CN114341879A - 学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法 - Google Patents
学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法 Download PDFInfo
- Publication number
- CN114341879A CN114341879A CN202080050757.5A CN202080050757A CN114341879A CN 114341879 A CN114341879 A CN 114341879A CN 202080050757 A CN202080050757 A CN 202080050757A CN 114341879 A CN114341879 A CN 114341879A
- Authority
- CN
- China
- Prior art keywords
- learning model
- model generation
- blast furnace
- data
- generation method
- 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.)
- Pending
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; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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; CALCULATING OR 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacture Of Iron (AREA)
- Feedback Control In General (AREA)
Abstract
本发明的学习模型生成方法包括对行动模型进行机器学习并输出被进行了机器学习的行动模型的步骤,行动模型是以将表示工艺的操作状态或设备的运转状态的一个以上的观测量的历史数据进行了图像化得到的图像数据为输入数据,以基于历史数据而由操作员决定的工艺或设备的操作量为输出数据,操作员决定工艺或设备的操作量的行动模型。
Description
技术领域
本发明涉及学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法。
背景技术
在制铁业的高炉工艺中,铁液温度是重要的管理指标。特别是近年来的高炉操作为了追求原燃料成本的合理化而在低焦比及高煤粉比的条件下进行,炉况容易不稳定化。因此,存在较大的减少铁液温度的不均的需求。然而,在高炉工艺中,会产生焦炭的气体化、矿石的还原及熔化等各种反应。而且,由于是在炉内填充有固体的状态下进行操作,因此工艺全体的热容量大,对于动作的响应的时间常数长。因此,为了减少铁液温度的不均,要求适当地考虑了高炉的复杂的动力学的铁液温度的控制准则。
从这样的背景出发,提出了基于物理模型的铁液温度控制方法(参照专利文献1)、基于过去数据的铁液温度控制方法(参照专利文献2)。具体而言,专利文献1记载了以与实测的炉顶气体组成一致的方式调整物理模型中的气体还原速度参数,并假定为保持当前的操作量而使用物理模型来算出铁液温度的预测值,基于算出的预测值来控制铁液温度的方法。而且,专利文献2记载了从过去的操作事例之中提取与当前的操作条件类似的操作事例,基于提取的操作事例来算出铁液温度的预测值,基于算出的预测值来控制铁液温度的方法。
现有技术文献
专利文献
专利文献1:日本特开平11-335710号公报
专利文献2:日本特开2007-4728号公报
发明内容
发明要解决的问题
然而,根据专利文献1记载的方法,在产生了卸货速度(原料下降速度)的变动、原料中的铁分的变动等在物理模型中难以考虑且难以在线测定的干扰的情况下,铁液温度的预测精度下降,结果是铁液温度的控制精度可能会下降。另一方面,在专利文献2记载的方法中,确保铁液温度的预测精度并不局限于与当前的操作条件类似的操作事例存在的情况,对于到目前为止没有实际成效的操作条件也存在铁液温度的预测精度下降,结果导致铁液温度的控制精度下降的可能性。
本发明鉴于上述课题而作出,其目的在于提供一种能够生成能够对工艺或设备的状态高精度地进行控制的学习模型的学习模型生成方法及学习模型生成装置。而且,本发明的另一目的在于提供一种能够高精度地控制高炉的铁液温度的高炉的铁液温度控制方法及铁液温度控制指导方法。此外,本发明的又一目的在于提供一种能够高成品率地制造铁液的铁液的制造方法。
用于解决问题的手段
本发明的学习模型生成方法包括对行动模型进行机器学习并输出被进行了机器学习的行动模型的步骤,所述行动模型是以将表示工艺的操作状态或设备的运转状态的一个以上的观测量的历史数据进行了图像化得到的图像数据为输入数据,以基于所述历史数据而由操作员决定的工艺或设备的操作量为输出数据,操作员决定工艺或设备的操作量的行动模型。
可以是,所述图像数据是在一方的轴配置有时间轴而在另一方的轴配置有所述历史数据的二维图像。
可以是,所述图像数据的历史数据是将所述观测量的趋势图形(trend graph)进行了图像化的图像。
可以是,所述图像数据的历史数据是将颜色及/或颜色的深浅与各历史数据的数值建立对应而得到的图像。
可以是,所述输入数据是预先确定的连续的规定时间区间的图像数据,所述输出数据是所述规定时间区间后的所述操作量。
可以是,所述输入数据操作量变更后、预先确定的时间经过后的作为控制量而确定的观测量的一个或多个值处于以各自的目标值为中心的规定范围内的图像数据。
可以是,在所述图像数据中包含所述操作量的历史数据。
可以是,所述学习模型生成方法包括在将所述历史数据进行图像化之前对该历史数据实施标准化处理的步骤。
可以是,所述行动模型是卷积神经网络。
可以是,仅对于时间轴方向进行所述卷积神经网络的卷积运算。
可以是,所述工艺为高炉工艺,所述观测量包含铁液温度、风口埋入温度及焦比中的至少一个,所述操作量是对高炉的铁液温度进行控制的操作量。
可以是,所述操作量是煤粉比、送风湿分及焦比中的至少一个。
本发明的学习模型生成装置具备对行动模型进行机器学习并输出被进行了机器学习的行动模型的单元,所述行动模型是以将表示工艺的操作状态或设备的运转状态的一个以上的观测量的历史数据进行了图像化得到的图像数据为输入数据,以基于所述历史数据而由操作员决定的工艺或设备的操作量为输出数据,操作员决定工艺或设备的操作量的行动模型。
本发明的高炉的铁液温度控制方法包括使用通过本发明的学习模型生成方法生成的行动模型来决定能够将高炉的铁液温度控制成目标温度的所述操作量,按照决定出的操作量来控制高炉的步骤。
本发明的高炉的铁液温度控制指导方法包括使用通过本发明的学习模型生成方法生成的行动模型来决定能够将高炉的铁液温度控制成目标温度的所述操作量,按照决定出的操作量进行该操作量的变更指导的步骤。
本发明的铁液的制造方法包括使用本发明的高炉的铁液温度控制方法或本发明的高炉的铁液温度控制指导方法来制造铁液的步骤。
发明效果
根据本发明的学习模型生成方法及学习模型生成装置,能够生成能够高精度地控制工艺或设备的状态的学习模型。而且,根据本发明的高炉的铁液温度控制方法及铁液温度控制指导方法,能够高精度地控制高炉的铁液温度。此外,根据本发明的铁液的制造方法,能够高成品率地制造铁液。
附图说明
图1是表示本发明的一实施方式的学习模型生成装置的结构的框图。
图2是表示本发明的一实施方式的学习模型生成处理的流程的流程图。
图3是表示操作员决定动作时考虑的项目的趋势数据的一例的图。
图4是图3所示的趋势数据的轮廓图。
图5是表示CNN的卷积运算方向的图。
图6是表示CNN的构造的一例的框图。
图7是表示基于CNN的判定概率和动作判定值的时间变化的图。
图8是表示铁液温度偏差、焦比、及相对于风口埋入温度的变化的CNN的滤波器的值的变化的图。
具体实施方式
以下,参照附图,说明本发明的一实施方式的学习模型生成装置的结构及其动作。
〔结构〕
首先,参照图1,说明本发明的一实施方式的学习模型生成装置的结构。
图1是表示本发明的一实施方式的学习模型生成装置的结构的框图。如图1所示,本发明的一实施方式的学习模型生成装置1是通过机器学习来生成操作员决定工艺或设备的操作量的行动模型的装置,由具备处理器、存储器等的周知的信息处理装置构成。在本实施方式中,学习模型生成装置1通过处理器执行计算机程序而作为模型学习部11及模型输出部12发挥功能。关于各部的功能,在后文叙述。
保存有在机器学习时使用的学习数据的历史数据数据库(历史数据DB)2以能够读取数据的方式连接于学习模型生成装置1。在本实施方式中,将表示作为控制对象的工艺的操作状态或作为控制对象的设备的运转状态的一个以上的观测量的历史数据进行了图像化得到的图像数据与基于历史数据而由操作员决定的工艺或设备的操作量建立关联而作为学习数据保存于历史数据DB2。
在此,图像数据的方式设为将以一方的轴为时间轴并以另一方的轴为观测量的观测量的历史数据对应于时间轴沿着与时间轴不同的方向配置有一个以上的观测量的二维配置的图像数据。各观测量的历史显示可以是通常的趋势图形那样的线图,也可以是将各历史数据的数值与颜色及/或颜色的深浅建立对应而得到的图像的所谓轮廓图。而且,图像数据可以包含工艺或设备的操作量的历史数据。此外,对于观测量或操作量的历史数据,为了将值域统一,优选在形成为图像数据之前实施标准化处理。
具有这样的结构的学习模型生成装置1执行以下所示的学习模型生成处理,由此通过机器学习来生成操作员决定工艺或设备的操作量的行动模型。以下,参照图2,说明执行学习模型生成处理时的学习模型生成装置1的动作。
〔学习模型生成处理〕
图2是表示本发明的一实施方式的学习模型生成处理的流程的流程图。图2所示的流程图在对于学习模型生成装置1输入了学习模型生成处理的执行指令的定时开始,学习模型生成处理进入步骤S1的处理。
在步骤S1的处理中,模型学习部11从历史数据DB2取得学习数据。由此,步骤S1的处理完成,学习模型生成处理进入步骤S2的处理。
在步骤S2的处理中,模型学习部11使用在步骤S1的处理中取得的学习数据,对行动模型进行机器学习,该行动模型是以将表示作为控制对象的工艺的操作状态或作为控制对象的设备的运转状态的一个以上的观测量的历史数据进行了图像化得到的图像数据为输入数据,以基于历史数据而由操作员决定的工艺或设备的操作量为输出数据,操作员决定工艺或设备的操作量的行动模型。
在此,通过机器学习生成的行动模型优选为卷积神经网络(Convolutionalneural network:CNN)。而且,在图像数据的方式为一方的轴设为时间轴且另一方的轴配置有历史数据的二维图像的情况下,CNN的卷积运算优选仅对于时间轴方向进行。而且,输入数据优选设为预先确定的连续的规定时间区间的图像数据,输出数据优选设为规定时间区间的之后不久的操作量的值。而且,作为学习数据,优选使用操作量变更后、预先确定的时间经过后的作为控制量而确定的观测量的一个或多个值处于以各自的目标值为中心的规定范围内的图像数据与操作量的组合。这是作为操作员的操作结果而控制量进行适当的变化,将能够控制为距目标值规定的范围的数据作为学习数据而利用的缘故。由此,步骤S2的处理完成,学习模型生成处理进入步骤S3的处理。
在步骤S3的处理中,模型输出部12输出行动模型,该行动模型是在步骤S2的处理中生成的、以将表示作为控制对象的工艺的操作状态或作为控制对象的设备的运转状态的一个以上的观测量的历史数据进行了图像化得到的图像数据为输入数据并以基于历史数据而由操作员决定的工艺或设备的操作量为输出数据的、操作员决定工艺或设备的操作量的行动模型。由此,步骤S3的处理完成,一系列的学习模型生成处理结束。以后,操作员能够按照通过将预先确定的规定区间的观测量历史的图像数据向行动模型输入而得到的操作量来控制工艺或设备的状态。
从以上的说明可知,本发明的一实施方式的学习模型生成装置1对行动模型进行机器学习并输出进行了机器学习的行动模型,该行动模型是以将表示作为控制对象的工艺的操作状态或作为控制对象的设备的运转状态的一个以上的观测量的历史数据进行了图像化得到的图像数据为输入数据,以基于历史数据而由操作员决定的工艺或设备的操作量为输出数据,操作员决定工艺或设备的操作量的行动模型。由此,按照通过将预测对象的图像数据向行动模型输入而得到的操作量来控制工艺或设备的状态,由此能够高精度地控制工艺或设备的状态。
需要说明的是,在向历史数据DB2追加了新的学习数据的情况下,模型学习部11优选将新追加的学习数据作为追加学习用数据使行动模型进行追加学习,由此对行动模型进行更新。
实施例
在本实施例中,将高炉工艺中的熟练的操作员的铁液温度控制的动作进行了模型化。具体而言,在高炉工艺中,操作员基于风口埋入温度、气体利用率等表示高炉的状态的工艺变量及过去几个小时中的操作变量的趋势来决定接下来的动作。这样的操作员的认知、判断及动作的流程可以说以工艺变量、操作变量的趋势图像为输入变量而输出成为接下来的一手的动作。因此,由于近年来的机器学习最擅长图像处理,因此将对图像处理进行了特殊化的深度学习的一个手法的CNN适用于动作的模型化。
在此,图3示出操作员决定动作时考虑的项目的趋势数据的一例。在向动作的模型化适用CNN方面,如何将这样的趋势数据进行图像化成为课题。图4示出横轴取为时间(时间步长),纵轴取为项目而将与图3所示的趋势数据相同的趋势数据形成为轮廓图的例子,但是操作员并不是直接观察这样的轮廓图来决定动作而是观察图3所示那样的多个趋势数据。因此,虽然也可考虑将这样的多个趋势数据向CNN直接输入的情况,但是在本实施例中,将图4所示的轮廓图作为CNN的输入数据。需要说明的是,图4所示的轮廓图的横轴表示32小时的数据(64点),纵轴表示15个项目。
接下来,研讨CNN的卷积滤波器的形状。如近年来成为话题的α围棋那样,在CNN中以围棋盘那样的纵轴及横轴为同质的图像为输入数据,如图5(a)中的箭头所示那样沿纵轴方向及横轴方向进行卷积运算。然而,本实施例中的输入图像的纵轴为项目,因此沿纵轴方向进行卷积运算的情况没有特别的意义。因此,在本实施例中,设为如图5(b)中的箭头所示对于仅沿横轴方向即时间轴方向进行卷积的滤波器进行机器学习。图6示出使用的CNN的构造。需要说明的是,图6中的块31~37分别表示卷积层(Convolution)、标准化线性单元(Relu)、池化层(Pooling)、全结合层(Affine)、标准化线性单元(Relu)、全结合层(Affine)及Softmax函数(Softmax)。而且,图6中的括弧内的数字表示数据排列的大小。例如(64,15)表示64×15的二维排列。但是,图6所示的CNN的构造为一例,也可以设为图6所示的构造以外的构造。
接下来,叙述基于CNN的作为预测对象的目标变量。在本实施例中,作成了以上升、下降、观望这三个阶段判定用于将高炉的铁液温度控制成目标温度附近的动作的模型。具体而言,为了控制铁液温度而使用煤粉比作为操作变量,将煤粉比的上升、下降、观望的操作设为目标变量。需要说明的是,可以使用送风湿分、焦比作为操作变量。而且,操作员的动作之中可能包含错误的动作。因此,作为前处理,优选事先将错误的动作的数据排除在外。在本实施例中,事先将从实施上升动作起10小时后的铁液温度的控制偏差(相对于目标温度的偏差)成为+10℃以上的事例的数据及从实施下降动作起10小时后的铁液温度的控制偏差成为-10℃以下的事例的数据排除在外。
使用进行了以上那样的前处理的每30分钟的3700点数据(约77天的量),在最初的3000点进行基于CNN的模型的机器学习,在其余的700点验证了模型的精度。图7(a)、(b)示出验证结果。具体而言,图7(a)示出从CNN输出的上升动作、下降动作及观望的判定概率。而且,图7(b)示出从CNN输出的上升动作的判定概率减去下降动作的判定概率所得到的值(实线:以后,标记为动作判定值)与实际的操作员的动作(圆点)的比较。如图7(b)所示可知,实际的操作员的动作与动作判定值的倾向一致。
接下来,对于这样得到的动作判定值设定阈值,相对于阈值以+0.15以上定义为上升判定,相对于阈值以-0.15以下定义为下降判定,除此以外定义为观望判定。以下的表1示出动作判定值(CNN)与实际的操作员的动作(实际成效)的比较。如表1所示,动作判定值与实际的操作员的动作的一致率为65%左右。
(表1)
另外,图8将通过机器学习得到的CNN的卷积层的滤波器1~3(加权系数)的值表示作为3小时量的趋势。在图8中,(a-1)、(b-1)、(c-1)表示相对于铁液温度偏差的时间变化的滤波器1~3的值的变化,(a-2)、(b-2)、(c-2)表示相对于焦比的时间变化的滤波器1~3的值的变化,(a-3)、(b-3)、(c-3)表示相对于风口埋入温度的时间变化的滤波器1~3的值的变化。如图8(a-3)、(c-3)所示,滤波器1、3的值对风口埋入温度较大地产生反应,如图8(b-1)所示,滤波器2的值对铁液温度的偏差产生反应。风口埋入温度及铁液温度偏差都是操作员注视的信息,因此其结果可以说是对基于CNN的操作员动作的模型化的探讨进行支持的结果。
根据以上的叙述确认到按照通过将操作员决定动作时考虑的项目的趋势数据向模型输入而得到的操作量来控制高炉工艺,由此能够高精度地控制高炉工艺的情况。而且,由此,使用被进行了机器学习的模型来决定能够将高炉的铁液温度控制成目标温度的操作量,按照决定出的操作量来控制高炉,由此能够高精度地控制高炉的铁液温度,结果是能够高成品率地制造铁液。而且,由此,使用被进行了机器学习的模型来决定能够将高炉的铁液温度控制成目标温度的操作量,按照决定出的操作量进行操作量的变更指导,由此能够高精度地控制高炉的铁液温度,结果是能够高成品率地制造铁液。
以上,说明了适用由本发明者们作出的发明的实施方式,但是没有通过基于本实施方式的作为本发明的公开的一部分的记述及附图来限定本发明。即,基于本实施方式而通过本领域技术人员等作出的其他的实施方式、实施例及运用技术等全部包含于本发明的范畴。
工业实用性
根据本发明,能够提供一种能够生成能够高精度地对工艺或设备的状态进行控制的学习模型的学习模型生成方法及学习模型生成装置。而且,根据本发明,能够提供一种能够高精度地控制高炉的铁液温度的高炉的铁液温度控制方法及铁液温度控制指导方法。此外,根据本发明,能够提供一种能够高成品率地制造铁液的铁液的制造方法。
附图标记说明
1 学习模型生成装置
2 历史数据数据库(历史数据DB)
11 模型学习部
12 模型输出部。
Claims (16)
1.一种学习模型生成方法,包括对行动模型进行机器学习并输出被进行了机器学习的行动模型的步骤,所述行动模型是以将表示工艺的操作状态或设备的运转状态的一个以上的观测量的历史数据进行了图像化得到的图像数据为输入数据,以基于所述历史数据而由操作员决定的工艺或设备的操作量为输出数据,操作员决定工艺或设备的操作量的行动模型。
2.根据权利要求1所述的学习模型生成方法,其中,
所述图像数据是在一方的轴配置有时间轴而在另一方的轴配置有所述历史数据的二维图像。
3.根据权利要求2所述的学习模型生成方法,其中,
所述图像数据的历史数据是将所述观测量的趋势图形进行了图像化得到的图像。
4.根据权利要求2所述的学习模型生成方法,其中,
所述图像数据的历史数据是将颜色及/或颜色的深浅与各历史数据的数值建立对应而得到的图像。
5.根据权利要求1~4中任一项所述的学习模型生成方法,其中,
所述输入数据是预先确定的连续的规定时间区间的图像数据,所述输出数据是所述规定时间区间后的所述操作量。
6.根据权利要求1~5中任一项所述的学习模型生成方法,其中,
所述输入数据是操作量变更后、预先确定的时间经过后的作为控制量而确定的观测量的一个或多个值处于以各自的目标值为中心的规定范围内的图像数据。
7.根据权利要求1~6中任一项所述的学习模型生成方法,其中,
在所述图像数据中包含所述操作量的历史数据。
8.根据权利要求1~7中任一项所述的学习模型生成方法,其中,
所述学习模型生成方法包括在将所述历史数据进行图像化之前对该历史数据实施标准化处理的步骤。
9.根据权利要求1~8中任一项所述的学习模型生成方法,其中,
所述行动模型是卷积神经网络。
10.根据权利要求9所述的学习模型生成方法,其中,
仅对于时间轴方向进行所述卷积神经网络的卷积运算。
11.根据权利要求1~10中任一项所述的学习模型生成方法,其中,
所述工艺为高炉工艺,在所述观测量中包含铁液温度、风口埋入温度及焦比中的至少一个,所述操作量是对高炉的铁液温度进行控制的操作量。
12.根据权利要求11所述的学习模型生成方法,其中,
所述操作量是煤粉比、送风湿分及焦比中的至少一个。
13.一种学习模型生成装置,具备对行动模型进行机器学习并输出被进行了机器学习的行动模型的单元,所述行动模型是以将表示工艺的操作状态或设备的运转状态的一个以上的观测量的历史数据进行了图像化得到的图像数据为输入数据,以基于所述历史数据而由操作员决定的工艺或设备的操作量为输出数据,操作员决定工艺或设备的操作量的行动模型。
14.一种高炉的铁液温度控制方法,包括使用通过权利要求11或12所述的学习模型生成方法生成的行动模型来决定能够将高炉的铁液温度控制成目标温度的所述操作量,按照决定出的操作量来控制高炉的步骤。
15.一种高炉的铁液温度控制指导方法,包括使用通过权利要求11或12所述的学习模型生成方法生成的行动模型来决定能够将高炉的铁液温度控制成目标温度的所述操作量,按照决定出的操作量进行该操作量的变更指导的步骤。
16.一种铁液的制造方法,包括使用权利要求14所述的高炉的铁液温度控制方法或权利要求15所述的高炉的铁液温度控制指导方法来制造铁液的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-133538 | 2019-07-19 | ||
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 |
PCT/JP2020/022126 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114341879A true CN114341879A (zh) | 2022-04-12 |
Family
ID=74193755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080050757.5A Pending CN114341879A (zh) | 2019-07-19 | 2020-06-04 | 学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP4002023A4 (zh) |
JP (1) | JP6897723B2 (zh) |
KR (1) | KR20220024450A (zh) |
CN (1) | CN114341879A (zh) |
BR (1) | BR112021025958A2 (zh) |
WO (1) | WO2021014782A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130769A (zh) * | 2022-07-07 | 2022-09-30 | 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 |
Families Citing this family (2)
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 |
WO2023171501A1 (ja) * | 2022-03-07 | 2023-09-14 | Jfeスチール株式会社 | 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、溶銑温度予測システムおよび端末装置 |
Family Cites Families (9)
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 |
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 |
JP4488964B2 (ja) | 2005-06-27 | 2010-06-23 | 新日本製鐵株式会社 | プロセスの操業状態の制御方法及びコンピュータプログラム |
JP4653715B2 (ja) * | 2006-10-13 | 2011-03-16 | 新日本製鐵株式会社 | 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 |
JP6298562B1 (ja) * | 2017-05-31 | 2018-03-20 | 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 |
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 |
-
2019
- 2019-07-19 JP JP2019133538A patent/JP6897723B2/ja active Active
-
2020
- 2020-06-04 KR KR1020227000669A patent/KR20220024450A/ko not_active Application Discontinuation
- 2020-06-04 EP EP20844633.6A patent/EP4002023A4/en active Pending
- 2020-06-04 BR BR112021025958A patent/BR112021025958A2/pt unknown
- 2020-06-04 WO PCT/JP2020/022126 patent/WO2021014782A1/ja unknown
- 2020-06-04 CN CN202080050757.5A patent/CN114341879A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130769A (zh) * | 2022-07-07 | 2022-09-30 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
WO2021014782A1 (ja) | 2021-01-28 |
BR112021025958A2 (pt) | 2022-02-08 |
JP2021018569A (ja) | 2021-02-15 |
KR20220024450A (ko) | 2022-03-03 |
JP6897723B2 (ja) | 2021-07-07 |
EP4002023A4 (en) | 2022-08-24 |
EP4002023A1 (en) | 2022-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114341879A (zh) | 学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法 | |
CN109870903B (zh) | 参数优化方法、装置以及非瞬时计算机可读取介质 | |
JP2018145520A (ja) | 高炉炉熱予測装置及び高炉炉熱予測方法 | |
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 | |
CN113254738B (zh) | 烧成曲线的自适应预测方法、设备及计算机存储介质 | |
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 | |
JP2020029596A (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 | |
KR20180022030A (ko) | 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법 | |
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 | |
JP4311669B2 (ja) | 高炉温度制御システム及び高炉温度制御方法 | |
CN117556711B (zh) | 基于神经网络的高炉喷煤优化方法、系统、终端和介质 | |
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 | |
CN112287283B (zh) | 一种高炉运行状态评价方法、装置及存储介质 | |
CN113570145A (zh) | 一种炼铁高炉炉芯死料柱温度的预测方法 | |
CN105734189A (zh) | 一种高炉运行过程中喷煤量决策的方法 | |
Klanke et al. | Advanced data-driven prediction models for BOF endpoint detection | |
CN114144532A (zh) | 工艺的控制方法、操作指导方法、高炉的操作方法、铁水的制造方法及工艺的控制装置 | |
CN117973087B (zh) | 一种基于多模态数字孪生技术的大数据预测方法 | |
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 | |
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 | |
JP7264321B1 (ja) | 溶銑温度の予測方法、操業ガイダンス方法、溶銑の製造方法、溶銑温度の予測装置、操業ガイダンス装置、高炉操業ガイダンスシステム、高炉操業ガイダンスサーバ及び端末装置 | |
KR20240013811A (ko) | 소결 프로세스의 상태 추정 방법, 조업 가이던스 방법, 소결광의 제조 방법, 소결 프로세스의 상태 추정 장치, 조업 가이던스 장치, 소결 조업 가이던스 시스템, 소결 조업 가이던스 서버 및 단말 장치 | |
WO2024101351A1 (ja) | 装置、方法およびプログラム | |
KR102122422B1 (ko) | 고로의 연원료 비율 제어 장치 및 그 방법 |
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 |