JPH0445210A - 高炉装入物分布制御方法 - Google Patents
高炉装入物分布制御方法Info
- Publication number
- JPH0445210A JPH0445210A JP15169790A JP15169790A JPH0445210A JP H0445210 A JPH0445210 A JP H0445210A JP 15169790 A JP15169790 A JP 15169790A JP 15169790 A JP15169790 A JP 15169790A JP H0445210 A JPH0445210 A JP H0445210A
- Authority
- JP
- Japan
- Prior art keywords
- furnace
- gas
- distribution
- neural network
- stave
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Manufacture Of Iron (AREA)
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。
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１
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
を目的とするベルレス高炉装入物分布制御方法に関する
。
理範囲内に維持し、適切なガス流れ分布を確保すること
を目的とするベルレス高炉装入物分布制御方法に関する
。
［従来の技術］
ベ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、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、操業解析が困難
であるという問題点があった。
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、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、操業解析が困難
である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５８−８７２０９
号公報に開示されているような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。このベ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、かつ該中心流〜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てなる装
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ずき炉体熱負荷、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、ベルレス高炉の適切なガス流れ分布が実現されて
いる。
号公報に開示されているような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。このベ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、かつ該中心流〜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てなる装
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ずき炉体熱負荷、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、ベルレス高炉の適切なガス流れ分布が実現されて
いる。
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
る。
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
る。
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し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。
することによってはし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
っておりかつ定性的であるため、知識を抽出することが
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。
っておりかつ定性的であるため、知識を抽出することが
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。
また、従来方法で特に困難なのは、センサ情報からガス
流れを判断するところにある。
流れを判断するところにある。
１日平均値の数日間にわたる（数十日になることもある
）トレンドグラフを見ながらオペレータは傾向判断をし
ているが、ばらつきが多い上、他の外乱の影響もあって
正確にガス流れを判定するのは困難であった。さらに固
定ゾンデなとは炉半径方向の分布データであり分布をオ
ペレータが直感的に目視で評価するのは可能であったが
、統一さｎたロジックで定量化することは難しかった。
）トレンドグラフを見ながらオペレータは傾向判断をし
ているが、ばらつきが多い上、他の外乱の影響もあって
正確にガス流れを判定するのは困難であった。さらに固
定ゾンデなとは炉半径方向の分布データであり分布をオ
ペレータが直感的に目視で評価するのは可能であったが
、統一さｎたロジックで定量化することは難しかった。
〔課題を解決するための手段１
本発明は、ベ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、次の■、■、■の工程を備えたこと
を特徴とする高炉装入物分布制御方法である。
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、次の■、■、■の工程を備えたこと
を特徴とする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、シャフト部ガス利用率分布等の各種データの
うち、まず、固定ゾンデ温度分布やシャフト部ガス利用
率分布の炉内半径方向分布置における値を入力理容ユニ
ットに入力した第１のニューラルネットワークを用いて
ガス分布傾向指数を出力として求め、 ■ 求めた指数及びステーブ熱負荷、ステーブレンガ温
度等の時系列データの直近数日分の各個を入力理容ユニ
ットに入力した第２のニューラルネットワークを用いて
時系列の単位毎に炉内ガス流の中心流の増減傾向、炉壁
流の増減傾向を出力として求め、 ■ この出力に基づいて旋回シュートを制御すること。
温度分布、シャフト部ガス利用率分布等の各種データの
うち、まず、固定ゾンデ温度分布やシャフト部ガス利用
率分布の炉内半径方向分布置における値を入力理容ユニ
ットに入力した第１のニューラルネットワークを用いて
ガス分布傾向指数を出力として求め、 ■ 求めた指数及びステーブ熱負荷、ステーブレンガ温
度等の時系列データの直近数日分の各個を入力理容ユニ
ットに入力した第２のニューラルネットワークを用いて
時系列の単位毎に炉内ガス流の中心流の増減傾向、炉壁
流の増減傾向を出力として求め、 ■ この出力に基づいて旋回シュートを制御すること。
〔作用］
本発明のポイントは、ニューラルネットワークの直観的
パターン認識能力を利用したところにある。
パターン認識能力を利用したところにある。
温度やガスの炉半径方向分布は一種のパターン情報であ
る。また、本制御ではあらゆる情報の時系列データをト
レンドで表現し、その傾向をパターンとして判断する。
る。また、本制御ではあらゆる情報の時系列データをト
レンドで表現し、その傾向をパターンとして判断する。
「上がってきた」とかＣ下がってきた」とかいう判断も
パターン情報判断である。
パターン情報判断である。
本発明によれば、各種の高炉操業データのうち炉内ガス
流れの炉内半径方向分布の中心流の増減傾向または炉壁
流の増減傾向及びその時間変化をパターンとしてニュー
ラルネットワークにより判断する。そのパターン情報及
び当面の状態値に基づいて旋回シュートのイψ動角パタ
ーンを設定する。この設定に基づいて旋回シュートの傾
動を制御するようにしたから、最も適切なアクションを
とることができる。したがって、ステーブ熱負荷や装入
の安定した高炉操業ができるようになる。
流れの炉内半径方向分布の中心流の増減傾向または炉壁
流の増減傾向及びその時間変化をパターンとしてニュー
ラルネットワークにより判断する。そのパターン情報及
び当面の状態値に基づいて旋回シュートのイψ動角パタ
ーンを設定する。この設定に基づいて旋回シュートの傾
動を制御するようにしたから、最も適切なアクションを
とることができる。したがって、ステーブ熱負荷や装入
の安定した高炉操業ができるようになる。
［実施例ｊ
以下本発明の実施例を図面に基づいて説明する。第１図
は本発明を実施するためのシステム構成例である。
は本発明を実施するためのシステム構成例である。
高炉ｌ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る。旋回シュート２は第２図
（ａ）に示すように旋回速度Ｒと傾動角αを任意に変更
可能な自由度の高い装入装置である０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上
部バンカーからの排出速度が調整されている。また、旋
回シュート２は各旋回毎に傾動角を変更することができ
る。第２図（ｂ）の縦軸に示すように角度をあるノツチ
数でわかりやす（して定義しておく０例えば α＝５５° ：ノッチ１ α＝５２° ：ノッチ２ α＝４５° ：ノッチ３ というように定めておく。
スと鉱石が交互に供給される。旋回シュート２は第２図
（ａ）に示すように旋回速度Ｒと傾動角αを任意に変更
可能な自由度の高い装入装置である０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上
部バンカーからの排出速度が調整されている。また、旋
回シュート２は各旋回毎に傾動角を変更することができ
る。第２図（ｂ）の縦軸に示すように角度をあるノツチ
数でわかりやす（して定義しておく０例えば α＝５５° ：ノッチ１ α＝５２° ：ノッチ２ α＝４５° ：ノッチ３ というように定めておく。
横軸に第１−１４旋回をとり、その各旋回面ごとにノツ
チ数を設定すれば、第２図（ｂ）のパターンを得ること
ができ、これに従って第１図の旋回シュート制御装置８
が作動して旋回シュート２を設定通りに回転・傾動する
ことが可能なようになっている。
チ数を設定すれば、第２図（ｂ）のパターンを得ること
ができ、これに従って第１図の旋回シュート制御装置８
が作動して旋回シュート２を設定通りに回転・傾動する
こと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保存されている。
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保存されている。
本発明を実行する専用コンピュータ４は、前記データ９
の入力手段５を備え、さらにそれらの入力データを用い
てパターン判断計算をする第１、第２のニューラルネッ
トワーク６（分布データ処理用を６−１、時系列データ
処理用を６−２とした）を備えている。さらに計算結果
をＣＲＴに表示する手段７をもち、結果をオペレータに
知らしめることができる。
の入力手段５を備え、さらにそれらの入力データを用い
てパターン判断計算をする第１、第２のニューラルネッ
トワーク６（分布データ処理用を６−１、時系列データ
処理用を６−２とした）を備えている。さらに計算結果
をＣＲＴに表示する手段７をもち、結果をオペレータに
知らしめることができる。
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は同一装置でもかまわない。本発明の
プログラムは１日１回の頻度で作動する。
ンピュータ３と４は同一装置でもかまわない。本発明の
プログラムは１日１回の頻度で作動する。
次にさら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から入力するデータは下記の通
りである。
がプロセスコンピュータから入力するデータは下記の通
りである。
（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Ｎｔ−Ｎｔｏ： ガスサンブラで測定されたシャフト部ガス利用率分布で
あり、Ｎの右下の添字は半径方向の位置を示す。■が中
心側、１０が炉壁側２〜９はその中間点である。ガス利
用率Ｎ（ｌｉ！の定義は（ｃｌ固定ゾンデ温度ＴＩ−Ｔ
６： 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、Ｔ２〜Ｔ５はその中間部
である。
サンプラＮｔ−Ｎｔｏ： ガスサンブラで測定されたシャフト部ガス利用率分布で
あり、Ｎの右下の添字は半径方向の位置を示す。■が中
心側、１０が炉壁側２〜９はその中間点である。ガス利
用率Ｎ（ｌｉ！の定義は（ｃｌ固定ゾンデ温度ＴＩ−Ｔ
６： 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、Ｔ２〜Ｔ５はその中間部
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
。
。
（ｅ）Ｌｏ ／Ｌｃ ：
原料装入直前のサウンジング降下距離からの鉱石層厚（
Ｌｏ）とコークス層厚（Ｌｃ）の比。
Ｌｏ）とコークス層厚（Ｌｃ）の比。
（ｆ）疎密指数：
Σ（（差ｔル間隔）−（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３図に
示すように指数化したもの。
角（θ）： プロフィール計で測定された装入物表面形状を第３図に
示すように指数化したもの。
（ｈ）過去のアクション履歴：
過去数日分とったアクションをＣＰＩ指数で定量化した
もの これらのうち、ガスサンプラーのＮ値と固定ゾンデ温度
は例えば第４図（ａ）、（ｂ）のような炉半径方向の分
布情報である。これに対し、第５図（ａ）、（ｂ）のよ
うに入力層としてＮ１〜Ｎ１０．Ｔ１〜ＴＧの各データ
をそれぞれユニットに割付け、出力層としてガス流れ傾
向指数をもつ第１のニューラルネットワーク群（６−１
）を構成する１本例では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。ユニッ
トの内部関数は入力層は「通過」ｔｔｈｒｏｕｇｈｌ
、隠れ層と出力層はシグモイド関数とした。また層構造
とは別に常に１の値をもつバイアスユニットを設は隠れ
層と出力層の各ユニットとリンクさせた。これによりス
カッシング関数のしきい値学習も可能となる。
もの これらのうち、ガスサンプラーのＮ値と固定ゾンデ温度
は例えば第４図（ａ）、（ｂ）のような炉半径方向の分
布情報である。これに対し、第５図（ａ）、（ｂ）のよ
うに入力層としてＮ１〜Ｎ１０．Ｔ１〜ＴＧの各データ
をそれぞれユニットに割付け、出力層としてガス流れ傾
向指数をもつ第１のニューラルネットワーク群（６−１
）を構成する１本例では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。ユニッ
トの内部関数は入力層は「通過」ｔｔｈｒｏｕｇｈｌ
、隠れ層と出力層はシグモイド関数とした。また層構造
とは別に常に１の値をもつバイアスユニットを設は隠れ
層と出力層の各ユニットとリンクさせた。これによりス
カッシング関数のしきい値学習も可能となる。
次に、上側で求めたガス流れ傾向指数Ｎｏ、Ｔｏのほか
に、第６図に一例を示すように、ステーブ熱負荷、シャ
フト圧損、Ｌ ｏ ／ Ｌ ｃ 、疎密指数、し、０、
ＣＰＩ指数などの時系列情報の１日平均値を３０日分入
力する。これらに対してそれぞれ３０個の入カニニット
を持ち、出力層として中心流増減傾向、中間流増減傾向
、炉壁流増減傾向を指示する３つのユニットを設けた第
２のニューラルネットワーク群（６−］を用意する。本
例でも第６図に示すように第１のニューラルネットワー
ク群（６−１１と同様なネットワーク構造とした。
に、第６図に一例を示すように、ステーブ熱負荷、シャ
フト圧損、Ｌ ｏ ／ Ｌ ｃ 、疎密指数、し、０、
ＣＰＩ指数などの時系列情報の１日平均値を３０日分入
力する。これらに対してそれぞれ３０個の入カニニット
を持ち、出力層として中心流増減傾向、中間流増減傾向
、炉壁流増減傾向を指示する３つのユニットを設けた第
２のニューラルネットワーク群（６−］を用意する。本
例でも第６図に示すように第１のニューラルネットワー
ク群（６−１１と同様なネットワーク構造とした。
まずこのネットワークは熟練オペレータの判断結果をも
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オンライン情報をもと
に出力が計算されていく６ 第６図は第２のニューラルネットワークのうちステーブ
熱負荷の時系列データを利用した例を示している。この
ネットワークをオンラインで動作させた結果のトレンド
のグラフを第７図に示した。途中炉壁流増加傾向が強ま
り、第７図（ａ）に示すように炉壁熱負荷が上昇し、中
心流傾向度（第７図（ｂ））、炉壁流傾向度（第７図（
ｄ））の変化が出力されたのでその結果に基づいてオペ
レータが適切なアクションをとったため、（第７図（ｅ
））適正なガス分布に回復させることができた。
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オンライン情報をもと
に出力が計算されていく６ 第６図は第２のニューラルネットワークのうちステーブ
熱負荷の時系列データを利用した例を示している。この
ネットワークをオンラインで動作させた結果のトレンド
のグラフを第７図に示した。途中炉壁流増加傾向が強ま
り、第７図（ａ）に示すように炉壁熱負荷が上昇し、中
心流傾向度（第７図（ｂ））、炉壁流傾向度（第７図（
ｄ））の変化が出力されたのでその結果に基づいてオペ
レータが適切なアクションをとったため、（第７図（ｅ
））適正なガス分布に回復させることができた。
本発明によって高炉の適切なガス流分布判定が可能とな
り、従来よりも的確でタイムリーなアクションが可能と
なった。このため、ステーブ熱負荷やガス流分布が安定
に維持されるとともに、スノップ回数等も減少し、荷下
がりが安定するようになった。
り、従来よりも的確でタイムリーなアクションが可能と
なった。このため、ステーブ熱負荷やガス流分布が安定
に維持されるとともに、スノップ回数等も減少し、荷下
がりが安定するようになった。
第１図は本発明方法の実施に用いる全体構成のブロック
図、第２図は旋回シュートのパターンを示すヒストグラ
ム、第３図は炉頂プロフィール計−１１定値から得られ
る指数の説明図、第４図はガスサンプラーと固定温度ゾ
ンデ測定値の例を示すグラフ、第５図は同上の分布図判
定用ニューラルネットワークの構成図、第６図は時系列
データからガス流れ傾向度を推定するニューラルネット
ワークの構成図、第７図は実操業例のグラフである。 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・・−ニューラルネットワーク群 ７−・・データ出力表示手段 ８・・・旋回シュート制御装置 ９・・・各種センサ
図、第２図は旋回シュートのパターンを示すヒストグラ
ム、第３図は炉頂プロフィール計−１１定値から得られ
る指数の説明図、第４図はガスサンプラーと固定温度ゾ
ンデ測定値の例を示すグラフ、第５図は同上の分布図判
定用ニューラルネットワークの構成図、第６図は時系列
データからガス流れ傾向度を推定するニューラルネット
ワークの構成図、第７図は実操業例のグラフである。 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・・−ニューラルネットワーク群 ７−・・データ出力表示手段 ８・・・旋回シュート制御装置 ９・・・各種センサ
Claims (1)
- 【特許請求の範囲】 １ ベ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、固定ゾンデ温度分布やシャフト部ガス利用
率分布の炉内半径方向各位置における値を入力層各ユニ
ットに入力した第１のニューラルネットワークを用いて
ガス分布傾向指数を出力として求め、 求めた該指数及びステーブ熱負荷、ステーブレンガ温度
等の時系列データの直近数日分の各値を入力層各ユニッ
トに入力した第２のニューラルネットワークを用いて時
系列の単位毎に炉内ガス流れの中心流の増減傾向、炉壁
流の増減傾向を出力として求め、該出力に基づいて旋回
シュートを制御することを特徴とする高炉装入物分布制
御方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15169790A JP2506486B2 (ja) | 1990-06-12 | 1990-06-12 | 高炉装入物分布制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15169790A JP2506486B2 (ja) | 1990-06-12 | 1990-06-12 | 高炉装入物分布制御方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0445210A true JPH0445210A (ja) | 1992-02-14 |
| JP2506486B2 JP2506486B2 (ja) | 1996-06-12 |
Family
ID=15524288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP15169790A Expired - Fee Related JP2506486B2 (ja) | 1990-06-12 | 1990-06-12 | 高炉装入物分布制御方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2506486B2 (ja) |
-
1990
- 1990-06-12 JP JP15169790A patent/JP2506486B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2506486B2 (ja) | 1996-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cemernek et al. | Machine learning in continuous casting of steel: A state-of-the-art survey | |
| Solak et al. | Derivative observations in Gaussian process models of dynamic systems | |
| CN106345823B (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
| CN106909705A (zh) | 一种高炉铁水质量预报方法及其系统 | |
| CN114329940A (zh) | 一种基于极限学习机的连铸坯质量预测方法 | |
| JPH049843B2 (ja) | ||
| CN110209173A (zh) | 基于s型速度规划的时间最优在线轨迹规划方法 | |
| CN114185976B (zh) | 一种高炉可视化智能感知平台 | |
| Liu et al. | Intelligent prediction and real-time monitoring system for gas flow distribution at the top of blast furnace | |
| CN113299352B (zh) | 一种烧结台车的料层厚度动态预测系统及方法 | |
| CN116324323A (zh) | 生成预测熔化炉的能量效率的学习完毕预测模型的方法、预测熔化炉的能量效率的方法以及计算机程序 | |
| CN112070408A (zh) | 基于大数据和深度学习的烧结矿成分预报模型 | |
| KR20200013143A (ko) | 고로의 용선온도 예측 장치 및 방법 | |
| CN110222825A (zh) | 一种水泥成品比表面积预测方法及系统 | |
| JP3039279B2 (ja) | ベルレス高炉装入物の分布制御の支援方法 | |
| KR100328937B1 (ko) | 신경망을이용한전로취련예측방법 | |
| JPH0445209A (ja) | 高炉装入物分布制御方法 | |
| JP2506486B2 (ja) | 高炉装入物分布制御方法 | |
| Shen et al. | Velocity and size measurement of falling particles with fuzzy PTV | |
| Hu et al. | Prediction method of silicon content in blast furnace hot metal based on IPSO-HKELM | |
| JPH0445208A (ja) | 高炉装入物分布制御方法 | |
| JPH1060510A (ja) | 高炉異常炉況予知方法 | |
| JPH0637650B2 (ja) | 高炉送風流量制御方法 | |
| Yudin et al. | Fuzzy control of rotary cement kiln using sintering zone image recognition | |
| US20030200064A1 (en) | One-dimensional modeling of the manufacture of multi-layered material |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |