の条件を解とする可能性がある。すなわち、操業において実行することができない解が選択される可能性があり、解の信頼性が懸念される。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、信頼性のある操業条件を算出することが可能な、新規かつ改良された操業条件演算装置及び操業条件演算方法を提供することにある。

上記課題を解決するために、本発明のある観点によれば、溶銑または溶鋼の精錬処理における操業条件を算出する操業条件演算装置であって、過去の操業における実績データに基づいて、精錬処理前の前提条件と精錬処理に関する操業条件とを入力として、精錬処理後の成分濃度が所定の確率で精錬処理後の実績成分濃度以上となるような処理後成分濃度を出力する推定モデルを構築する推定モデル構築部と、確率密度関数により操業条件に対する制約条件を尤度制約条件として設定し、処理後成分濃度に対する制約条件を処理後成分濃度制約条件として設定する制約条件設定部と、推定モデル、尤度制約条件及び処理後成分濃度制約条件に基づいて、操業条件を探索する実行可能解探索部と、を備える、操業条件演算装置が提供される。

最小化すべき操業コストを評価関数として設定する評価関数設定部を備え、実行可能解探索部は、推定モデル、尤度制約条件及び処理後成分濃度制約条件を満たし、かつ、評価関数を最小化する操業条件を探索するようにしてもよい。

推定モデルは、前提条件と操業条件とを入力として期待値予測モデルにより処理後成分濃度の期待値を算出し、期待値を入力として分位点回帰して得られる処理後成分濃度を出力してもよい。

ここで、期待値予測モデルは、教師あり回帰モデルを用いてもよい。

あるいは、推定モデルは、前提条件と操業条件を入力として分位点回帰して得られる処理後成分濃度を出力してもよい。

確率密度関数は、混合ガウス分布を仮定してもよい。

実行可能解探索部は、進化的アルゴリズムによって操業条件を探索してもよい。

また、上記課題を解決するために、本発明の別の観点によれば、溶銑または溶鋼の精錬処理における操業条件を算出する操業条件演算方法であって、過去の操業における実績データに基づいて、精錬処理前の前提条件と精錬処理に関する操業条件とを入力として、精錬処理後の成分濃度が所定の確率で精錬処理後の実績成分濃度以上となるような処理後成分濃度を出力する推定モデルを構築する推定モデル構築ステップと、確率密度関数により操業条件に対する制約条件を尤度制約条件として設定する尤度制約条件設定ステップと、処理後成分濃度に対する制約条件を処理後成分濃度制約条件として設定する処理後成分濃度制約条件設定ステップと、推定モデル、尤度制約条件及び処理後成分濃度制約条件に基づいて、操業条件を探索する実行可能解探索ステップと、を含む、操業条件演算方法が提供される。

以上説明したように本発明によれば、信頼性のある操業条件を算出することができる。

本発明の一実施形態に係る操業条件演算装置の機能構成を示すブロック図である。同実施形態に係る操業条件演算処理を示すフローチャートである。推定モデルの構成を示す説明図である。ＥｌａｓｔｉｃＮｅｔモデルに基づく期待値予測モデルｙ＾により予測された処理後Ｓ濃度と、実績の処理後Ｓ濃度との一関係例を図４に示す説明図である。予測処理後Ｓ濃度と実績処理後Ｓ濃度との分位点回帰モデルによる解析結果を示すグラフである。入力Ｘから分位点を直接推定したときの予測処理後Ｓ濃度と実績処理後Ｓ濃度との分位点回帰モデルによる解析結果を示すグラフである。９９％分位点回帰モデルを用いて処理後Ｓの９９％分位点を求める。予測処理後Ｓ濃度の精度評価結果を示すグラフである。期待値予測モデルと分位点回帰したモデルとにより求められる値について説明する説明図である。推定モデルの信頼領域の一例を示す説明図である。制約条件を加えなかった場合に得られた最適解の分布の一例を示す説明図である。制約条件を加えた場合に得られた最適解の分布の一例を示す説明図である。同実施形態に係る操業条件演算装置のハードウェア構成を説明するためのブロック図である。機械撹拌式脱硫装置（ＫＲ）の概略構成を示す説明図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜１．操業条件演算装置の機能構成＞
まず、図１に基づいて、本発明の一実施形態に係る操業条件演算装置について説明する。図１は、本実施形態に係る操業条件演算装置１００の機能構成を示すブロック図である。

本実施形態に係る操業条件演算装置１００は、溶銑または溶鋼の精錬処理における操業条件の最適化処理を行うための情報処理装置である。操業条件演算装置１００は、図１に示すように、実績データ取得部１１０と、推定モデル構築部１２０と、制約条件設定部１３０と、評価関数設定部１４０と、実行可能解探索部１５０と、出力部１６０とを備える。

実績データ取得部１１０は、精錬処理後成分濃度を推定する推定モデルの構築に用いる過去の操業における実績データを、実績データ記憶部２００から取得する。実績データは、精錬処理において測定された測定値あるいは測定値に基づき算出される値を含む。例えば、精錬処理後成分濃度としてＫＲ処理後Ｓ濃度の推定モデルの構築においては、溶銑温度、溶銑重量、処理前Ｃ濃度、処理前Ｓｉ濃度、処理前Ｍｎ濃度、処理前Ｐ濃度、処理前Ｓ濃度、湯面高さ、インペラー高さと撹拌速度との関数（Ｒ－ｄｉｐ）、インペラー使用回数、粉ＣａＯ装入量、２次スラグ装入量、Ａｌ濃度等が実績データとして取得される。実績データ取得部１１０は、所定数の過去の操業における実績データを取得し、推定モデル構築部１２０及び制約条件設定部１３０へ出力する。

推定モデル構築部１２０は、実績データ取得部１１０により取得された実績データに基づいて、処理前の前提条件と処理に関する操業条件とを入力として、処理後の成分濃度が所定の確率で処理後の実績成分濃度以上となるような処理後成分濃度を出力する推定モデルを構築する。

制約条件設定部１３０は、操業条件に対する制約条件を確率密度関数により設定し、処理後成分濃度に対する制約条件を設定する。操業条件に対する制約条件を「尤度制約条件」ともいい、処理後成分濃度に対する制約条件を「処理後成分濃度制約条件」ともいう。解とする操業条件の探索が、処理後成分濃度の推定モデルの信頼できる範囲内で行われることで、実行可能な操業条件を求めることができる。そこで、制約条件設定部１３０により、解を探索する範囲を制約条件として設定する。

尤度制約条件の設定は、具体的には、制約条件設定部１３０は、まず、処理後成分濃度の推定モデルの構築に用いた訓練データから、説明変数の全てまたは一部の説明変数の同時確率密度関数（例えば、混合ガウス分布）を推定する。そして、制約条件設定部１３０は、推定した密度関数を基に訓練データの対数尤度を計算し、パラメトリック（対数正規分布等）あるいはノンパラメトリック（カーネル密度推定法等）な手法によって推定される対数尤度の１次元確率密度関数を基に推定モデルが信頼できる管理限界を求める。この管理限界が尤度制約条件として設定される。また、処理後成分濃度制約条件には、処理後成分濃度の上限値または下限値のうち少なくともいずれか一方が規定される。

評価関数設定部１４０は、最小化すべき操業コストを評価関数として設定する。評価関数設定部１４０は、後述の実行可能解探索部１５０により操業条件を探索する際に操業コストを考慮する場合にのみ、操業コストに関する評価関数を設定し、実行可能解探索部１５０へ出力する。

実行可能解探索部１５０は、推定モデルを用いて、尤度制約条件及び処理後成分濃度制約条件を満たす操業条件を探索する。また、実行可能解探索部１５０は、操業コストを考慮して操業条件を探索する場合には、推定モデルを用いて、尤度制約条件及び処理後成分濃度制約条件を満たし、かつ、最小化すべきコストを設定した評価関数を最小化する操業条件を探索する。実行可能解探索部１５０は、探索の結果、最適かつ実行可能な操業条件を、最適操業条件とする。最適操業条件は、出力部１６０を介して出力してもよい。出力部１６０は、例えば情報を表示可能なディスプレイ、音声出力可能なスピーカ等である。

＜２．操業条件演算処理＞
図２に基づき、本実施形態に係る操業条件演算装置１００による操業条件演算処理について説明する。図２は、本実施形態に係る操業条件演算処理を示すフローチャートである。なお、以下では、溶銑または溶鋼の精錬処理の一例として、ＫＲにおける脱硫処理について説明する。

（Ｓ１００：推定モデル構築処理）
まず、操業条件演算装置１００は、実績データ取得部１１０により実績データ記憶部２００から過去の操業における実績データを取得すると、推定モデル構築部１２０により、分位点回帰による推定モデルを構築する。推定モデルの構成を図３に示す。図３に示すように、推定モデルは、説明変数Ｘから期待値を算出する期待値予測モデルｙ＾と、期待値予測モデルｙ＾の期待値を分位点回帰する分位点回帰モデルとからなる。なお、本明細書においては期待値予測モデルを「ｙ＾」と表すが、これは図３の「ｙ」の上部に「＾」が記載されたものと同意である。

期待値予測モデルｙ＾は、実績データから期待値を得ることの可能な機械学習モデル（教師あり回帰モデル）であればよく、例えば勾配ブースティング回帰モデル、重回帰モデル、サポートベクター回帰モデル、ＥｌａｓｔｉｃＮｅｔモデル等を用いることができる。本実施形態では、期待値予測モデルｙ＾として、一般化線形モデルの回帰に正則化項を考慮し、スパース化の効果の高いＥｌａｓｔｉｃＮｅｔモデルを用いる。ＥｌａｓｔｉｃＮｅｔモデルに基づく期待値予測モデルｙ＾により予測された処理後Ｓ濃度（以下、「予測処理後Ｓ濃度」とする。）と、実績の処理後Ｓ濃度（以下、「実績処理後Ｓ濃度」とする。）との一関係例を図４に示す。図４上側は、期待値予測モデルｙ＾の訓練データについての実績－予測の散布図であり、図４下側は、期待値予測モデルｙ＾の評価データについての実績－予測の散布図である。なお、ＥｌａｓｔｉｃＮｅｔモデルは二次多項式で表されたモデルとした。

図４より、予測処理後Ｓ濃度と実績処理後Ｓ濃度とはおおよそ一致しているが、図４下側の評価データについての実績－予測の散布図を見ると、例えば予測処理後Ｓ濃度が５のとき、実績処理後Ｓ濃度は１～１５程度の幅を持っている。そこで、このばらつきを低減することを検討すべく、図５に示すように、予測処理後Ｓ濃度と実績処理後Ｓ濃度とを分位回帰モデル（Quantile Regression；非特許文献１参照。）で解析した。分位点回帰モデルは、被説明変数の分布の分位点を説明する回帰モデルである。分位点回帰モデルでは、被説明変数の１／４分位、中央値（１／２分位）、３／４分位それぞれの分位点に対応する被説明変数の分布の分位点を持つ線形モデルを構築している。推定の際には、推定対象の分位点に対応する線形モデルを用いて、任意の説明変数での被説明変数の分布の分位点を推定する。

なお、ステップＳ１００では、説明変数Ｘから分位点を直接予測する推定モデルを構築してもよいが、ＥｌａｓｔｉｃＮｅｔモデルのように表現力の低いモデリング手法を用いた場合、高確率の分位点の計算精度が図６に示すように非常に保守的となってしまう。このため、一旦期待値を予測し、その予測値を分位点回帰することが好ましい。

このような分位点回帰モデルによる解析を行った結果、予測処理後Ｓ濃度が大きくなるにつれて、誤差のばらつきが大きくなるとの知見を得た。そこで、本実施形態では、図５に示す分位点のうち、９９％分位点回帰モデルを用いて処理後Ｓの９９％分位点を求める。予測処理後Ｓ濃度の精度評価結果を図７に示す。図７上側は、期待値予測モデルｙ＾の訓練データについての実績－予測の散布図であり、図７下側は、期待値予測モデルｙ＾の評価データについての実績－予測の散布図である。図４に示す期待値予測モデルｙ＾に基づく結果と、図７に示す期待値予測モデルｙ＾に９９％分位点回帰モデルを用いて処理後Ｓの９９％分位点を求めた結果とを比較すると、９９％分位点回帰モデルを用いることで、予測処理後Ｓ濃度が実績処理後Ｓ濃度（斜め４５°の直線）に近いところに分布するようになる。

そこで、推定モデル構築部１２０は、この９９％分位点での処理後Ｓ濃度ｙ＾_{ｑ（τ＝０．９９）}を推定処理後Ｓ濃度として出力する、図３に示す推定モデルを構築する。図３に示す推定モデルは、期待値に対する処理後Ｓ濃度の分位点を求めている。なお、本来、説明変数Ｘの値に応じて分位点を計算するモデルでなければならないが、本実施形態では図８に示すように、期待値の予測値が近い操業においてはすべて同じ分位点として計算するため、真の分位点との間に誤差が生じる。図８のＡ、Ｂにおいては、９９％分位点回帰により期待値予測モデルｙ＾の値から高く予測されており、図８のＣにおいては、９９％分位点回帰により期待値予測モデルｙ＾の値から低く予測されている。しかし、本例のように分位点確率を高めに設定した場合には、図８のＡ、Ｂのように高めに処理後Ｓ濃度を予測することがあっても、図８のＣのように低めに予測するリスクは低いと考えられる。

（Ｓ１１０：制約条件設定処理）
次いで、制約条件設定部１３０により、実績データの分布領域を規定する確率密度関数を制約条件として設定する（Ｓ１１０）。推定モデルの信頼できる範囲内で解を探索するため、本実施形態では複雑な同時確率密度関数を推定可能な混合ガウス分布による信頼度判定を実施する。

具体的には、まず、期待値予測モデルの構築に用いた訓練データから、説明変数の全てまたは一部の説明変数の同時確率密度関数（混合ガウス分布を仮定）を推定する。そして、制約条件設定部１３０は、推定した密度関数を基に訓練データの対数尤度を計算し、パラメトリック（対数正規分布等）あるいはノンパラメトリック（カーネル密度推定法等）の手法によって推定される対数尤度の確率密度関数を基に予測モデルが信頼できる管理限界を求める。この管理限界が制約条件として設定される。

図９に、推定モデルの信頼領域の一例を示す。図９では、粉ＣａＯ装入量と２次スラグ装入量との２つの説明変数に関する信頼領域を示している。図９に示すように、実績データのプロットが所定数以上含まれる範囲（すなわち管理限界）が存在する。制約条件設定部１３０は、かかる領域を信頼領域とし、この領域から外れる実績データは除外する制約条件を生成し、実行可能解探索部１５０へ出力する。また、制約条件設定部１３０は、処理後成分濃度制約条件として、処理後成分濃度の上限値または下限値のうち少なくともいずれか一方を設定し、実行可能解探索部１５０へ出力する。

なお、操業条件を探索する際に操業コストを考慮する場合には、上記制約条件とともに、評価関数設定部１４０によって、最小化すべき操業コストを評価関数として設定すればよい。

（Ｓ１２０：実行可能解探索処理）
その後、実行可能解探索部１５０により、推定モデルと制約条件とに基づき、最適操業条件を探索する。すなわち、実行可能解探索部１５０は、下記式（１）～（４）で表される最適化問題を解き、最適解を求める。なお、分位点回帰モデルを表す関数ｆ（ｕ，ｖ）及び確率密度関数ｐ（ｕ）は非線形関数であるため、数理解法で解くことができない。このため、本実施形態では最適化手法として進化的アルゴリズムの１つである差分進化法を用いる。

なお、上記変数は以下の通りである。

決定変数ｕは、最適操業条件として求める対象変数であり、例えば、インペラー初期高さ、処理時間、撹拌速度、粉ＣａＯ装入量、二次スラグ装入量、Ｂ－Ａｌとする。重みは、ＫＲ処理のコストに関し、各決定変数ｕに対してそれぞれ設定される。また、訓練データが分布している領域内で解を探索するために、対数数度関数（すなわち、確率密度関数）ｐ（ｕ）が管理限界α以下となるように、尤度制約条件として、式（２）の制約式が設定される。さらに、処理後成分濃度が目標上限Ｓ濃度以下となるように、処理後成分濃度制約条件として、式（３）の制約式が設定される。さらに、各決定変数の値が指定された上下限値［ｕ_ｉ ^{ｌｏｗｅｒ}，ｕ_ｉ ^{ｕｐｐｅｒ}］の範囲に収まるように、尤度制約条件として、式（４）の制約式が設定される。

式（１）で表される評価関数ＪはＫＲ処理における操業コストとして副材コストを表している。実行可能解探索部１５０は、上記式（１）及び式（２）～（４）で表される最適化問題を解き、処理後Ｓ濃度の成分適中率の向上とコスト削減を達成する最適操業条件を求める。

制約条件を設けることの効果を確認するために、評価データの先頭５０チャージに対して、最適化対象変数ｕを式（１）～（４）に基づく最適化計算により算出した。機械学習モデルは図３に示した推定モデルを用いた。比較例として、図１０に、制約条件を加えなかった場合に得られた最適解の分布を示し、実施例として、図１１に、制約条件を加えた場合に得られた最適解の分布を示す。図１０及び図１１では、分布１に粉ＣａＯ装入量－二次スラグ装入量、分布２に粉ＣａＯ装入量－処理時間、分布３に粉ＣａＯ装入量－Ｂ－Ａｌの分布を示している。図１０及び図１１において、●は訓練データ、▲は最適解を表す。図１０では、分布１、分布２に顕著に表れているように、訓練データの存在しないところで最適解が得られていた。制約条件を加えることで、図１１に示すように、訓練データの存在するところで最適解が得られていた。

＜３．ハードウェア構成＞
次に、図１２を参照しながら、本発明の実施形態に係る操業条件演算装置１００のハードウェア構成について、詳細に説明する。図１２は、本実施形態に係る操業条件演算装置１００のハードウェア構成を説明するためのブロック図である。

操業条件演算装置１００は、主に、ＣＰＵ９０１と、ＲＯＭ９０３と、ＲＡＭ９０５と、を備える。また、操業条件演算装置１００は、さらに、バス９０７と、入力装置９０９と、出力装置９１１と、ストレージ装置９１３と、ドライブ９１５と、接続ポート９１７と、通信装置９１９とを備える。

ＣＰＵ９０１は、演算処理装置および制御装置として機能し、ＲＯＭ９０３、ＲＡＭ９０５、ストレージ装置９１３、またはリムーバブル記録媒体９２１に記録された各種プログラムに従って、操業条件演算装置１００内の動作全般またはその一部を制御する。ＲＯＭ９０３は、ＣＰＵ９０１が使用するプログラムや演算パラメータなどを記憶する。ＲＡＭ９０５は、ＣＰＵ９０１が使用するプログラムや、プログラムの実行において適宜変化するパラメータなどを一次記憶する。これらはＣＰＵバスなどの内部バスにより構成されるバス９０７により相互に接続されている。

バス９０７は、ブリッジを介して、ＰＣＩ（ＰｅｒｉｐｈｅｒａｌＣｏｍｐｏｎｅｎｔＩｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バスに接続されている。

入力装置９０９は、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチおよびレバーなどユーザが操作する操作手段である。また、入力装置９０９は、例えば、赤外線やその他の電波を利用したリモートコントロール手段（いわゆる、リモコン）であってもよいし、操業条件演算装置１００の操作に対応したＰＤＡなどの外部接続機器９２３であってもよい。さらに、入力装置９０９は、例えば、上記の操作手段を用いてユーザにより入力された情報に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などから構成されている。操業条件演算装置１００のユーザは、この入力装置９０９を操作することにより、操業条件演算装置１００に対して各種のデータを入力したり処理動作を指示したりすることができる。

出力装置９１１は、取得した情報をユーザに対して視覚的または聴覚的に通知することが可能な装置で構成される。このような装置として、ＣＲＴディスプレイ装置、液晶ディスプレイ装置、プラズマディスプレイ装置、ＥＬディスプレイ装置およびランプなどの表示装置や、スピーカおよびヘッドホンなどの音声出力装置や、プリンタ装置、携帯電話、ファクシミリなどがある。出力装置９１１は、例えば、操業条件演算装置１００が行った各種処理により得られた結果を出力する。具体的には、表示装置は、操業条件演算装置１００が行った各種処理により得られた結果を、テキストまたはイメージで表示する。他方、音声出力装置は、再生された音声データや音響データなどからなるオーディオ信号をアナログ信号に変換して出力する。

ストレージ装置９１３は、操業条件演算装置１００の記憶部の一例として構成されたデータ格納用の装置である。ストレージ装置９１３は、例えば、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）などの磁気記憶部デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイスなどにより構成される。このストレージ装置９１３は、ＣＰＵ９０１が実行するプログラムや各種データ、および外部から取得した各種のデータなどを格納する。

ドライブ９１５は、記録媒体用リーダライタであり、操業条件演算装置１００に内蔵、あるいは外付けされる。ドライブ９１５は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体９２１に記録されている情報を読み出して、ＲＡＭ９０５に出力する。また、ドライブ９１５は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体９２１に記録を書き込むことも可能である。リムーバブル記録媒体９２１は、例えば、ＣＤメディア、ＤＶＤメディア、Ｂｌｕ－ｒａｙ（登録商標）メディアなどである。また、リムーバブル記録媒体９２１は、コンパクトフラッシュ（登録商標）（ＣｏｍｐａｃｔＦｌａｓｈ：ＣＦ）、フラッシュメモリ、または、ＳＤメモリカード（ＳｅｃｕｒｅＤｉｇｉｔａｌｍｅｍｏｒｙｃａｒｄ）などであってもよい。また、リムーバブル記録媒体９２１は、例えば、非接触型ＩＣチップを搭載したＩＣカード（ＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔｃａｒｄ）または電子機器などであってもよい。

接続ポート９１７は、機器を操業条件演算装置１００に直接接続するためのポートである。接続ポート９１７の一例として、ＵＳＢ（ＵｎｉｖｅｒｓａｌＳｅｒｉａｌＢｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（ＳｍａｌｌＣｏｍｐｕｔｅｒＳｙｓｔｅｍＩｎｔｅｒｆａｃｅ）ポート、ＲＳ－２３２Ｃポートなどがある。この接続ポート９１７に外部接続機器９２３を接続することで、操業条件演算装置１００は、外部接続機器９２３から直接各種のデータを取得したり、外部接続機器９２３に各種のデータを提供したりする。

通信装置９１９は、例えば、通信網９２５に接続するための通信デバイスなどで構成された通信インターフェースである。通信装置９１９は、例えば、有線または無線ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、またはＷＵＳＢ（ＷｉｒｅｌｅｓｓＵＳＢ）用の通信カードなどである。また、通信装置９１９は、光通信用のルータ、ＡＤＳＬ（ＡｓｙｍｍｅｔｒｉｃＤｉｇｉｔａｌＳｕｂｓｃｒｉｂｅｒＬｉｎｅ）用のルータ、または、各種通信用のモデムなどであってもよい。この通信装置９１９は、例えば、インターネットや他の通信機器との間で、例えばＴＣＰ／ＩＰなどの所定のプロトコルに則して信号などを送受信することができる。また、通信装置９１９に接続される通信網９２５は、有線または無線によって接続されたネットワークなどにより構成され、例えば、インターネット、家庭内ＬＡＮ、赤外線通信、ラジオ波通信または衛星通信などであってもよい。

以上、本発明の実施形態に係る操業条件演算装置１００の機能を実現可能なハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。従って、本実施形態を実施する時々の技術レベルに応じて、適宜、利用するハードウェア構成を変更することが可能である。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

１００操業条件演算装置
１１０実績データ取得部
１２０推定モデル構築部
１３０制約条件設定部
１４０評価関数設定部
１５０実行可能解探索部
１６０出力部
２００実績データ記憶部

Claims

溶銑または溶鋼の精錬処理における操業条件を算出する操業条件演算装置であって、
過去の操業における実績データに基づいて、前記精錬処理前の前提条件と前記精錬処理に関する操業条件とを入力として、前記精錬処理後の成分濃度が所定の確率で前記精錬処理後の実績成分濃度以上となるような処理後成分濃度を出力する推定モデルを構築する推定モデル構築部と、
確率密度関数により前記操業条件に対する制約条件を尤度制約条件として設定し、前記処理後成分濃度に対する制約条件を処理後成分濃度制約条件として設定する、制約条件設定部と、
前記推定モデル、前記尤度制約条件及び前記処理後成分濃度制約条件に基づいて、前記操業条件を探索する実行可能解探索部と、
を備える、操業条件演算装置。
最小化すべき操業コストを評価関数として設定する評価関数設定部を備え、
前記実行可能解探索部は、前記推定モデル、尤度制約条件及び処理後成分濃度制約条件を満たし、かつ、前記評価関数を最小化する前記操業条件を探索する、請求項１に記載の操業条件演算装置。
前記推定モデルは、
前記前提条件と前記操業条件とを入力として期待値予測モデルにより前記処理後成分濃度の期待値を算出し、
前記期待値を入力として分位点回帰して得られる前記処理後成分濃度を出力する、請求項１または２に記載の操業条件演算装置。
前記期待値予測モデルは、教師あり回帰モデルを用いる、請求項３に記載の操業条件演算装置。
前記推定モデルは、前記前提条件と前記操業条件を入力として分位点回帰して得られる処理後成分濃度を出力する、請求項１または２に記載の操業条件演算装置。
前記確率密度関数は、混合ガウス分布を仮定する、請求項１～５のいずれか１項に記載の操業条件演算装置。
前記実行可能解探索部は、進化的アルゴリズムによって前記操業条件を探索する、請求項１～６のいずれか１項に記載の操業条件演算装置。
溶銑または溶鋼の精錬処理における操業条件を算出する操業条件演算方法であって、
過去の操業における実績データに基づいて、前記精錬処理前の前提条件と前記精錬処理に関する操業条件とを入力として、前記精錬処理後の成分濃度が所定の確率で前記精錬処理後の実績成分濃度以上となるような処理後成分濃度を出力する推定モデルを構築する推定モデル構築ステップと、
確率密度関数により前記操業条件に対する制約条件を尤度制約条件として設定する尤度制約条件設定ステップと、
前記処理後成分濃度に対する制約条件を処理後成分濃度制約条件として設定する処理後成分濃度制約条件設定ステップと、
前記推定モデル、前記尤度制約条件及び前記処理後成分濃度制約条件に基づいて、前記操業条件を探索する実行可能解探索ステップと、
を含む、操業条件演算方法。