CN113454413A - 操作结果预测方法、学习模型的学习方法、操作结果预测装置及学习模型的学习装置 - Google Patents
操作结果预测方法、学习模型的学习方法、操作结果预测装置及学习模型的学习装置 Download PDFInfo
- Publication number
- CN113454413A CN113454413A CN202080014961.1A CN202080014961A CN113454413A CN 113454413 A CN113454413 A CN 113454413A CN 202080014961 A CN202080014961 A CN 202080014961A CN 113454413 A CN113454413 A CN 113454413A
- Authority
- CN
- China
- Prior art keywords
- learning
- learning model
- model
- operation result
- industrial process
- 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
- 238000000034 method Methods 0.000 title claims abstract description 128
- 238000004519 manufacturing process Methods 0.000 claims abstract description 45
- 238000007664 blowing Methods 0.000 claims description 40
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 35
- 229910052760 oxygen Inorganic materials 0.000 claims description 35
- 239000001301 oxygen Substances 0.000 claims description 35
- 229910000831 Steel Inorganic materials 0.000 claims description 34
- 239000010959 steel Substances 0.000 claims description 34
- 239000007789 gas Substances 0.000 claims description 25
- 238000010891 electric arc Methods 0.000 claims description 4
- 239000002436 steel type Substances 0.000 description 19
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 10
- 238000012795 verification Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- 229910052742 iron Inorganic materials 0.000 description 5
- 229910000655 Killed steel Inorganic materials 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 229910001220 stainless steel Inorganic materials 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005261 decarburization Methods 0.000 description 3
- 229910000975 Carbon steel Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000010962 carbon steel Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000006477 desulfuration reaction Methods 0.000 description 2
- 230000023556 desulfurization Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000036284 oxygen consumption Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B3/00—Hearth-type furnaces, e.g. of reverberatory type; Tank furnaces
- F27B3/10—Details, accessories, or equipment peculiar to hearth-type furnaces
- F27B3/28—Arrangement of controlling, monitoring, alarm or the like devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0003—Monitoring the temperature or a characteristic of the charge and using it as a controlling value
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0006—Monitoring the characteristics (composition, quantities, temperature, pressure) of at least one of the gases of the kiln atmosphere and using it as a controlling value
- F27D2019/0009—Monitoring the pressure in an enclosure or kiln zone
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0096—Arrangements of controlling devices involving simulation means, e.g. of the treating or charging step
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Vertical, Hearth, Or Arc Furnaces (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
操作结果预测方法是根据工业过程的多个操作条件来预测工业过程的操作结果的方法,包括:模型选择步骤,根据是否使用多个操作条件中的特定的关键操作条件作为预测操作结果时的说明变量,从多个学习模型之中选择特定的学习模型;及预测步骤,基于在模型选择步骤中选择的学习模型来预测操作结果。
Description
技术领域
本发明涉及操作结果预测方法、学习模型的学习方法、操作结果预测装置及学习模型的学习装置。
背景技术
在钢铁业等制造业中,实施了如下管理:通过掌握工厂的电力供需而通过与电力价格相应的运用来削减购电,或者将工厂中的发电电力的剩余量售电给电力公司,并提供给电力系统等。
为了准确地进行这样的电力的管理,需要事先预测各工厂中的将来的电力。例如在专利文献1、2中,公开了决定为了对废料等原材料进行熔化、成分调整及升温而使用的电弧炉所需的投入电力量的方法。
现有技术文献
专利文献
专利文献1:日本特开平6-307766号公报
专利文献2:日本特开2011-256407号公报
发明内容
发明所要解决的课题
在专利文献1所记载的方法中,根据钢液的成分浓度来计算所需的投入电力量,此外,在需要使钢液升温的情况下,对因与基准出钢温度之差而产生的电力量进行加减。但是,存在事先不知道钢液的升温目标量的情况,在该情况下,需要根据其他变量来预测电力量。
另外,在专利文献2所记载的方法中,基于热收支及物质收支的计算,准确地计算出钢液的成分调整或升温所需的热量。但是,在专利文献2所记载的方法中,由于预先实际测量钢液温度、废气温度、冷却水温度等各种温度,因此事先掌握这些温度是困难的。
本发明是鉴于上述情况而完成,其目的在于提供一种能够高精度地预测工业过程的操作结果的操作结果预测方法、学习模型的学习方法、操作结果预测装置及学习模型的学习装置。
用于解决课题的技术方案
为了解决上述课题并实现目的,本发明所涉及的操作结果预测方法根据工业过程的多个操作条件来预测所述工业过程的操作结果,其中,包括:模型选择步骤,根据是否使用所述多个操作条件中的特定的关键操作条件作为预测所述操作结果时的说明变量,从多个学习模型之中选择特定的学习模型;及预测步骤,基于在所述模型选择步骤中所选择的学习模型来预测操作结果。
另外,就本发明所涉及的操作结果预测方法而言,在上述发明中,所述多个学习模型包括:第一学习模型,根据第一教师数据而创建,该第一教师数据包含所述特定的关键操作条件,且没有根据与所述特定的关键操作条件相关联的操作条件进行分类;及第二学习模型,创建第二教师数据,该第二教师数据不包含所述特定的关键操作条件,且根据与所述特定的关键操作条件相关联的操作条件进行了分类,在所述模型选择步骤中,在使用所述特定的关键操作条件作为所述说明变量的情况下,选择所述第一学习模型,并且在不使用所述特定的关键操作条件作为所述说明变量的情况下,选择所述第二学习模型。
另外,就本发明所涉及的操作结果预测方法而言,在上述发明中,所述工业过程为炼钢厂内的电弧过程,所述操作结果是所述电弧过程的分批操作中的使用电力,所述多个操作条件至少包括升温目标量、预定处理时间及钢种信息。
另外,就本发明所涉及的操作结果预测方法而言,在上述发明中,所述工业过程为炼钢厂内的转炉过程,所述操作结果是所述转炉过程的分批操作中的产生气体,所述多个操作条件至少包括预定吹炼氧量、预定处理时间及吹炼方式。
为了解决上述课题并实现目的,本发明所涉及的学习模型的学习方法在根据工业过程的多个操作条件来预测所述工业过程的操作结果时使用,其中,包括:第一数据创建步骤,创建第一教师数据,该第一教师数据包含所述多个操作条件中的特定的关键操作条件,且没有根据与所述特定的关键操作条件相关联的操作条件进行分类;第二数据创建步骤,创建第二教师数据,该第二教师数据不包含所述特定的关键操作条件,且根据与所述特定的关键操作条件相关联的操作条件进行了分类;第一模型创建步骤,基于所述第一教师数据来创建预测所述工业过程的操作结果的第一学习模型;及第二模型创建步骤,基于所述第二教师数据来创建预测所述工业过程的操作结果的第二学习模型。
另外,就本发明所涉及的学习模型的学习方法而言,在上述发明中,所述工业过程为炼钢厂内的电弧过程,所述操作结果是所述电弧过程的分批操作中的使用电力,所述多个操作条件至少包括升温目标量、预定处理时间及钢种信息。
另外,就本发明所涉及的学习模型的学习方法而言,在上述发明中,所述工业过程为炼钢厂内的转炉过程,所述操作结果是所述转炉过程的分批操作中的产生气体,所述多个操作条件至少包括预定吹炼氧量、预定处理时间及吹炼方式。
为了解决上述课题并实现目的,本发明所涉及的操作结果预测装置根据工业过程的多个操作条件来预测所述工业过程的操作结果,其中,包括:模型选择单元,根据是否使用所述多个操作条件中的特定的关键操作条件作为预测所述操作结果时的说明变量,从多个学习模型之中选择特定的学习模型;及预测单元,基于由所述模型选择单元所选择的学习模型来预测操作结果。
为了解决上述课题并实现目的,本发明所涉及的学习模型的学习装置在根据工业过程的多个操作条件来预测所述工业过程的操作结果时使用,其中,包括:第一数据创建单元,创建第一教师数据,该第一教师数据包含所述多个操作条件中的特定的关键操作条件,且没有根据与所述特定的关键操作条件相关联的操作条件进行分类;第二数据创建单元,创建第二教师数据,该第二教师数据不包含所述特定的关键操作条件,且根据与所述特定的关键操作条件相关联的操作条件进行了分类;第一模型创建单元,基于所述第一教师数据来创建预测所述工业过程的操作结果的第一学习模型;及第二模型创建单元,基于所述第二教师数据来创建预测所述工业过程的操作结果的第二学习模型。
发明效果
根据本发明,根据具有相关关系的操作条件(说明变量)中的能够事先掌握的操作条件选择预测精度高的学习模型来进行预测,因此能够高精度地预测工业过程的操作结果。
附图说明
图1是表示本发明的实施方式所涉及的操作结果预测装置及学习装置的概要结构的框图。
图2是表示本发明的实施方式所涉及的学习模型的学习方法的流程的流程图。
图3是表示本发明的实施方式1所涉及的学习模型的学习方法中的数据创建步骤的详细情况的流程图。
图4是表示本发明的实施方式1所涉及的操作结果预测方法的流程的流程图。
图5是表示本发明的实施方式2所涉及的学习模型的学习方法中的数据创建步骤的详细情况的流程图。
图6是表示本发明的实施方式2所涉及的操作结果预测方法的流程的流程图。
图7是本发明的实施方式1所涉及的操作结果预测装置及学习装置的实施例,是表示预测出的使用电力的验证精度的图表。
图8是本发明的实施方式2所涉及的操作结果预测装置及学习装置的实施例,是表示预测出的产生气体的验证精度的图表。
具体实施方式
参照附图对本发明的实施方式所涉及的操作结果预测方法、学习模型的学习方法、操作结果预测装置及学习模型的学习装置(以下,称为“学习装置”)进行说明。
[实施方式1]
(操作结果预测装置)
参照图1对本发明的实施方式1所涉及的操作结果预测装置及学习装置的结构进行说明。操作结果预测装置是根据工业过程的多个操作条件来预测该工业过程的操作结果的装置。在本实施方式中,对在炼钢厂内的电弧过程中,根据多个操作条件来预测电弧过程的分批操作中的使用电力的情况的例子进行说明。
另外,所谓电弧过程,是接在钢液的一次精炼工序之后进行的工序,是通过电弧放电对钢液进行加热来进行脱硫等成分调整的工序。在电弧过程中,考虑到从前道工序接收到的钢液的温度偏差而升温,另外,目标成分值根据钢种而不同,成分调整不同,因此有时它们所需要的处理时间也不同。该电弧过程是在炼钢工序之中特别消耗电力的工序,由于电力消耗因升温或成分调整的处理而发生变动,因此要求高精度地预测使用电力。
作为规划电弧过程时的多个操作条件,例如可举出升温目标量、预定处理时间、处理等待时间及钢种信息。关于这些操作条件中的升温目标量,根据操作的状况存在有数据的情况和没有数据的情况。即,在适当地进行了前道工序(一次精炼工序)的情况下,能够基于该前道工序的结果来制定电弧过程的规划,因此也能够掌握升温目标量。另一方面,在没有适当地进行前道工序的情况下,无法基于该前道工序的结果来制定电弧过程的规划,因此升温目标量的掌握也变得困难。
操作结果预测装置1通过个人计算机或工作站等通用的信息处理装置来实现,具备输入部10、数据库(DB)20、运算部30和显示部40。
输入部10是针对运算部30的输入单元,例如通过键盘、鼠标、数字键盘等输入装置来实现。在数据库20保存有电弧过程中的过去的操作数据(实际数据)。
运算部30例如通过由CPU(Central Processing Unit:中央处理单元)等构成的处理器和由RAM(Random Access Memory:随机存取存储器)或ROM(Read Only Memory:只读存储器)等构成的存储器(主存储部)来实现。运算部30将程序加载到主存储部的作业区域来执行,并通过执行程序来控制各结构部等,由此实现符合规定目的的功能。
另外,运算部30通过执行程序而作为数据创建部(数据创建单元)31、模型创建部(模型创建单元)32、模型选择部(模型选择单元)33及预测部(预测单元)34发挥功能。另外,本实施方式所涉及的学习装置通过操作结果预测装置1的结构中的除了模型选择部33和预测部34之外的结构来实现。
数据创建部31基于保存在数据库20中的过去的操作数据来创建在模型创建部32的模型的创建中使用的教师数据。数据创建部31具体地创建由第一教师数据和第二教师数据构成的两种教师数据。另外,用于学习的教师数据优选根据设备条件尽可能接近的操作数据来创建。因此,数据创建部31优选基于限定在一定程度的期间内(例如过去两个月等)的操作数据来创建教师数据。
第一教师数据表示包含电弧过程的多个操作条件中的特定的关键操作条件,且没有根据与该特定的关键操作条件相关联的操作条件进行分类的教师数据。上述的“特定的关键操作条件”在本实施方式中表示电弧过程中的升温目标量。第一教师数据例如如下述的表1所示,是由多个操作条件(升温目标量及预定处理时间)与在该多个操作条件下实施了电弧过程时的使用电力的组合构成的数据。另外,该表中的“钢号”表示电弧过程中的处理编号。
【表1】
(表1)
第二教师数据表示不包含电弧过程的多个操作条件中的特定的关键操作条件,且根据与该特定的关键操作条件相关联的操作条件进行了分类的教师数据。上述的“与特定的关键操作条件相关联的操作条件”在本实施方式中表示钢种信息。作为该钢种信息的钢种,可举出碳钢、Al镇静钢、高张力钢、Si镇静钢、高铬钢及不锈钢等。
第二教师数据例如如下述的表2所示,是将操作条件(预定处理时间)与在该操作条件下实施了电弧过程时的使用电力的组合按钢种进行分类而得到的数据。
【表2】
(表2)
模型创建部32通过对由数据创建部31所创建的第一教师数据(参照表1)进行学习来创建第一学习模型。另外,模型创建部32通过对由数据创建部31所创建的第二教师数据(参照表2)进行学习来创建第二学习模型。
模型创建部32使用回归分析作为学习的方法。另外,作为回归分析的方法,例如可以使用作为线性回归的一种的最小二乘法、局部最小二乘法或正则化线性回归,或者作为回归树的一种的随机森林、梯度提升,或者作为非线性回归的一种的神经网络、支持向量回归等。
模型选择部33根据是否使用多个操作条件中的特定的关键操作条件(升温目标量)作为预测电弧过程的操作结果(使用电力)时的说明变量,从多个学习模型之中选择特定的学习模型。即,在使用特定的关键操作条件作为说明变量的情况下,模型选择部33选择第一学习模型,在不使用特定的关键操作条件作为说明变量的情况下,模型选择部33选择第二学习模型。
预测部34基于由模型选择部33所选择的学习模型来预测电弧过程的操作结果(使用电力)。具体而言,预测部34通过输入说明变量的预定值(例如升温目标量或预定处理时间)来计算使用电力的预测值。
(学习模型的学习方法)
参照图2和图3对本实施方式所涉及的学习模型的学习方法进行说明。另外,学习模型的学习方法由运算部30的数据创建部31及模型创建部32作为主体来实施。
首先,数据创建部31从数据库20读入教师数据的创建所需的操作数据(步骤S1,数据读入步骤)。接着,数据创建部31基于所读入的操作数据来创建教师数据(步骤S2,数据创建步骤)。接着,模型创建部32通过对教师数据进行学习来创建学习模型(步骤S3,模型创建步骤)。
这里,上述的数据创建步骤(步骤S2)具体地按照图3所示的流程来实施。首先,数据创建部31判定从数据库20所读入的操作数据之中是否包含升温目标量(步骤S21)。在判定为包含升温目标量的情况下(在步骤S21中为“是”),数据创建部31选择升温目标量及预定处理时间作为说明变量(步骤S22),创建如上述的表1所示的没有按钢种信息进行分类的教师数据(第一教师数据,参照表1)(步骤S23)。
另一方面,在判定为在从数据库20所读入的操作数据之中不包含升温目标量的情况下(在步骤S21中为“否”),数据创建部31选择预定处理时间作为说明变量(步骤S24),创建如上述的表2所示的按钢种信息进行了分类的教师数据(第二教师数据,参照表2)(步骤S25)。另外,步骤S21中的有无升温目标量的判定例如通过NaN等标志来判定。
(操作结果预测方法)
参照图4对本实施方式所涉及的操作结果预测方法进行说明。另外,操作结果预测方法由运算部30的模型选择部33及预测部34作为主体来实施。
首先,模型选择部33判定预测电弧过程的操作结果(使用电力)时的说明变量是否包含升温目标值(步骤S41,判定步骤)。在判定为包含升温目标量的情况下(在步骤S41中为“是”),模型选择部33选择没有按钢种信息进行分类的学习模型(第一学习模型)(步骤S42,模型选择步骤),通过将升温目标量及预定处理时间输入到该学习模型来预测使用电力(步骤S43,预测步骤)。
另一方面,在判定为预测电弧过程的操作结果(使用电力)时的说明变量不包含升温目标值的情况下(步骤S41中为“否”),模型选择部33选择按钢种信息进行了分类的学习模型(第二学习模型)(步骤S44,模型选择步骤),通过将预定处理时间输入到该学习模型来预测使用电力(步骤S45,预测步骤)。
根据如以上所说明的本实施方式所涉及的操作结果预测装置及操作结果预测方法,由于根据具有相关关系的操作条件(说明变量)中的能够事先掌握的操作条件选择预测精度高的学习模型来进行预测,因此能够高精度地预测工业过程的操作结果。例如,在将操作结果预测装置及操作结果预测方法应用于炼钢厂内的电弧过程的情况下,在不能将成为关键操作条件即升温目标量用作说明变量的情况下,选择基于按钢种信息进行了分类的教师数据(第二教师数据)所创建的学习模型(第二学习模型),预测使用电力。由此,能够高精度地预测电弧过程中的使用电力。
另外,根据本实施方式所涉及的学习模型的学习装置及学习方法,由于根据具有相关关系的操作条件(说明变量)中的能够事先掌握的操作条件来创建多个学习模型,因此能够根据能事先掌握的操作条件来高精度地预测工业过程的操作结果。
[实施方式2]
(操作结果预测装置)
本发明的实施方式2所涉及的操作结果预测装置及学习装置的结构与图1相同。操作结果预测装置是根据工业过程的多个操作条件来预测该工业过程的操作结果的装置。在本实施方式中,对在炼钢厂内的转炉过程中,根据多个操作条件来预测转炉过程的分批操作中的产生气体的情况的例子进行说明。
另外,所谓转炉过程,是使铁矿石在高炉中熔化,将被施与了脱硫等预处理的铁水转化为钢液的一次精炼工序,是将铁水与废料等一起装入,吹氧而进行脱碳或脱磷精炼等以满足目标成分值的工序。即使是相同的处理时间,在脱碳和脱磷中,也是脱碳的气体产生量变大。另外,即使是相同的脱碳,由于处理根据吹炼方式而不同,因此气体产生量不同。转炉过程是在炼钢工序之中特别产生气体的工序,为了使用该产生气体效率地发电,要求高精度地预测产生气体。为此,需要将处理内容作为操作条件。
作为规划转炉过程时的多个操作条件,例如可举出预定吹炼氧量、预定处理时间及吹炼方式。关于这些操作条件中的预定吹炼氧量,根据操作的状况存在有数据的情况和没有数据的情况。即,吹炼氧量是在转炉吹炼紧前和转炉吹炼过程中被计算而决定的。它们被称为静态控制和动态控制。因此,在前一转炉吹炼结束之前,难以掌握下一吹炼的吹炼氧量。
在数据创建部31中使用的第一教师数据表示包含转炉过程的多个操作条件中的特定的关键操作条件,且没有根据与该特定的关键操作条件相关联的操作条件进行分类的教师数据。上述的“特定的关键操作条件”在本实施方式中表示转炉过程中的预定吹炼氧量。第一教师数据例如如下述的表3所示,是由多个操作条件(预定吹炼氧量及预定处理时间)与在该多个操作条件下实施了转炉过程时的产生气体的组合构成的数据。另外,该表中的“钢号”表示转炉过程中的处理编号。
【表3】
(表3)
在数据创建部31中使用的第二教师数据表示不包含转炉过程的多个操作条件中的特定的关键操作条件,且根据与该特定的关键操作条件相关联的操作条件进行了分类的教师数据。上述“与特定的关键操作条件相关联的操作条件”在本实施方式中表示吹炼方式。该吹炼方式根据铁水预处理的内容来分配。
第二教师数据例如如下述的表4所示,是将操作条件(预定处理时间)与在该操作条件下实施了转炉过程时的产生气体的组合按吹炼方式进行分类而得到的数据。
【表4】
(表4)
模型创建部32通过对由数据创建部31创建的第一教师数据(参照表3)进行学习来创建第一学习模型。另外,模型创建部32通过对由数据创建部31所创建的第二教师数据(参照表4)进行学习来创建第二学习模型。
模型创建部32使用回归分析作为学习的方法。另外,作为回归分析的方法,例如可以使用作为线性回归的一种的最小二乘法、局部最小二乘法或正则化线性回归,或者作为回归树的一种的随机森林、梯度提升,或者作为非线性回归的一种的神经网络、支持向量回归等。
模型选择部33根据是否使用多个操作条件中的特定的关键操作条件(预定吹炼氧量)作为预测转炉过程的操作结果(产生气体)时的说明变量,从多个学习模型之中选择特定的学习模型。即,在使用特定的关键操作条件作为说明变量的情况下,模型选择部33选择第一学习模型,在不使用特定的关键操作条件作为说明变量的情况下,模型选择部33选择第二学习模型。
预测部34基于由模型选择部33选择的学习模型来预测转炉过程的操作结果(产生气体)。具体而言,预测部34通过输入说明变量的预定值(例如预定吹炼氧量或预定处理时间)来计算产生气体的预测值。
(学习模型的学习方法)
参照图2和图5对本实施方式所涉及的学习模型的学习方法进行说明。另外,学习模型的学习方法由运算部30的数据创建部31及模型创建部32作为主体来实施。学习模型的学习方法进行图2的步骤S1~S3的处理。
这里,上述的数据创建步骤(步骤S2)具体地按照图5所示的流程来实施。首先,数据创建部31判定从数据库20所读入的操作数据之中是否包含预定吹炼氧量(步骤S51)。在判定为包含预定吹炼氧量的情况下(在步骤S51中为“是”),数据创建部31选择预定吹炼氧量及预定处理时间作为说明变量(步骤S52),创建如上述的表3所示的没有按吹炼方式进行分类的教师数据(第一教师数据,参照表3)(步骤S53)。
另一方面,在判定为从数据库20所读入的操作数据之中不包含预定吹炼氧量的情况下(在步骤S51中为“否”),数据创建部31选择预定处理时间作为说明变量(步骤S54),创建如上述的表4所示的按吹炼方式进行了分类的教师数据(第二教师数据,参照表4)(步骤S55)。另外,步骤S51中的有无预定吹炼氧量的判定例如通过NaN等标志来判定。
(操作结果预测方法)
参照图6对本实施方式所涉及的操作结果预测方法进行说明。另外,操作结果预测方法由运算部30的模型选择部33及预测部34作为主体来实施。
首先,模型选择部33判定预测转炉过程的操作结果(产生气体)时的说明变量是否包含预定吹炼氧量(步骤S61,判定步骤)。在判定为包含预定吹炼氧量的情况下(在步骤S61中为“是”),模型选择部33选择没有按吹炼方式进行分类的学习模型(第一学习模型)(步骤S62,模型选择步骤),通过将预定吹炼氧量及预定处理时间输入到该学习模型来预测产生气体(步骤S63,预测步骤)。
另一方面,在判定为预测转炉过程的操作结果(产生气体)时的说明变量不包含预定吹炼氧量的情况下(步骤S61中为“否”),模型选择部33选择按吹炼方式进行了分类的学习模型(第二学习模型)(步骤S64,模型选择步骤),通过将预定处理时间输入到该学习模型来预测产生气体(步骤S65,预测步骤)。
根据如以上所说明的本实施方式所涉及的操作结果预测装置及操作结果预测方法,由于根据具有相关关系的操作条件(说明变量)中的能够事先掌握的操作条件选择预测精度高的学习模型来进行预测,因此能够高精度地预测工业过程的操作结果。例如,在将操作结果预测装置及操作结果预测方法应用于炼钢厂内的转炉过程的情况下,在不能将成为关键操作条件即预定吹炼氧量用作说明变量的情况下,选择基于按吹炼方式进行了分类的教师数据(第二教师数据)所创建的学习模型(第二学习模型),预测产生气体。由此,能够高精度地预测转炉过程中的产生气体。
另外,根据本实施方式所涉及的学习模型的学习装置及学习方法,由于根据具有相关关系的操作条件(说明变量)中的能够事先掌握的操作条件来创建多个学习模型,因此能够根据能事先掌握的操作条件来高精度地预测工业过程的操作结果。
实施例1
参照图7对实施方式1所涉及的操作结果预测方法的实施例进行说明。在本实施例中,创建以下的A~C的学习模型,进行了各学习模型的精度验证。另外,以下的B、C相当于本发明例,以下的A相当于比较例。
A:对不包含升温目标量作为说明变量且没有根据钢种信息进行分类的教师数据进行学习所得的学习模型
B:对不包含升温目标量作为说明变量且根据钢种信息进行了分类的教师数据(第二教师数据)进行学习所得的学习模型(第二学习模型)
C:对包含升温目标量作为说明变量且没有根据钢种信息进行分类的教师数据(第一教师数据)进行学习所得的学习模型(第一学习模型)
在本实施例中,基于过去两个月的操作数据来创建各学习模型。另外,在创建各学习模型时,使用作为正则化线性回归的一种的Lasso回归。另外,目标变量为每个钢号的使用电力量,说明变量的候补为每个钢号的升温目标量、预定处理时间、处理等待时间及钢种信息。而且,钢种信息从碳钢、Al镇静钢、高张力钢、Si镇静钢、高铬钢、不锈钢之中进行分配。另外,在各学习模型的精度验证中,假定预测值相当于100%的理想状况,各变量均使用实际值而不是预定值。
将在精度验证中得到的误差的比较结果示于图7。作为精度指标的误差以仅使用预定处理时间而不使用升温目标量及钢种信息的情况下的RMSE(Root Mean SquareError:均方根误差)为100来计算。
如图7所示,说明变量包含升温目标值的学习模型C的预测结果最好。显然升温目标值与使用电力的相关性高,因此可以说是理所当然的结果。与此相对,在不能使用升温目标值的情形下,没有进行基于钢种的分类的学习模型A的预测结果相对于学习模型C的预测结果,成为预测误差的精度差30%左右的结果。另外,与此相对,在不能使用升温目标值的情况下,按被认为与升温目标值关联较深的钢种信息对数据进行分类,不使用升温目标值进行学习所得的学习模型B的预测结果相对于学习模型A的预测结果,预测误差的精度改善了10%以上。
如上所述,在不能使用作为多个操作条件中的成为关键操作条件的说明变量(在此为升温目标量)的情况下,并不是简单地使用省略了升温目标量的学习模型,而是对与按被假定为与升温目标量存在关联的说明变量(在此为钢种信息)进行了分类的、不同的学习模型之间的预测误差进行评价,在假定为预测误差得到改善的情况下,通过使用按该钢种信息进行了分类的学习模型,能够改善学习模型的预测误差。
实施例2
参照图8对实施方式2所涉及的操作结果预测方法的实施例进行说明。在本实施例中,创建以下的D~F的学习模型,进行各学习模型的精度验证。另外,以下的E、F相当于本发明例,以下的D相当于比较例。
D:对不包含预定吹炼氧量作为说明变量且没有根据吹炼方式进行分类的教师数据进行学习所得的学习模型
E:对不包含预定吹炼氧量作为说明变量且根据吹炼方式进行了分类的教师数据(第二教师数据)进行学习所得的学习模型(第二学习模型)
F:对包含预定吹炼氧量作为说明变量且没有根据吹炼方式进行分类的教师数据(第一教师数据)进行学习所得的学习模型(第一学习模型)
在本实施例中,基于过去300次吹炼的操作数据来创建各学习模型。另外,在创建各学习模型时,使用作为正则化线性回归的一种的Lasso回归。另外,目标变量为一次吹炼累积的产生气体量,说明变量的候补为一次吹炼积算的预定吹炼氧量、预定处理时间、吹炼方式。而且,吹炼方式根据铁水预处理的内容进行分配。另外,在各学习模型的精度验证中,假定预测值相当于100%的理想状况,各变量均使用实际值而不是预定值。
将在精度验证中得到的误差的比较结果示于图8。作为精度指标的误差以仅使用预定处理时间而不使用预定吹炼氧量及吹炼方式的情况下的RMSE为100来计算。
如图8所示,说明变量包含预定吹炼氧量的学习模型F的预测结果最好。显然预定吹炼氧量与产生气体的相关性高,因此可以说是理所当然的结果。与此相对,在不能使用预定吹炼氧量的情形下,没有进行基于吹炼方式的分类的学习模型D的预测结果相对于学习模型F的预测结果,成为预测误差的精度差19%左右的结果。另外,与此相对,在不能使用预定吹炼氧量的情况下,按被认为与预定吹炼氧量关联较深的吹炼方式对数据进行分类,不使用预定吹炼氧量进行学习所得的学习模型E的预测结果相对于学习模型D的预测结果,预测误差的精度改善了12%左右。
如上所述,在不能使用作为多个操作条件中的成为关键操作条件的说明变量(在此为预定吹炼氧量)的情况下,并不是简单地使用省略了预定吹炼氧量的学习模型,而是对与按被假定为与预定吹炼氧量存在关联的说明变量(在此为吹炼方式)进行了分类的、不同的学习模型之间的预测误差进行评价,在假定为预测误差得到改善的情况下,通过使用按该吹炼方式进行了分类的学习模型,能够改善学习模型的预测误差。
以上,关于本发明所涉及的操作结果预测方法、学习模型的学习方法、操作结果预测装置及学习模型的学习装置,通过用于实施发明的方式及实施例具体地进行了说明,但本发明的主旨并不限定于这些记载,应当基于权利要求书的记载来广泛地解释。另外,基于这些记载进行各种变更、改变等所得的方式当然也包含于本发明的主旨。
标号说明
1 操作结果预测装置
10 输入部
20 数据库(DB)
30 运算部
31 数据创建部(数据创建单元)
32 模型创建部(模型创建单元)
33 模型选择部(模型选择单元)
34 预测部(预测单元)
40 显示部
Claims (9)
1.一种操作结果预测方法,根据工业过程的多个操作条件来预测所述工业过程的操作结果,其中,
该操作结果预测方法包括:
模型选择步骤,根据是否使用所述多个操作条件中的特定的关键操作条件作为预测所述操作结果时的说明变量,从多个学习模型之中选择特定的学习模型;及
预测步骤,基于在所述模型选择步骤中选择的学习模型来预测操作结果。
2.根据权利要求1所述的操作结果预测方法,其中,
所述多个学习模型包括:
第一学习模型,根据第一教师数据而创建,该第一教师数据包含所述特定的关键操作条件,且没有根据与所述特定的关键操作条件相关联的操作条件进行分类;及
第二学习模型,创建第二教师数据,该第二教师数据不包含所述特定的关键操作条件,且根据与所述特定的关键操作条件相关联的操作条件进行了分类,
在所述模型选择步骤中,
在使用所述特定的关键操作条件作为所述说明变量的情况下,选择所述第一学习模型,并且
在不使用所述特定的关键操作条件作为所述说明变量的情况下,选择所述第二学习模型。
3.根据权利要求1或2所述的操作结果预测方法,其中,
所述工业过程为炼钢厂内的电弧过程,
所述操作结果是所述电弧过程的分批操作中的使用电力,
所述多个操作条件至少包括升温目标量、预定处理时间及钢种信息。
4.根据权利要求1或2所述的操作结果预测方法,其中,
所述工业过程为炼钢厂内的转炉过程,
所述操作结果是所述转炉过程的分批操作中的产生气体,
所述多个操作条件至少包括预定吹炼氧量、预定处理时间及吹炼方式。
5.一种学习模型的学习方法,在根据工业过程的多个操作条件来预测所述工业过程的操作结果时使用,其中,
该学习模型的学习方法包括:
第一数据创建步骤,创建第一教师数据,该第一教师数据包含所述多个操作条件中的特定的关键操作条件,且没有根据与所述特定的关键操作条件相关联的操作条件进行分类;
第二数据创建步骤,创建第二教师数据,该第二教师数据不包含所述特定的关键操作条件,且根据与所述特定的关键操作条件相关联的操作条件进行了分类;
第一模型创建步骤,基于所述第一教师数据来创建预测所述工业过程的操作结果的第一学习模型;及
第二模型创建步骤,基于所述第二教师数据来创建预测所述工业过程的操作结果的第二学习模型。
6.根据权利要求5所述的学习模型的学习方法,其中,
所述工业过程为炼钢厂内的电弧过程,
所述操作结果是所述电弧过程的分批操作中的使用电力,
所述多个操作条件至少包括升温目标量、预定处理时间及钢种信息。
7.根据权利要求5所述的学习模型的学习方法,其中,
所述工业过程为炼钢厂内的转炉过程,
所述操作结果是所述转炉过程的分批操作中的产生气体,
所述多个操作条件至少包括预定吹炼氧量、预定处理时间及吹炼方式。
8.一种操作结果预测装置,根据工业过程的多个操作条件来预测所述工业过程的操作结果,其中,
该操作结果预测装置包括:
模型选择单元,根据是否使用所述多个操作条件中的特定的关键操作条件作为预测所述操作结果时的说明变量,从多个学习模型之中选择特定的学习模型;及
预测单元,基于由所述模型选择单元选择的学习模型来预测操作结果。
9.一种学习模型的学习装置,在根据工业过程的多个操作条件来预测所述工业过程的操作结果时使用,其中,
该学习模型的学习装置包括:
第一数据创建单元,创建第一教师数据,该第一教师数据包含所述多个操作条件中的特定的关键操作条件,且没有根据与所述特定的关键操作条件相关联的操作条件进行分类;
第二数据创建单元,创建第二教师数据,该第二教师数据不包含所述特定的关键操作条件,且根据与所述特定的关键操作条件相关联的操作条件进行了分类;
第一模型创建单元,基于所述第一教师数据来创建预测所述工业过程的操作结果的第一学习模型;及
第二模型创建单元,基于所述第二教师数据来创建预测所述工业过程的操作结果的第二学习模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-027509 | 2019-02-19 | ||
JP2019027509 | 2019-02-19 | ||
PCT/JP2020/004738 WO2020170849A1 (ja) | 2019-02-19 | 2020-02-07 | 操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113454413A true CN113454413A (zh) | 2021-09-28 |
CN113454413B CN113454413B (zh) | 2023-06-27 |
Family
ID=72143889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080014961.1A Active CN113454413B (zh) | 2019-02-19 | 2020-02-07 | 操作结果预测方法、学习模型的学习方法、操作结果预测装置及学习模型的学习装置 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP3929516A4 (zh) |
JP (1) | JP6954479B2 (zh) |
KR (1) | KR102579633B1 (zh) |
CN (1) | CN113454413B (zh) |
BR (1) | BR112021016447A2 (zh) |
WO (1) | WO2020170849A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2022059753A1 (zh) * | 2020-09-18 | 2022-03-24 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102373310A (zh) * | 2011-10-19 | 2012-03-14 | 北京科技大学 | 一种指导转炉补吹过程操作的方法 |
CN103882176A (zh) * | 2014-03-25 | 2014-06-25 | 东北大学 | 一种基于数据驱动的转炉炼钢过程在线动态最优控制方法 |
CN105714014A (zh) * | 2016-03-30 | 2016-06-29 | 本钢板材股份有限公司 | 转炉氧枪/加料/温度制度综合简化模型系统及操作方法 |
CN105807741A (zh) * | 2016-03-09 | 2016-07-27 | 北京科技大学 | 一种工业生产流程预测方法 |
US20180285787A1 (en) * | 2015-09-30 | 2018-10-04 | Nec Corporation | Optimization system, optimization method, and optimization program |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5161408A (en) * | 1974-11-26 | 1976-05-28 | Nippon Kokan Kk | Seikoyoaakurono yorakuhanteiho |
JPS637766A (ja) * | 1986-06-26 | 1988-01-13 | Toyohiko Nishimura | 焼きそば等の麺類寿司及びその製造方法 |
JPH06307766A (ja) | 1993-04-21 | 1994-11-01 | Nippon Steel Corp | 製鋼用アーク炉の電力投入制御方法 |
JP3645306B2 (ja) * | 1995-03-31 | 2005-05-11 | 日新製鋼株式会社 | 電気炉設備 |
JP5535775B2 (ja) | 2010-06-04 | 2014-07-02 | 新日鉄住金エンジニアリング株式会社 | 製鋼用アーク炉の電力投入制御方法 |
JP2012004181A (ja) * | 2010-06-14 | 2012-01-05 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
DE102012224184A1 (de) * | 2012-12-21 | 2014-06-26 | Sms Siemag Ag | Verfahren zur Vorhersage, Steuerung und/oder Regelung von Stahlwerksprozessen |
WO2015146026A1 (ja) * | 2014-03-28 | 2015-10-01 | 日本電気株式会社 | モデル選択システム、モデル選択方法およびプログラムを記憶する記録媒体 |
WO2018012257A1 (ja) * | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | 溶鋼中りん濃度推定方法及び転炉吹錬制御装置 |
JP6839342B2 (ja) * | 2016-09-16 | 2021-03-10 | 富士通株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP2018147280A (ja) * | 2017-03-07 | 2018-09-20 | 株式会社日立ソリューションズ | データ分析装置及びデータ分析方法 |
JP6897260B2 (ja) * | 2017-04-14 | 2021-06-30 | 日本製鉄株式会社 | 溶鋼中りん濃度推定方法、転炉吹錬制御装置、プログラム及び記録媒体 |
-
2020
- 2020-02-07 JP JP2020546514A patent/JP6954479B2/ja active Active
- 2020-02-07 BR BR112021016447A patent/BR112021016447A2/pt unknown
- 2020-02-07 CN CN202080014961.1A patent/CN113454413B/zh active Active
- 2020-02-07 EP EP20759314.6A patent/EP3929516A4/en active Pending
- 2020-02-07 WO PCT/JP2020/004738 patent/WO2020170849A1/ja unknown
- 2020-02-07 KR KR1020217026129A patent/KR102579633B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102373310A (zh) * | 2011-10-19 | 2012-03-14 | 北京科技大学 | 一种指导转炉补吹过程操作的方法 |
CN103882176A (zh) * | 2014-03-25 | 2014-06-25 | 东北大学 | 一种基于数据驱动的转炉炼钢过程在线动态最优控制方法 |
US20180285787A1 (en) * | 2015-09-30 | 2018-10-04 | Nec Corporation | Optimization system, optimization method, and optimization program |
CN105807741A (zh) * | 2016-03-09 | 2016-07-27 | 北京科技大学 | 一种工业生产流程预测方法 |
CN105714014A (zh) * | 2016-03-30 | 2016-06-29 | 本钢板材股份有限公司 | 转炉氧枪/加料/温度制度综合简化模型系统及操作方法 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020170849A1 (ja) | 2021-03-11 |
JP6954479B2 (ja) | 2021-10-27 |
KR20210116578A (ko) | 2021-09-27 |
CN113454413B (zh) | 2023-06-27 |
WO2020170849A1 (ja) | 2020-08-27 |
EP3929516A1 (en) | 2021-12-29 |
BR112021016447A2 (pt) | 2021-11-09 |
KR102579633B1 (ko) | 2023-09-15 |
EP3929516A4 (en) | 2022-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A dynamic analytics method based on multistage modeling for a BOF steelmaking process | |
CN109447346B (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
Matino et al. | Forecasting blast furnace gas production and demand through echo state neural network-based models: Pave the way to off-gas optimized management | |
CN113239482B (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
Matino et al. | Two innovative modelling approaches in order to forecast consumption of blast furnace gas by hot blast stoves | |
Matino et al. | Quantification of energy and environmental impacts in uncommon electric steelmaking scenarios to improve process sustainability | |
CN113454413B (zh) | 操作结果预测方法、学习模型的学习方法、操作结果预测装置及学习模型的学习装置 | |
CN111020118B (zh) | 一种基于粒子群优化案例推理的rh终点温度预测方法 | |
Tang et al. | An estimation of distribution algorithm with resampling and local improvement for an operation optimization problem in steelmaking process | |
JP2005036289A (ja) | モデルパラメータ決定方法及びそのプログラム,モデル予測方法及びそのプログラム | |
Zhang | Optimal control problem of converter steelmaking production process based on operation optimization method | |
Ruuska et al. | Mass-balance based multivariate modelling of basic oxygen furnace used in steel industry | |
KR20200013143A (ko) | 고로의 용선온도 예측 장치 및 방법 | |
JP2012167365A (ja) | 生石灰濃度予測装置及び吹錬制御方法 | |
Sorsa et al. | Data-driven multivariate analysis of basic oxygen furnace used in steel industry | |
KR19990052660A (ko) | 신경망을 이용한 전로 취련 예측 방법 | |
Lee et al. | Modeling of slag foaming height of electric arc furnace using stepwise regression analysis | |
JP2002157572A (ja) | 結果予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 | |
JP2004059954A (ja) | 転炉吹錬制御方法 | |
Carayannis | Artificial intelligence and expert systems in the steel industry | |
CN105242545A (zh) | 一种基于工艺批次模型的转炉用氧流量的预测方法 | |
Saidmurodov et al. | Models of Operational Forecasting of Arc Furnace Energy Consumption Using Machine Learning Methods | |
Niyayesh et al. | Predicting Steel Grade Based on Electric Arc Furnace End Point Parameters | |
Tsai et al. | The exponential grey forecasting model for CO2 emissions in Taiwan | |
KR100333079B1 (ko) | 전문가시스템을이용한전로조업의정적제어방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |