WO2021014782A1 - 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法 - Google Patents

学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法 Download PDF

Info

Publication number
WO2021014782A1
WO2021014782A1 PCT/JP2020/022126 JP2020022126W WO2021014782A1 WO 2021014782 A1 WO2021014782 A1 WO 2021014782A1 JP 2020022126 W JP2020022126 W JP 2020022126W WO 2021014782 A1 WO2021014782 A1 WO 2021014782A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning model
model generation
data
blast furnace
hot metal
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.)
Ceased
Application number
PCT/JP2020/022126
Other languages
English (en)
French (fr)
Inventor
佳也 橋本
達哉 海瀬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=74193755&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=WO2021014782(A1) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Priority to EP20844633.6A priority Critical patent/EP4002023B1/en
Priority to BR112021025958-9A priority patent/BR112021025958B1/pt
Priority to KR1020227000669A priority patent/KR102745513B1/ko
Priority to CN202080050757.5A priority patent/CN114341879B/zh
Publication of WO2021014782A1 publication Critical patent/WO2021014782A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • C21B5/006—Automatically controlling the process
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B2300/00—Process aspects
    • C21B2300/04—Modeling of the process, e.g. for control purposes; CII
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Definitions

  • the present invention relates to a learning model generation method, a learning model generation device, a blast furnace hot metal temperature control method, a blast furnace hot metal temperature control guidance method, and a hot metal manufacturing method.
  • Hot metal temperature is an important control index in the blast furnace process in the steel industry.
  • blast furnace operations in recent years have been carried out under conditions of low coke ratio and high pulverized coal ratio in order to pursue rationalization of raw material and fuel costs, and the furnace condition is likely to become unstable. Therefore, there is a great need for reducing variations in hot metal temperature.
  • various reactions such as gasification of coke and reduction and dissolution of ore occur.
  • the heat capacity of the entire process is large and the time constant of the response to the action is long. Therefore, in order to reduce the variation in hot metal temperature, a hot metal temperature control rule that appropriately considers the complicated dynamics of the blast furnace is required.
  • Patent Document 1 a hot metal temperature control method based on a physical model
  • Patent Document 2 a hot metal temperature control method based on past data
  • Patent Document 1 a physical model is used on the assumption that the current operation amount is maintained while adjusting the gas reduction rate parameter in the physical model so as to match the actually measured furnace top gas composition.
  • the method of calculating the predicted value of the hot metal temperature and controlling the hot metal temperature based on the calculated predicted value is described.
  • Patent Document 2 an operation case similar to the current operation condition is extracted from the past operation cases, a predicted value of the hot metal temperature is calculated based on the extracted operation case, and the calculated predicted value is obtained.
  • a method of controlling the hot metal temperature based on the above is described.
  • the present invention has been made in view of the above problems, and an object of the present invention is to provide a learning model generation method and a learning model generation device capable of generating a learning model capable of accurately controlling the state of a process or an apparatus. It is in. Another object of the present invention is to provide a hot metal temperature control method and a hot metal temperature control guidance method for a blast furnace, which can accurately control the hot metal temperature of the blast furnace. Further, another object of the present invention is to provide a method for producing hot metal, which can produce hot metal at a high yield.
  • image data obtained by imaging historical data of one or more observed amounts indicating the operating state of a process or the operating state of an apparatus is input data, and the operator determines based on the historical data.
  • the image data may be a two-dimensional image in which the time axis is arranged on one axis and the history data is arranged on the other axis.
  • the historical data of the image data is an image of the trend graph of the observed amount.
  • the history data of the image data is an image obtained by associating a color and / or a shade of color with a numerical value of each history data.
  • the input data may be image data in a predetermined continuous predetermined time interval, and the output data may be the operation amount after the predetermined time interval.
  • the input data is image data in which one or a plurality of values of the observed amount determined as the controlled amount after the elapse of a predetermined time after the operation amount is changed are within a predetermined range centered on each target value. Good.
  • the image data may include historical data of the operation amount.
  • the behavior model should be a convolutional neural network.
  • the process is a blast furnace process, and the observed amount includes at least one of the hot metal temperature, the tuyere embedding temperature, and the coke ratio, and the manipulated variable is the manipulated variable for controlling the hot metal temperature of the blast furnace. Good.
  • the operation amount may be at least one of the pulverized coal ratio, the blast moisture content, and the coke ratio.
  • image data obtained by imaging historical data of one or more observed amounts indicating the operating state of a process or the operating state of an apparatus is input data, and the operator determines based on the historical data. It is provided with a means for an operator to machine-learn an action model for determining an operation amount of a process or a device and output the machine-learned action model using the operation amount of the process or the device as output data.
  • the operation amount capable of controlling the hot metal temperature of the blast furnace to the target temperature is determined by using the behavior model generated by the learning model generation method according to the present invention. Includes steps to control the blast furnace according to quantity.
  • the hot metal temperature control guidance method for the blast furnace according to the present invention was determined by determining the operation amount capable of controlling the hot metal temperature of the blast furnace to the target temperature by using the behavior model generated by the learning model generation method according to the present invention. It includes a step of giving guidance for changing the operation amount according to the operation amount.
  • the method for producing hot metal according to the present invention includes a step of producing hot metal using the hot metal temperature control method for the blast furnace according to the present invention or the hot metal temperature control guidance method for the blast furnace according to the present invention.
  • the learning model generation method and the learning model generation device it is possible to generate a learning model capable of accurately controlling the state of a process or an apparatus. Further, according to the hot metal temperature control method and the hot metal temperature control guidance method of the blast furnace according to the present invention, the hot metal temperature of the blast furnace can be controlled accurately. Further, according to the method for producing hot metal according to the present invention, hot metal can be produced with a high yield.
  • FIG. 1 is a block diagram showing a configuration of a learning model generator according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing a flow of a learning model generation process according to an embodiment of the present invention.
  • FIG. 3 is a diagram showing an example of trend data of items to be considered when the operator determines an action.
  • FIG. 4 is a contour diagram of the trend data shown in FIG.
  • FIG. 5 is a diagram showing the convolution calculation direction of the CNN.
  • FIG. 6 is a block diagram showing an example of the structure of CNN.
  • FIG. 7 is a diagram showing the time change of the determination probability and the action determination value by CNN.
  • FIG. 8 is a diagram showing changes in the values of the CNN filter with respect to changes in the hot metal temperature deviation, the coke ratio, and the tuyere embedding temperature.
  • FIG. 1 is a block diagram showing a configuration of a learning model generator according to an embodiment of the present invention.
  • the learning model generation device 1 according to the embodiment of the present invention is a device that generates a behavior model in which an operator determines an operation amount of a process or a device by machine learning, and generates a processor, a memory, or the like. It is composed of well-known information processing devices provided.
  • the learning model generation device 1 functions as a model learning unit 11 and a model output unit 12 when the processor executes a computer program. The functions of each part will be described later.
  • a history data database (history data DB) 2 in which learning data used for machine learning is stored is connected to the learning model generation device 1 in a data readable form.
  • the history data DB 2 is based on image data obtained by imaging historical data of one or more observation amounts indicating the operating state of the process to be controlled or the operating state of the device to be controlled, and the history data. The operation amount of the process or device determined by the operator is associated and stored as learning data.
  • the historical data of the observed amount having one axis as the time axis and the other axis as the observed amount is used, and one or more observed amounts are arranged in a direction different from the time axis by combining the time axis.
  • the history display of each observable may be a line diagram such as a normal trend graph, or may be a so-called contour diagram which is an image obtained by associating a color and / or a shade of color with a numerical value of each history data.
  • the image data may include historical data of the operation amount of the process or the device. Furthermore, it is desirable to perform normalization processing on the historical data of the observed amount and the manipulated amount before converting them into image data in order to unify the range.
  • the learning model generation device 1 having such a configuration executes the learning model generation process shown below to generate a behavior model in which the operator determines the operation amount of the process or the device by machine learning.
  • the operation of the learning model generation device 1 when executing the learning model generation process will be described with reference to FIG.
  • FIG. 2 is a flowchart showing a flow of a learning model generation process according to an embodiment of the present invention.
  • the flowchart shown in FIG. 2 starts at the timing when the execution command of the learning model generation process is input to the learning model generation device 1, and the learning model generation process proceeds to the process of step S1.
  • step S1 the model learning unit 11 acquires the learning data from the history data DB2. As a result, the process of step S1 is completed, and the learning model generation process proceeds to the process of step S2.
  • the model learning unit 11 uses the learning data acquired in the process of step S1 to indicate one or more observation amounts indicating the operating state of the process to be controlled or the operating state of the device to be controlled.
  • Machine learning is performed on a behavior model in which the operator determines the operation amount of the process or device by inputting the image data obtained by imaging the history data and using the operation amount of the process or device determined by the operator based on the history data as output data.
  • the behavior model generated by machine learning is a convolutional neural network (CNN).
  • CNN convolutional neural network
  • the input data may be image data in a predetermined continuous predetermined time interval
  • the output data may be the value of the manipulated variable immediately after the predetermined time interval.
  • learning data one or a plurality of values of the observed amount determined as the controlled amount after the elapse of a predetermined time after the operation amount is changed are within a predetermined range centered on each target value.
  • step S2 it is desirable to use a combination of data and manipulated variables. This is because the control amount changes appropriately as a result of the operator's operation, and the data that can be controlled within a predetermined range from the target value is used as the learning data. As a result, the process of step S2 is completed, and the learning model generation process proceeds to the process of step S3.
  • the model output unit 12 images the historical data of one or more observed amounts generated in the process of step S2, which indicates the operating state of the process to be controlled or the operating state of the device to be controlled. Outputs an action model in which the operator determines the operation amount of the process or device, with the converted image data as input data and the operation amount of the process or device determined by the operator based on the history data as output data.
  • the process of step S3 is completed, and a series of learning model generation processes is completed. After that, the operator can control the state of the process or the device according to the operation amount obtained by inputting the image data of the observation amount history of the predetermined section into the behavior model.
  • the learning model generator 1 has a history of one or more observed amounts indicating the operating state of the process to be controlled or the operating state of the device to be controlled.
  • image data that is an image of data as input data and the operation amount of the process or device determined by the operator based on historical data as output data
  • machine learning of the behavior model in which the operator determines the operation amount of the process or device and the machine Output the learned behavior model.
  • the state of the process or the device can be accurately controlled by controlling the state of the process or the device according to the manipulated variable obtained by inputting the image data of the prediction target into the behavior model.
  • the model learning unit 11 updates the behavior model by additionally learning the behavior model using the newly added learning data as additional learning data. Is desirable.
  • the action of hot metal temperature control by a skilled operator in the blast furnace process was modeled. Specifically, in the blast furnace process, the operator determines the next action based on the trends of process variables representing the state of the blast furnace such as tuyere implantation temperature and gas utilization, and instrumental variables over the past few hours. .. It can be said that such an operator's recognition, judgment, and action flow outputs an action that is the next move by using a trend image of a process variable or an operation variable as an input variable. Therefore, since machine learning in recent years is best at image processing, CNN, which is a deep learning method specialized in image processing, was applied to action modeling.
  • CNN which is a deep learning method specialized in image processing
  • FIG. 3 shows an example of trend data of items to be considered when the operator decides an action.
  • FIG. 4 shows an example in which the horizontal axis is the time (time step) and the vertical axis is the item, and the same trend data as the trend data shown in FIG. 3 is used as a contour diagram.
  • the operator directly displays such a contour diagram.
  • the action is not decided by looking at it, but a plurality of trend data as shown in FIG. 3 are viewed. Therefore, it is conceivable to directly input such a plurality of trend data to the CNN, but in this embodiment, the contour diagram shown in FIG. 4 is used as the input data of the CNN.
  • the horizontal axis of the contour diagram shown in FIG. 4 shows data (64 points) for 32 hours, and the vertical axis shows 15 items.
  • CNN uses images with the same vertical and horizontal axes as input data, and as shown by the arrows in FIG. 5 (a), the vertical and horizontal axes are used. Performs a convolution operation on.
  • the vertical axis of the input image in this embodiment is an item, it is not particularly meaningful to perform the convolution operation along the vertical axis direction. Therefore, in this embodiment, as shown by the arrow in FIG. 5B, it is decided to machine-learn a filter that convolves only in the time axis direction, which is the horizontal axis direction.
  • the structure of the CNN used is shown in FIG. In addition, blocks 31 to 37 in FIG.
  • FIG. 6 are a convolution layer (Convolution), a rectified linear unit (Relu), a pooling layer (Pooling), a fully connected layer (Affine), a normalized linear unit (Relu), and a fully connected, respectively.
  • the layer (Affine) and the softmax function (Softmax) are shown.
  • the numbers in parentheses in FIG. 6 indicate the size of the data array. For example, (64, 15) indicates a 64 ⁇ 15 two-dimensional array.
  • the structure of the CNN shown in FIG. 6 is an example, and a structure other than the structure shown in FIG. 6 may be used.
  • the objective variable that is the target of prediction by CNN will be described.
  • a model was created in which the action for controlling the hot metal temperature of the blast furnace near the target temperature is raised, lowered, and wait-and-see.
  • the pulverized coal ratio is used as an instrumental variable to control the hot metal temperature, and the operation of raising, decreasing, and waiting for the pulverized coal ratio is used as an objective variable.
  • the blown moisture and coke ratio may be used as instrumental variables.
  • the operator's actions may include incorrect actions. For this reason, it is desirable to exclude data of incorrect actions in advance as preprocessing.
  • the data of the case where the control deviation (deviation from the target temperature) of the hot metal temperature 10 hours after the raising action is + 10 ° C. or more, and 10 hours after the lowering action is performed.
  • the data of the case where the control deviation of the hot metal temperature is -10 ° C or less was excluded in advance.
  • FIGS. 7 (a) and 7 (b) show the determination probabilities of the raising action, the lowering action, and the wait-and-see output output from the CNN.
  • FIG. 7B the value obtained by subtracting the judgment probability of the lowering action from the judgment probability of the raising action output from CNN (solid line: hereinafter referred to as the action judgment value) and the actual operator action (circle point). The comparison is shown. As shown in FIG. 7B, it can be seen that the action of the actual operator and the tendency of the action determination value match.
  • a threshold value is set for the action judgment value obtained in this way, a judgment is made to raise the threshold value by +0.15 or more, a judgment is made to lower the threshold value by -0.15 or less, and other situations. It was defined as a threshold value.
  • Table 1 shows a comparison between the action judgment value (CNN) and the actual operator action (actual result). As shown in Table 1, the agreement rate between the action determination value and the actual operator action was about 65%.
  • FIG. 8 shows the values of the filters 1 to 3 (weighting coefficient) of the CNN convolutional layer obtained by machine learning as a trend for 3 hours.
  • (a-1), (b-1), and (c-1) are changes in the values of the filters 1 to 3 with respect to the time change of the hot metal temperature deviation
  • (a-2), (b-2), (C-2) is the change in the values of filters 1 to 3 with respect to the time change of the coke ratio
  • (a-3), (b-3) and (c-3) are the filter 1 with respect to the time change of the tuyere implantation temperature.
  • the change of the value of ⁇ 3 is shown.
  • the values of the filters 1 and 3 greatly respond to the tuyere embedding temperature, and the values of the filter 2 as shown in FIG. 8 (b-1). Is reacting to the deviation of the hot metal temperature. Since both the tuyere implantation temperature and the hot metal temperature deviation are information that the operator pays close attention to, this result can be said to support CNN's approach to modeling operator actions.
  • the blast furnace process can be controlled accurately by controlling the blast furnace process according to the operation amount obtained by inputting the trend data of the items to be considered when the operator decides the action into the model. It was.
  • the operating amount that can control the hot metal temperature of the blast furnace to the target temperature is determined, and by controlling the blast furnace according to the determined operating amount, the hot metal temperature of the blast furnace is accurately controlled. As a result, the hot metal can be produced with a good yield.
  • the operating amount that can control the hot metal temperature of the blast furnace to the target temperature is determined, and the hot metal temperature of the blast furnace is determined by giving guidance for changing the operating amount according to the determined operating amount. It is controlled with high precision, and as a result, the yield of hot metal can be improved.
  • the present invention it is possible to provide a learning model generation method and a learning model generation device capable of generating a learning model capable of accurately controlling the state of a process or an apparatus. Further, according to the present invention, it is possible to provide a blast furnace hot metal temperature control method and a hot metal temperature control guidance method capable of accurately controlling the hot metal temperature of the blast furnace. Further, according to the present invention, it is possible to provide a method for producing hot metal, which can produce hot metal with a high yield.
  • Model output unit 1 Learning model generator 2 History data database (history data DB) 11 Model learning unit 12 Model output unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Manufacture Of Iron (AREA)
  • Feedback Control In General (AREA)

Abstract

本発明に係る学習モデル生成方法は、プロセスの操業状態又は機器の運転状態を示す１つ以上の観測量の履歴データを画像化した画像データを入力データ、履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器の操作量を決定する行動モデルを機械学習し、機械学習された行動モデルを出力するステップを含む。

Description

学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法
　本発明は、学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法に関する。
　製鉄業における高炉プロセスにおいて、溶銑温度は重要な管理指標である。特に近年の高炉操業は、原燃料コストの合理化を追及すべく、低コークス比及び高微粉炭比の条件下で行われており、炉況が不安定化しやすい。このため、溶銑温度のばらつき低減のニーズは大きい。ところが、高炉プロセスでは、コークスのガス化や鉱石の還元及び溶解等の種々の反応が生じている。また、炉内に固体が充填された状態で操業が行われるため、プロセス全体の熱容量が大きく、アクションに対する応答の時定数が長い。このため、溶銑温度のばらつき低減のためには、高炉の複雑なダイナミクスを適切に考慮した溶銑温度の制御則が求められる。
　このような背景から、物理モデルに基づいた溶銑温度制御方法（特許文献１参照）や過去データに基づいた溶銑温度制御方法（特許文献２参照）が提案されている。具体的には、特許文献１には、実測の炉頂ガス組成に合致するように物理モデル中のガス還元速度パラメータを調整しつつ、現在の操作量が保持されたと仮定して物理モデルを用いて溶銑温度の予測値を算出し、算出された予測値に基づいて溶銑温度を制御する方法が記載されている。また、特許文献２には、過去の操業事例の中から現在の操業条件に類似する操業事例を抽出し、抽出された操業事例に基づいて溶銑温度の予測値を算出し、算出された予測値に基づいて溶銑温度を制御する方法が記載されている。
特開平１１－３３５７１０号公報 特開２００７－４７２８号公報
　しかしながら、特許文献１に記載の方法によれば、荷下り速度（原料降下速度）の変動や原料中の鉄分の変動等の物理モデルでは考慮することが困難、且つ、オンライン測定が困難な外乱が発生した場合、溶銑温度の予測精度が低下し、結果として、溶銑温度の制御精度が低下する可能性がある。一方、特許文献２に記載の方法では、溶銑温度の予測精度が担保されるのは現在の操業条件に類似する操業事例がある場合に限られ、今までに実績のない操業条件に対しては溶銑温度の予測精度が低下し、結果として、溶銑温度の制御精度が低下する可能性がある。
　本発明は、上記課題に鑑みてなされたものであって、その目的は、プロセス又は機器の状態を精度よく制御可能な学習モデルを生成可能な学習モデル生成方法及び学習モデル生成装置を提供することにある。また、本発明の他の目的は、高炉の溶銑温度を精度よく制御可能な高炉の溶銑温度制御方法及び溶銑温度制御ガイダンス方法を提供することにある。さらに、本発明の他の目的は、溶銑を歩留まりよく製造可能な溶銑の製造方法を提供することにある。
　本発明に係る学習モデル生成方法は、プロセスの操業状態又は機器の運転状態を示す１つ以上の観測量の履歴データを画像化した画像データを入力データ、前記履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器の操作量を決定する行動モデルを機械学習し、機械学習された行動モデルを出力するステップを含む。
　前記画像データは、一方の軸に時間軸、他方の軸に前記履歴データを配置した２次元画像であるとよい。
　前記画像データの履歴データが、前記観測量のトレンドグラフを画像化した画像であるとよい。
　前記画像データの履歴データが、各履歴データの数値に対して色及び／又は色の濃淡を対応付けて得られる画像であるとよい。
　前記入力データは、予め定めた連続した所定時間区間の画像データであり、前記出力データは、前記所定時間区間後の前記操作量であるとよい。
　前記入力データは、操作量変更後、予め定めた時間経過後の制御量として定めた観測量の１つ又は複数の値がそれぞれの目標値を中心とした所定範囲内にある画像データであるとよい。
　前記画像データには、前記操作量の履歴データが含まれるとよい。
　前記履歴データを画像化する前に該履歴データに対して正規化処理を施すステップを含むとよい。
　前記行動モデルは、畳み込みニューラルネットワークであるとよい。
　前記畳み込みニューラルネットワークの畳み込み演算を時間軸方向に対してのみ行うとよい。
　前記プロセスは高炉プロセスであり、前記観測量には溶銑温度、羽口埋込温度、及びコークス比のうちの少なくとも一つが含まれ、前記操作量は高炉の溶銑温度を制御する操作量であるとよい。
　前記操作量は、微粉炭比、送風湿分、及びコークス比のうちの少なくとも一つであるとよい。
　本発明に係る学習モデル生成装置は、プロセスの操業状態又は機器の運転状態を示す１つ以上の観測量の履歴データを画像化した画像データを入力データ、前記履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器の操作量を決定する行動モデルを機械学習し、機械学習された行動モデルを出力する手段を備える。
　本発明に係る高炉の溶銑温度制御方法は、本発明に係る学習モデル生成方法によって生成された行動モデルを用いて高炉の溶銑温度を目標温度に制御可能な前記操作量を決定し、決定した操作量に従って高炉を制御するステップを含む。
　本発明に係る高炉の溶銑温度制御ガイダンス方法は、本発明に係る学習モデル生成方法によって生成された行動モデルを用いて高炉の溶銑温度を目標温度に制御可能な前記操作量を決定し、決定した操作量に従って該操作量の変更ガイダンスを行うステップを含む。
　本発明に係る溶銑の製造方法は、本発明に係る高炉の溶銑温度制御方法又は本発明に係る高炉の溶銑温度制御ガイダンス方法を用いて溶銑を製造するステップを含む。
　本発明に係る学習モデル生成方法及び学習モデル生成装置によれば、プロセス又は機器の状態を精度よく制御可能な学習モデルを生成することができる。また、本発明に係る高炉の溶銑温度制御方法及び溶銑温度制御ガイダンス方法によれば、高炉の溶銑温度を精度よく制御することができる。さらに、本発明に係る溶銑の製造方法によれば、溶銑を歩留まりよく製造することができる。
図１は、本発明の一実施形態である学習モデル生成装置の構成を示すブロック図である。 図２は、本発明の一実施形態である学習モデル生成処理の流れを示すフローチャートである。 図３は、オペレータがアクションを決定する際に考慮する項目のトレンドデータの一例を示す図である。 図４は、図３に示すトレンドデータのコンター図である。 図５は、ＣＮＮの畳み込み演算方向を示す図である。 図６は、ＣＮＮの構造の一例を示すブロック図である。 図７は、ＣＮＮによる判定確率とアクション判定値の時間変化を示す図である。 図８は、溶銑温度偏差、コークス比、及び羽口埋込温度の変化に対するＣＮＮのフィルタの値の変化を示す図である。
　以下、図面を参照して、本発明の一実施形態である学習モデル生成装置の構成及びその動作について説明する。
〔構成〕
　まず、図１を参照して、本発明の一実施形態である学習モデル生成装置の構成について説明する。
　図１は、本発明の一実施形態である学習モデル生成装置の構成を示すブロック図である。図１に示すように、本発明の一実施形態である学習モデル生成装置１は、オペレータがプロセス又は機器の操作量を決定する行動モデルを機械学習により生成する装置であり、プロセッサやメモリ等を備える周知の情報処理装置によって構成されている。本実施形態では、学習モデル生成装置１は、プロセッサがコンピュータプログラムを実行することにより、モデル学習部１１及びモデル出力部１２として機能する。各部の機能については後述する。
　学習モデル生成装置１には、機械学習の際に用いる学習データが格納されている履歴データデータベース（履歴データＤＢ）２がデータ読み取り可能な形態で接続されている。本実施形態では、履歴データＤＢ２には、制御対象であるプロセスの操業状態又は制御対象である機器の運転状態を示す１以上の観測量の履歴データを画像化した画像データと、履歴データに基づいてオペレータが決定したプロセス又は機器の操作量とが、関連付けされて学習データとして格納されている。
　ここで、画像データの形態は、一方の軸を時間軸とし、他方の軸を観測量とする観測量の履歴データを、時間軸をあわせて時間軸とは異なる方向に１以上の観測量を配置させた２次元配置の画像データとしている。各観測量の履歴表示は通常のトレンドグラフのような線図でもよいし、各履歴データの数値に色及び／又は色の濃淡を対応づけて得られる画像とする、いわゆるコンター図としてもよい。また、画像データには、プロセス又は機器の操作量の履歴データを含めるようにしてもよい。さらに、観測量や操作量の履歴データに対しては、値域を統一するために画像データとする前に正規化処理を施すことが望ましい。
　このような構成を有する学習モデル生成装置１は、以下に示す学習モデル生成処理を実行することにより、オペレータがプロセス又は機器の操作量を決定する行動モデルを機械学習により生成する。以下、図２を参照して、学習モデル生成処理を実行する際の学習モデル生成装置１の動作について説明する。
〔学習モデル生成処理〕
　図２は、本発明の一実施形態である学習モデル生成処理の流れを示すフローチャートである。図２に示すフローチャートは、学習モデル生成装置１に対して学習モデル生成処理の実行指令が入力されたタイミングで開始となり、学習モデル生成処理はステップＳ１の処理に進む。
　ステップＳ１の処理では、モデル学習部１１が、履歴データＤＢ２から学習データを取得する。これにより、ステップＳ１の処理は完了し、学習モデル生成処理はステップＳ２の処理に進む。
　ステップＳ２の処理では、モデル学習部１１が、ステップＳ１の処理において取得した学習データを用いて、制御対象であるプロセスの操業状態又は制御対象である機器の運転状態を示す１以上の観測量の履歴データを画像化した画像データを入力データ、履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器の操作量を決定する行動モデルを機械学習する。
　ここで、機械学習によって生成する行動モデルは、畳み込みニューラルネットワーク（Convolutional　neural　network：CNN）であることが望ましい。また、画像データの形態が、一方の軸に時間軸、他方の軸に履歴データを配置した２次元画像である場合には、ＣＮＮの畳み込み演算は時間軸方向にのみに対して行うことが望ましい。また、入力データは、予め定めた連続した所定時間区間の画像データとし、出力データは所定時間区間の直後の操作量の値とするとよい。また、学習データとしては、操作量変更後、予め定めた時間経過後の制御量として定めた観測量の１つ又は複数の値が、それぞれの目標値を中心とした所定範囲内にある、画像データと操作量との組み合わせを用いることが望ましい。これは、オペレータの操作結果として制御量が適切な変化をし、目標値から所定の範囲に制御できたデータを学習データとして利用するためである。これにより、ステップＳ２の処理は完了し、学習モデル生成処理はステップＳ３の処理に進む。
　ステップＳ３の処理では、モデル出力部１２が、ステップＳ２の処理において生成された、制御対象であるプロセスの操業状態又は制御対象である機器の運転状態を示す１以上の観測量の履歴データを画像化した画像データを入力データ、履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとする、オペレータがプロセス又は機器の操作量を決定する行動モデルを出力する。これにより、ステップＳ３の処理は完了し、一連の学習モデル生成処理は終了する。以後、オペレータは、予め定めた所定区間の観測量履歴の画像データを行動モデルに入力することにより得られた操作量に従ってプロセス又は機器の状態を制御することができる。
　以上の説明から明らかなように、本発明の一実施形態である学習モデル生成装置１は、制御対象であるプロセスの操業状態又は制御対象である機器の運転状態を示す１以上の観測量の履歴データを画像化した画像データを入力データ、履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器の操作量を決定する行動モデルを機械学習し、機械学習した行動モデルを出力する。これにより、予測対象の画像データを行動モデルに入力することにより得られた操作量に従ってプロセス又は機器の状態を制御することにより、プロセス又は機器の状態を精度よく制御することができる。
　なお、履歴データＤＢ２に新たな学習データが追加された場合、モデル学習部１１は、新たに追加された学習データを追加学習用データとして行動モデルを追加学習させることにより、行動モデルを更新することが望ましい。
　本実施例では、高炉プロセスにおける熟練したオペレータによる溶銑温度制御のアクションをモデル化した。具体的には、高炉プロセスでは、オペレータは、羽口埋込温度やガス利用率等の高炉の状態を表すプロセス変数、及び過去数時間における操作変数のトレンドに基づき次のアクションを決定している。このようなオペレータの認知、判断、及びアクションのフローは、プロセス変数や操作変数のトレンド画像を入力変数として、次の一手となるアクションを出力していると言える。そこで、近年の機械学習は画像処理を最も得意としていることから、画像処理に特化したディープラーニングの一手法であるＣＮＮをアクションのモデル化に適用した。
　ここで、オペレータがアクションを決定する際に考慮する項目のトレンドデータの一例を図３に示す。アクションのモデル化にＣＮＮを適用する上では、このようなトレンドデータをどのように画像化するかが課題となる。横軸に時間（タイムステップ）、縦軸に項目を取って図３に示すトレンドデータと同一のトレンドデータをコンター図とした例を図４に示すが、オペレータはこのようなコンター図を直接的にみてアクションを決定しているわけではなく、図３に示すような複数のトレンドデータを見ている。このため、このような複数のトレンドデータをＣＮＮに直接的に入力することも考えられるが、本実施例では図４に示すコンター図をＣＮＮの入力データとした。なお、図４に示すコンター図の横軸は３２時間分のデータ（６４点）を示し、縦軸は１５個の項目を示している。
　次に、ＣＮＮの畳み込みフィルタの形状を検討する。近年話題となったα碁のように、ＣＮＮでは碁盤のような縦軸及び横軸が同質の画像を入力データとしており、図５（ａ）に矢印で示すように縦軸方向及び横軸方向に畳み込み演算を行う。しかしながら、本実施例における入力画像の縦軸は項目であるため、縦軸方向に沿って畳み込み演算を行うことは特に意味を持たない。そこで、本実施例では、図５（ｂ）に矢印で示すように横軸方向である時間軸方向のみに畳み込みを行うフィルタを機械学習することとした。用いたＣＮＮの構造を図６に示す。なお、図６中のブロック３１～３７はそれぞれ、畳み込み層（Convolution）、正規化線形ユニット（Relu）、プーリング層（Pooling）、全結合層（Affine）、正規化線形ユニット（Relu）、全結合層（Affine）、及びソフトマックス関数（Softmax）を示している。また、図６中の括弧内の数字はデータ配列の大きさを示す。例えば（６４，１５）は６４×１５の２次元配列を示す。但し、図６に示すＣＮＮの構造は一例であり、図６に示す構造以外の構造としてもよい。
　次に、ＣＮＮによる予測対象である目的変数について述べる。本実施例では、高炉の溶銑温度を目標温度近傍に制御するためのアクションを上げ、下げ、様子見の３段階で判定するモデルを作成した。具体的には、溶銑温度を制御するために微粉炭比を操作変数として用い、微粉炭比の上げ、下げ、様子見の操作を目的変数とする。なお、操作変数として送風湿分やコークス比を用いてもよい。また、オペレータのアクションの中には誤ったアクションが含まれている可能性がある。このため、前処理として、誤ったアクションのデータを事前に除外することが望ましい。本実施例では、上げアクションを実施してから１０時間後の溶銑温度の制御偏差（目標温度に対する偏差）が＋１０℃以上となっているケースのデータ、及び下げアクションを実施してから１０時間後の溶銑温度の制御偏差が－１０℃以下となっているケースのデータを事前に除外した。
　以上のような前処理を行った３０分毎の３７００点データ（約７７日分）を用いて、最初の３０００点でＣＮＮによるモデルの機械学習を行い、残りの７００点でモデルの精度を検証した。検証結果を図７（ａ），（ｂ）に示す。具体的には、図７（ａ）にＣＮＮから出力された上げアクション、下げアクション、及び様子見の判定確率を示す。また、図７（ｂ）にＣＮＮから出力された上げアクションの判定確率から下げアクションの判定確率を差し引いた値（実線：以後、アクション判定値と表記）と実際のオペレータのアクション（丸点）との比較を示す。図７（ｂ）に示すように、実際のオペレータのアクションとアクション判定値の傾向とが一致していることがわかる。
　次に、このようにして得られたアクション判定値に対して閾値を設定し、閾値に対して＋０．１５以上で上げ判定、閾値に対して－０．１５以下で下げ判定、それ以外は様子見判定と定義した。アクション判定値（ＣＮＮ）と実際のオペレータのアクション（実績）との比較を以下の表１に示す。表１に示すように、アクション判定値と実際のオペレータのアクションとの一致率は６５％程度であった。
Figure JPOXMLDOC01-appb-T000001
　また、図８に機械学習により得られたＣＮＮの畳み込み層のフィルタ１～３（重み係数）の値を３時間分のトレンドとして示す。図８において、（ａ－１），（ｂ－１），（ｃ－１）は溶銑温度偏差の時間変化に対するフィルタ１～３の値の変化、（ａ－２），（ｂ－２），（ｃ－２）はコークス比の時間変化に対するフィルタ１～３の値の変化、（ａ－３），（ｂ－３），（ｃ－３）は羽口埋込温度の時間変化に対するフィルタ１～３の値の変化を示す。図８（ａ－３），（ｃ－３）に示すように、フィルタ１，３の値は羽口埋込温度に大きく反応し、図８（ｂ－１）に示すようにフィルタ２の値は溶銑温度の偏差に反応している。羽口埋込温度及び溶銑温度偏差はどちらもオペレータが注視する情報であることから、この結果は、ＣＮＮによるオペレーターアクションのモデル化のアプローチを支持する結果といえる。
　以上のことから、オペレータがアクションを決定する際に考慮する項目のトレンドデータをモデルに入力することにより得られた操作量に従って高炉プロセスを制御することにより、高炉プロセスを精度よく制御できることが確認された。また、これにより、機械学習されたモデルを用いて高炉の溶銑温度を目標温度に制御可能な操作量を決定し、決定した操作量に従って高炉を制御することにより、高炉の溶銑温度を精度よく制御し、結果として、溶銑の歩留まりよく製造することができる。さらに、これにより、機械学習されたモデルを用いて高炉の溶銑温度を目標温度に制御可能な操作量を決定し、決定した操作量に従って操作量の変更ガイダンスを行うことにより、高炉の溶銑温度を精度よく制御し、結果として、溶銑の歩留まりよく製造することができる。
　以上、本発明者らによってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。
　本発明によれば、プロセス又は機器の状態を精度よく制御可能な学習モデルを生成可能な学習モデル生成方法及び学習モデル生成装置を提供することができる。また、本発明によれば、高炉の溶銑温度を精度よく制御可能な高炉の溶銑温度制御方法及び溶銑温度制御ガイダンス方法を提供することができる。さらに、本発明によれば、溶銑を歩留まりよく製造可能な溶銑の製造方法を提供することができる。
　１　学習モデル生成装置
　２　履歴データデータベース（履歴データＤＢ）
　１１　モデル学習部
　１２　モデル出力部

Claims (16)

  1. 　プロセスの操業状態又は機器の運転状態を示す１つ以上の観測量の履歴データを画像化した画像データを入力データ、前記履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器の操作量を決定する行動モデルを機械学習し、機械学習された行動モデルを出力するステップを含む、学習モデル生成方法。
  2. 　前記画像データは、一方の軸に時間軸、他方の軸に前記履歴データを配置した２次元画像である、請求項１に記載の学習モデル生成方法。
  3. 　前記画像データの履歴データが、前記観測量のトレンドグラフを画像化した画像である、請求項２に記載の学習モデル生成方法。
  4. 　前記画像データの履歴データが、各履歴データの数値に対して色及び／又は色の濃淡を対応付けて得られる画像である、請求項２に記載の学習モデル生成方法。
  5. 　前記入力データは、予め定めた連続した所定時間区間の画像データであり、前記出力データは、前記所定時間区間後の前記操作量である、請求項１～４のうち、いずれか１項に記載の学習モデル生成方法。
  6. 　前記入力データは、操作量変更後、予め定めた時間経過後の制御量として定めた観測量の１つ又は複数の値がそれぞれの目標値を中心とした所定範囲内にある画像データである、請求項１～５のうち、いずれか１項に記載の学習モデル生成方法。
  7. 　前記画像データには、前記操作量の履歴データが含まれる、請求項１～６のうち、いずれか１項に記載の学習モデル生成方法。
  8. 　前記履歴データを画像化する前に該履歴データに対して正規化処理を施すステップを含む、請求項１～７のうち、いずれか１項に記載の学習モデル生成方法。
  9. 　前記行動モデルは、畳み込みニューラルネットワークである、請求項１～８のうち、いずれか１項に記載の学習モデル生成方法。
  10. 　前記畳み込みニューラルネットワークの畳み込み演算を時間軸方向に対してのみ行う、請求項９に記載の学習モデル生成方法。
  11. 　前記プロセスは高炉プロセスであり、前記観測量には溶銑温度、羽口埋込温度、及びコークス比のうちの少なくとも一つが含まれ、前記操作量は高炉の溶銑温度を制御する操作量である、請求項１～１０のうち、いずれか１項に記載の学習モデル生成方法。
  12. 　前記操作量は、微粉炭比、送風湿分、及びコークス比のうちの少なくとも一つである、請求項１１に記載の学習モデル生成方法。
  13. 　プロセスの操業状態又は機器の運転状態を示す１つ以上の観測量の履歴データを画像化した画像データを入力データ、前記履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器の操作量を決定する行動モデルを機械学習し、機械学習された行動モデルを出力する手段を備える、学習モデル生成装置。
  14. 　請求項１１又は１２に記載の学習モデル生成方法によって生成された行動モデルを用いて高炉の溶銑温度を目標温度に制御可能な前記操作量を決定し、決定した操作量に従って高炉を制御するステップを含む、高炉の溶銑温度制御方法。
  15. 　請求項１１又は１２に記載の学習モデル生成方法によって生成された行動モデルを用いて高炉の溶銑温度を目標温度に制御可能な前記操作量を決定し、決定した操作量に従って該操作量の変更ガイダンスを行うステップを含む、高炉の溶銑温度制御ガイダンス方法。
  16. 　請求項１４に記載の高炉の溶銑温度制御方法又は請求項１５に記載の高炉の溶銑温度制御ガイダンス方法を用いて溶銑を製造するステップを含む、溶銑の製造方法。
PCT/JP2020/022126 2019-07-19 2020-06-04 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法 Ceased WO2021014782A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP20844633.6A EP4002023B1 (en) 2019-07-19 2020-06-04 Learning model generation method, learning model generation device, method for controlling molten iron temperature in blast furnace, method for guiding molten iron temperature control in blast furnace, and molten iron manufacturing method
BR112021025958-9A BR112021025958B1 (pt) 2019-07-19 2020-06-04 Método de geração de modelo de aprendizagem, dispositivo de geração de modelo de aprendizagem, método de controle de temperatura de ferro fundido para alto-forno, método de orientação de controle de temperatura de ferro fundido para alto-forno e método de produção de ferro fundido
KR1020227000669A KR102745513B1 (ko) 2019-07-19 2020-06-04 학습 모델 생성 방법, 학습 모델 생성 장치, 고로의 용선 온도 제어 방법, 고로의 용선 온도 제어 가이던스 방법, 및 용선의 제조 방법
CN202080050757.5A CN114341879B (zh) 2019-07-19 2020-06-04 学习模型生成方法及装置、铁液温度控制及指导方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019133538A JP6897723B2 (ja) 2019-07-19 2019-07-19 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法
JP2019-133538 2019-07-19

Publications (1)

Publication Number Publication Date
WO2021014782A1 true WO2021014782A1 (ja) 2021-01-28

Family

ID=74193755

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/022126 Ceased WO2021014782A1 (ja) 2019-07-19 2020-06-04 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法

Country Status (5)

Country Link
EP (1) EP4002023B1 (ja)
JP (1) JP6897723B2 (ja)
KR (1) KR102745513B1 (ja)
CN (1) CN114341879B (ja)
WO (1) WO2021014782A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113901886A (zh) * 2021-09-16 2022-01-07 武汉理工大学 一种基于深度学习的铁水测温工序辅助方法及系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7380604B2 (ja) * 2021-01-12 2023-11-15 Ｊｆｅスチール株式会社 学習モデル生成方法、学習モデル生成装置、高炉の制御ガイダンス方法、及び溶銑の製造方法
KR20240144969A (ko) * 2022-03-07 2024-10-04 제이에프이 스틸 가부시키가이샤 고로의 용선 온도 예측 방법, 고로의 용선 온도 예측 모델의 학습 방법, 고로의 조업 방법, 고로의 용선 온도 예측 장치, 용선 온도 예측 시스템 및 단말 장치
CN115130769B (zh) * 2022-07-07 2024-03-01 青岛恒小火软件有限公司 一种高炉喷煤制粉系统温度智能自适应方法
JP7732553B1 (ja) * 2024-07-22 2025-09-02 Ｊｆｅスチール株式会社 高炉のコークス比アクションガイダンス方法、高炉のコークス比アクションガイダンスシステム、高炉制御装置、高炉のコークス比アクションガイダンスプログラム、情報出力装置、高炉の操業方法、及び溶銑の製造方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007004728A (ja) 2005-06-27 2007-01-11 Nippon Steel Corp プロセスの操業状態の制御方法、装置、及びコンピュータプログラム
JP2008097458A (ja) * 2006-10-13 2008-04-24 Nippon Steel Corp プラント操業支援装置、プラント操業支援方法、コンピュータプログラム及び記憶媒体
JP2018045360A (ja) * 2016-09-13 2018-03-22 アズビル株式会社 ヒートマップ表示装置およびヒートマップ表示方法
JP2018205890A (ja) * 2017-05-31 2018-12-27 伸和コントロールズ株式会社 状態監視装置、状態監視方法及びプログラム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3210473B2 (ja) * 1993-03-11 2001-09-17 株式会社東芝 ビジュアルフィードバック制御装置
JPH08190407A (ja) * 1995-01-12 1996-07-23 Sumitomo Metal Ind Ltd 高炉の操業管理方法及びそのシステム
DE19806267A1 (de) * 1997-11-10 1999-05-20 Siemens Ag Verfahren und Einrichtung zur Steuerung einer hüttentechnischen Anlage
JPH11335710A (ja) 1998-05-22 1999-12-07 Sumitomo Metal Ind Ltd 高炉炉熱予測方法
JP4427074B2 (ja) * 2007-06-07 2010-03-03 株式会社日立製作所 プラントの制御装置
JP6119515B2 (ja) * 2013-09-02 2017-04-26 新日鐵住金株式会社 高炉羽口状態観察方法及び高炉羽口状態観察装置
US10755200B2 (en) * 2017-09-22 2020-08-25 International Business Machines Corporation Automated control of circumferential variability of blast furnace
US10604814B2 (en) * 2017-09-27 2020-03-31 International Business Machines Coporation Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace
US10997491B2 (en) * 2017-10-04 2021-05-04 Huawei Technologies Co., Ltd. Method of prediction of a state of an object in the environment using an action model of a neural network
JP6676030B2 (ja) * 2017-11-20 2020-04-08 株式会社安川電機 把持システム、学習装置、把持方法、及び、モデルの製造方法
KR20190071370A (ko) * 2017-12-14 2019-06-24 주식회사 포스코 고로의 노열 제어 장치 및 그 방법
US20190183428A1 (en) * 2017-12-19 2019-06-20 Hill-Rom Services, Inc. Method and apparatus for applying machine learning to classify patient movement from load signals
KR102075210B1 (ko) * 2017-12-19 2020-02-07 주식회사 포스코 노황 관리 장치 및 방법
JP2019175409A (ja) * 2018-03-30 2019-10-10 国立大学法人横浜国立大学 水処理施設の運転制御装置及び運転制御方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007004728A (ja) 2005-06-27 2007-01-11 Nippon Steel Corp プロセスの操業状態の制御方法、装置、及びコンピュータプログラム
JP2008097458A (ja) * 2006-10-13 2008-04-24 Nippon Steel Corp プラント操業支援装置、プラント操業支援方法、コンピュータプログラム及び記憶媒体
JP2018045360A (ja) * 2016-09-13 2018-03-22 アズビル株式会社 ヒートマップ表示装置およびヒートマップ表示方法
JP2018205890A (ja) * 2017-05-31 2018-12-27 伸和コントロールズ株式会社 状態監視装置、状態監視方法及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4002023A4

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113901886A (zh) * 2021-09-16 2022-01-07 武汉理工大学 一种基于深度学习的铁水测温工序辅助方法及系统

Also Published As

Publication number Publication date
CN114341879A (zh) 2022-04-12
BR112021025958A2 (pt) 2022-02-08
KR20220024450A (ko) 2022-03-03
KR102745513B1 (ko) 2024-12-20
JP6897723B2 (ja) 2021-07-07
CN114341879B (zh) 2025-05-09
EP4002023A4 (en) 2022-08-24
EP4002023B1 (en) 2024-09-25
JP2021018569A (ja) 2021-02-15
EP4002023A1 (en) 2022-05-25

Similar Documents

Publication Publication Date Title
JP6897723B2 (ja) 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法
JP6729514B2 (ja) 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
JP2018024935A (ja) 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
CN107368125B (zh) 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法
JP6930507B2 (ja) 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
CN113254738B (zh) 烧成曲线的自适应预测方法、设备及计算机存储介质
WO2022009617A1 (ja) 溶銑温度の制御方法、操業ガイダンス方法、高炉の操業方法、溶銑の製造方法、溶銑温度の制御装置および操業ガイダンス装置
JPWO2021014923A1 (ja) プロセスの制御方法、操業ガイダンス方法、高炉の操業方法、溶銑の製造方法およびプロセスの制御装置
JP7384326B1 (ja) 高炉の溶銑温度予測方法、高炉の溶銑温度予測モデルの学習方法、高炉の操業方法、高炉の溶銑温度予測装置、高炉の溶銑温度予測システムおよび端末装置
JP7380604B2 (ja) 学習モデル生成方法、学習モデル生成装置、高炉の制御ガイダンス方法、及び溶銑の製造方法
CN119087935A (zh) 一种高炉炼铁调控方法、装置、设备及存储介质
CN117556711A (zh) 基于神经网络的高炉喷煤优化方法、系统、终端和介质
JP7548090B2 (ja) シミュレーション装置、シミュレーションシステム、シミュレーション方法、およびシミュレーションプログラム
JP2022151364A (ja) 解析装置、解析方法およびプログラム
JP6933196B2 (ja) 高炉の荷下り速度予測モデルの学習方法、高炉の荷下り速度予測方法、高炉の操業ガイダンス方法、高炉の荷下り速度制御方法、溶銑の製造方法、高炉の操業方法、及び高炉の荷下り速度予測モデルの学習装置
JP7687439B2 (ja) プロセスの制御方法、高炉の操業方法、溶銑の製造方法及びプロセスの制御装置
JP7800387B2 (ja) 装置、方法およびプログラム
JP7679812B2 (ja) プロセスの制御方法、高炉の操業方法、溶銑の製造方法及びプロセスの制御装置
JPH0637650B2 (ja) 高炉送風流量制御方法
BR112021025958B1 (pt) Método de geração de modelo de aprendizagem, dispositivo de geração de modelo de aprendizagem, método de controle de temperatura de ferro fundido para alto-forno, método de orientação de controle de temperatura de ferro fundido para alto-forno e método de produção de ferro fundido
JP2013119638A (ja) 高炉原料装入制御方法及び高炉原料装入制御装置
JP4311669B2 (ja) 高炉温度制御システム及び高炉温度制御方法
JP7384150B2 (ja) 操業ガイダンス方法、高炉の操業方法、溶銑の製造方法及び操業ガイダンス装置
JP5211600B2 (ja) 工業プロセスの制御方法および装置
TH2401005486A (th) วิธีการสร้างแบบจำลองทำนายผ่านการเรียนรู้ที่ทำนายปริมาณดรอสที่เกิดขึ้น ในเตาหลอม, วิธีการทำนายปริมาณดรอสที่เกิดขึ้นในเตาหลอม, และโปรแกรมคอมพิวเตอร์

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20844633

Country of ref document: EP

Kind code of ref document: A1

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112021025958

Country of ref document: BR

ENP Entry into the national phase

Ref document number: 20227000669

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 112021025958

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20211221

ENP Entry into the national phase

Ref document number: 2020844633

Country of ref document: EP

Effective date: 20220221

WWG Wipo information: grant in national office

Ref document number: 202117058221

Country of ref document: IN

WWG Wipo information: grant in national office

Ref document number: 202080050757.5

Country of ref document: CN