JP2009167481A - Apparatus for controlling impeller desulfuration and method therefor - Google Patents
Apparatus for controlling impeller desulfuration and method therefor Download PDFInfo
- Publication number
- JP2009167481A JP2009167481A JP2008008031A JP2008008031A JP2009167481A JP 2009167481 A JP2009167481 A JP 2009167481A JP 2008008031 A JP2008008031 A JP 2008008031A JP 2008008031 A JP2008008031 A JP 2008008031A JP 2009167481 A JP2009167481 A JP 2009167481A
- Authority
- JP
- Japan
- Prior art keywords
- flux
- condition data
- similarity
- data
- impeller
- 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
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004907 flux Effects 0.000 claims abstract description 116
- 230000023556 desulfurization Effects 0.000 claims description 48
- 239000002184 metal Substances 0.000 claims description 43
- 229910052751 metal Inorganic materials 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000002203 pretreatment Methods 0.000 claims description 16
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 13
- 239000002893 slag Substances 0.000 claims description 13
- 229910052717 sulfur Inorganic materials 0.000 claims description 13
- 239000011593 sulfur Substances 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 229910005347 FeSi Inorganic materials 0.000 claims 2
- 238000003756 stirring Methods 0.000 abstract description 14
- 229910000805 Pig iron Inorganic materials 0.000 abstract 3
- 230000003009 desulfurizing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910004261 CaF 2 Inorganic materials 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Refinement Of Pig-Iron, Manufacture Of Cast Iron, And Steel Manufacture Other Than In Revolving Furnaces (AREA)
Abstract
Description
本発明は、溶銑中にフラックスを投入し、インペラーを回転させて機械的に溶銑を攪拌することにより、溶銑中の硫黄成分を脱硫反応によって滓化させ、スラグとして取り除く際に、硫黄濃度を目標値に制御するためのフラックス投入量を決定するインペラー脱硫制御装置及び方法に関する。 The present invention introduces a flux into the hot metal, rotates the impeller and mechanically stirs the hot metal, so that the sulfur component in the hot metal is hatched by a desulfurization reaction and removed as slag. The present invention relates to an impeller desulfurization control apparatus and method for determining a flux input amount to control a value.
従来のインペラー脱硫制御方法としては、例えば、インペラーの使用回数にかかわらず、適切な攪拌条件で高い脱硫率を得るために、インペラーを回転させて機械的に溶銑を攪拌する装置を用いて溶銑の脱硫処理を行う際に、その回転速度を140rpm以上、攪拌動力を300〜600W/tとする溶銑の脱硫方法が知られている(例えば、特許文献1参照)。
しかしながら、上記特許文献1に記載の従来例にあっては、インペラーの回転速度及び攪拌動力を規定することによりインペラーの使用回数にかかわらず、適切な攪拌条件で高い脱硫率を得ることができるものであるが、脱硫を行うためのCaO等のフラックスの投入量をどのように制御すればよいかについては言及されていない。
このフラックスの投入量の決定については、従来、溶銑量、処理前P濃度、処理前温度、処理前S濃度、リサイクルスラグ量、FeSi投入量原単位、処理時間等の操業条件、操作量としてのフラックス投入量原単位、制御目標としての処理後S濃度を事例データとして多数蓄積しておき、蓄積されたデータをもとに、オフラインで統計解析を行い、操業条件及び制御目標から操作量を計算する線形重回帰モデルを作成し、この線形重回帰モデルに上記入力される操業条件及び制御目標を代入することで、操作量であるフラックス投入量原単位を演算するようにしている。
However, in the conventional example described in Patent Document 1, a high desulfurization rate can be obtained under appropriate stirring conditions regardless of the number of times the impeller is used by defining the impeller rotational speed and stirring power. However, there is no mention of how to control the input amount of flux such as CaO for desulfurization.
Regarding the determination of the amount of flux input, conventionally, the amount of hot metal, the concentration of P before processing, the temperature before processing, the concentration of S before processing, the amount of recycled slag, the basic unit of FeSi input, the processing time, etc. A lot of post-processing S concentrations as flux input unit and control target are accumulated as case data, and statistical analysis is performed off-line based on the accumulated data, and the operation amount is calculated from the operating conditions and control target. A linear multiple regression model is created, and the input operating conditions and control targets are substituted into the linear multiple regression model, thereby calculating the flux input amount basic unit, which is the manipulated variable.
ここで、線形重回帰モデルは、脱Sフラックス原単位をW(kg/t)、処理前S濃度を[S]i(0.001%)、処理後S濃度を[S]f(0.001%)、遷移S濃度(固定値15)を[S]t(0.001%)及びモデルパラメータをA〜Cとしたとき、
Wcal=A×([S]i−[S]t)+B×ln([S]t/[S]f)+C
で表され、モデルパラメータA〜Cは、溶銑温度、溶銑の成分、除去するS量などにより複数に区分されたモデルパラメータテーブルを持つようにしていた。
Here, in the linear multiple regression model, the de-S flux basic unit is W (kg / t), the pre-treatment S concentration is [S] i (0.001%), and the post-treatment S concentration is [S] f (0. 001%), transition S concentration (fixed value 15) is [S] t (0.001%) and model parameters are A to C,
W cal = A × ([S] i − [S] t ) + B × ln ([S] t / [S] f ) + C
The model parameters A to C have a model parameter table that is divided into a plurality of types according to the hot metal temperature, the hot metal component, the amount of S to be removed, and the like.
このような線形重回帰モデルを使用する場合には、環境変化などにより、線形重回帰モデルのモデルパラメータをチューニングする必要があるが、線形重回帰モデルは、溶銑温度、溶銑の成分、除去するS量により複数に区分されたモデルパラメータテーブルを有するので、チューニングするモデルパラメータの数が非常に多くなり、メンテナンス負荷が高く、チューニングが困難であるため、線形重回帰モデルの精度が悪く、フラックス投入量の設定精度が低下し、処理後S濃度の制御精度が低下するという未解決の課題がある。 When such a linear multiple regression model is used, it is necessary to tune the model parameters of the linear multiple regression model due to environmental changes or the like. However, the linear multiple regression model uses hot metal temperature, hot metal components, and S to be removed. Since it has a model parameter table divided into multiple according to quantity, the number of model parameters to be tuned is very large, the maintenance load is high, and tuning is difficult, so the accuracy of the linear multiple regression model is poor, and the flux input amount However, there is an unresolved problem that the control accuracy of the S concentration after processing is lowered.
そこで、本発明は、上記従来例の未解決の課題に着目してなされたものであり、蓄積された実績データをもとに、決定するフラックス投入量の設定精度を向上させて、処理後S濃度の制御精度を向上させることができるインペラー脱硫制御装置及び方法を提供することを目的としている。 Therefore, the present invention has been made paying attention to the unsolved problems of the above-described conventional example, and improves the setting accuracy of the flux input amount to be determined based on the accumulated performance data, and after processing S An object of the present invention is to provide an impeller desulfurization control device and method capable of improving the concentration control accuracy.
上記目的を達成するために、請求項1に係るインペラー脱硫制御装置は、溶銑中にフラックスを投入し、インペラーを回転させて機械的に溶銑を攪拌することにより、溶銑中の硫黄成分を脱硫反応によって滓化させ、スラグとして取り除く際に、硫黄濃度を目標値に制御するためのフラックス投入量を決定するインペラー脱硫制御装置であって、過去の事例毎のフラックス投入量、脱硫処理に必要とする操業条件データを蓄積して記憶する操業情報記憶手段と、該操業情報記憶手段に記憶されている事例毎に、前記操業条件データに対応する予測したい要求条件データと前記操業条件データとの距離を算出して類似度を演算する類似度演算手段と、該類似度演算手段で演算された事例毎の類似度と、前記操業情報記憶手段に記憶されている前記各事例の操業条件データとに基づいて前記要求条件データに適合するフラックス投入量を決定するフラックス投入量決定手段とを備えていることを特徴としている。 In order to achieve the above object, an impeller desulfurization control device according to claim 1 puts a flux into hot metal and rotates the impeller to mechanically agitate the hot metal to desulfurize sulfur components in the hot metal. Is an impeller desulfurization control device that determines the flux input amount to control the sulfur concentration to the target value when it is hatched and removed as slag, and is required for the flux input amount and desulfurization treatment for each past case The operation information storage means for accumulating and storing the operation condition data, and for each case stored in the operation information storage means, the distance between the request condition data to be predicted corresponding to the operation condition data and the operation condition data. Similarity calculation means for calculating and calculating similarity, similarity for each case calculated by the similarity calculation means, and before being stored in the operation information storage means It is characterized in that it comprises a flux input amount determining means for determining a compatible flux input amount to said request condition data on the basis of the operation condition data for each case.
また、請求項2に係るインペラー脱硫制御装置は、請求項1に係る発明において、前記脱硫に必要とする操業条件データとして、溶銑量、処理前温度、処理前硫黄濃度、FeSi投入量原単位、処理時間を少なくとも設定したことを特徴としている。
さらに、請求項3に係るインペラー脱硫制御装置は、請求項1又は2に係る発明において、前記操業情報記憶手段は、前記フラックス投入量を出力変数とし、前記処理後FeSiに必要とする操業条件データを入力変数とする複数の実績データを事例毎にテーブルとして格納し、前記類似度演算手段は、結果を予測したい前記入力変数に対応する要求条件データを設定すると共に、前記実績データを用いて出力変数を予測するための回帰式モデルを作成し、作成した回帰式モデルのパラメータを影響係数として算出する影響係数算出部と、該影響係数算出部で算出した影響係数を考慮して前記実績データの入力変数について前記要求条件からの距離を演算する距離関数を定義して前記実績データの要求条件データからの距離を演算する距離演算部と、該距離演算部で演算した距離に基づいて要求条件データに対する近さを表す類似度を演算する類似度演算部とを備えていることを特徴としている。
The impeller desulfurization control device according to
Furthermore, the impeller desulfurization control device according to
さらにまた、請求項4に係るインペラー脱硫制御装置は、請求項1乃至3の何れか1つの発明において、前記フラックス投入量決定手段は、各事例の入力変数とパラメータとで構成される回帰モデル式を作成し、この回帰モデル式のパラメータを、モデル化誤差を最小化するように決定し、決定したパラメータと各事例の入力変数と前記類似度とに基づいてフラックス投入量を決定するように構成されていることを特徴としている。
Furthermore, the impeller desulfurization control device according to
なおさらに、請求項5に係るインペラー脱硫制御方法は、溶銑中にフラックスを投入し、インペラーを回転させて機械的に溶銑を攪拌することにより、溶銑中の硫黄成分を脱硫反応によって滓化させ、スラグとして取り除く際に、硫黄濃度を目標値に制御するためのフラックス投入量を決定するインペラー脱硫制御方法であって、
過去の事例毎のフラックス投入量、脱硫処理に必要とする操業条件データを操業情報記憶手段に記憶して蓄積するステップと、前記操業情報記憶手段に記憶されている事例毎に、類似度演算手段で、前記操業条件に対応する予測したい要求条件データと前記操業条件データとの距離及び類似度を演算するステップと、演算された事例毎の類似度と、前記操業情報記憶手段に記憶されている前記各事例の操業条件とに基づいてフラックス投入量決定手段でフラックス投入量を決定するステップとを備えたことを特徴としている。
Still further, in the impeller desulfurization control method according to
Similarity calculation means for each case stored in the operation information storage means, step of storing and storing the flux input amount for each past case, operation condition data required for desulfurization processing in the operation information storage means And calculating the distance and similarity between the requirement condition data to be predicted corresponding to the operation condition and the operation condition data, and the calculated similarity for each case, stored in the operation information storage means. And a step of determining the flux input amount by the flux input amount determining means based on the operation conditions of each case.
本発明によれば、操業情報記憶手段に蓄積された過去の事例毎のフラックス投入量、操業条件データでなる実績データをもとに、予測したい要求条件データが生じる毎に、各事例の操業条件データと要求条件データとの距離を算出して類似度を演算し、演算した類似度と各事例の操業条件とに基づいてフラックス投入量を決定することができるので、モデルパラメータのチューニングを必要とせず、フラックス投入量の演算精度を向上させることができると共に、処理後S濃度の制御精度を向上させることができ、投入するフラックス量を低減して、製造コストを低減することができるという効果が得られる。 According to the present invention, each time the required condition data to be predicted is generated based on the past data accumulated in the past information accumulated in the operation information storage means, the actual condition data consisting of the operation condition data, the operation condition of each case is generated. It is possible to calculate the distance by calculating the distance between the data and the requirement data, and to determine the flux input based on the calculated similarity and the operating conditions of each case. In addition, the calculation accuracy of the flux input amount can be improved, the control accuracy of the post-processing S concentration can be improved, the amount of flux to be input can be reduced, and the manufacturing cost can be reduced. can get.
以下、本発明の実施の形態を図面に基づいて説明する。
図1は、本発明を適用し得るインペラー脱硫装置を示す全体構成図である。
図中、1はインペラー脱硫装置であって、このインペラー脱硫装置1は溶銑2を装入する溶銑鍋3と、この溶銑鍋3に昇降可能に配設されたインペラー4とを有する。
インペラー4は、モータ5で回転駆動されて溶銑2の攪拌を行い、モータ5は攪拌制御装置6によって駆動制御される。
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
FIG. 1 is an overall configuration diagram showing an impeller desulfurization apparatus to which the present invention can be applied.
In the figure, reference numeral 1 denotes an impeller desulfurization apparatus. The impeller desulfurization apparatus 1 includes a
The
そして、溶銑鍋3内の溶銑には、フラックス等投入装置10によって、脱硫処理を行うためのCaO−CaF系のフラックスと、脱硫反応をさらに進める脱酸材(FeSi)とスラグ(酸化物)とを投入することにより、フラックスによって下記の脱硫反応を行わせて脱硫を行う。
S+CaO=CaS+O
ここで、フラックスに含まれるCaF2はCaSを滓化するために投入される。
And in the hot metal in the
S + CaO = CaS + O
Here, CaF 2 contained in the flux is introduced to hatch CaS.
そして、フラックス等投入装置10におけるフラックスの投入量が以下に述べるインペラー脱硫制御装置11によって決定される。
このインペラー脱硫制御装置11は、フラックス等投入装置10のフラックス投入量を決定するフラックス投入量決定装置12と、過去の事例における実績データが蓄積されたテーブルを有する操業情報記憶手段としての操業実績データベース13とを備えている。
The amount of flux input in the
The impeller
ここで、フラックス投入量決定装置12は、システムバス12aに接続されたCPU12b、ROM12c、RAM12d及びインタフェース回路12eを備えている。そして、インタフェース回路12eにフラックス等投入装置10、操業実績データベース13、キーボード、マウス等の入力装置14及び液晶ディスプレイ等の表示装置15が接続されている。
Here, the flux input
また、操業実績データベース13は、実績データとして、過去の事例における溶銑量、処理前P濃度、処理前温度、処理前S濃度、リサイクルスラグ量、FeSi投入原単位、処理時間等の脱硫処理に必要とする操業条件データとフラックス投入量とが設定されている。ここで、処理前P濃度は省略するようにしてもよい。
そして、フラックス投入量決定装置12は、そのCPU12bで、操業実績データベース13に格納されている各事例における操業条件データ及びフラックス投入量の実績データと、今回の操業条件データに対応する要求条件データとに基づいて今回のフラックス投入量を決定するフラックス投入量決定処理を実行する。
In addition, the
Then, the flux input
このフラックス投入量決定装置12を機能ブロック図で表すと、図2に示すようになる。すなわち、過去に適用した事例の操業条件データと、その操業条件データによって得られた結果であるフラックス投入量が操業実績データベース13に蓄積されて記憶されているので、この操業実績データベース13に保存されている操業条件データ及びフラックス投入量により規定される条件空間において、フラックス投入量を予測したい要求条件データを設定し、設定した要求条件データの近傍における各操業条件データが、結果であるフラックス投入量に対して影響する程度を表わす影響係数を算出する影響係数算出部21と、得られた影響係数に基づいて、条件空間の軸を変換し、変換された条件空間において、操業実績データベース13に保存されている過去の事例毎の操業条件データの実績値と前記要求条件データとの距離を計算する距離演算部22と、得られた距離に基づいて、各操業条件データの実績値と要求条件データとの類似度を計算する類似度演算部23と、得られた類似度に基づいて、要求条件データ近傍の予測式を作成し、得られた予測式に基づいて、要求条件データに対する結果であるフラックス投入量を決定するフラックス投入量決定手段としてのフラックス投入量決定部24と、決定されたフラックス投入量を出力するフラックス投入量出力部25とを備えている。
This flux input
以下、本発明によるインペラー脱硫制御方法を説明する。
操業実績データベース13には、実績データとして、過去に適用された操業条件データであるM(=7)個の入力変数(溶銑量(X1)、処理前P濃度(X2)、処理前温度(X3)、処理前S濃度(X4)、リサイクルスラグ量(X5)、FeSi投入原単位(X6)、処理時間(x7))と、これらの入力変数の組合せにより得られた(実績された)結果であるフラックス投入量を表す出力変数(Y)からなるN個の事例の実績データが、予め保存されているが、ここでは、一般化して、図3に示すように、出力変数の項目名称をY、M個の入力変数の項目名称をXm(m=1,2,…,M)とする。操業実績データはN個あり、n番目(n=1,2,…,N)の出力変数の値をynとし、入力変数の値をxm nと表記することにする。
Hereinafter, the impeller desulfurization control method by this invention is demonstrated.
In the
影響係数算出部21では、図3に示したM個の入力変数により規定される条件空間において、要求条件の近傍に位置する各条件について、過去に得られている結果に対する影響係数を算出する。ここでは、結果を予測したい要求条件を入力ベクトルとし、これを
xr=[x1 r,x2 r,…,xM r]T …(1)
で表記する。
The influence
Indicate.
まず、大域的な回帰式のパラメータを推定する。即ち、図3で、与えられたN個の実績データを用いて、結果(Y)を予測するための回帰式モデルを作成し、該回帰式のパラメータを推定する。
モデル式は次の線形式
Y=b+a1・X1+a2・X2+…+aM・XM …(2)
とし、この回帰式のパラメータ:b,a1,a2,…,aMを最小2乗法により求める。
First, global regression parameters are estimated. That is, in FIG. 3, a regression equation model for predicting the result (Y) is created using the given N pieces of actual data, and parameters of the regression equation are estimated.
The model formula is the following linear form: Y = b + a 1 · X 1 + a 2 · X 2 + ... + a M · X M (2)
And the regression equation parameters: b, a 1 , a 2 ,..., A M are obtained by the method of least squares.
このパラメータから定数bを除いて係数のみを抽出した次式の偏回帰係数ベクトル
α=[a1,a2,…,aM]T …(3)
を、次に説明する距離演算に用いる影響係数とする。
前記距離演算部22では、各実績データの入力変数について、前記要求条件からの距離計算を行なう。そのために、まず入力空間(条件空間)のある点x=[x1,x2,…,xM]Tに対する、前記(1)式の要求条件データxrからの距離Lを計算するための距離関数を、前記(3)式の影響係数を考慮した次式
The partial regression coefficient vector α = [a 1 , a 2 ,..., A M ] T (3) obtained by extracting only the coefficient by removing the constant b from this parameter.
Is an influence coefficient used for the distance calculation described below.
The
この(4)式では、各変数と要求条件との差の絶対値に、それぞれ影響係数amの絶対値を掛けたものを、全ての変数について足し合わせる処理を行なっている。
前記(3)式で与えられる偏回帰係数(影響係数)amは、出力変数Yの変化量に対する各入力変数Xmの寄与度と考えることができる。従って、上記(4)式の距離関数は、その寄与度を加味した重み付きの距離を表わしていることになる。
In this equation (4), the absolute value of the difference between each variable and requirements, a multiplied by the absolute value of each influence coefficient a m, is performed a process of adding up all the variables.
Wherein (3) the partial regression coefficient (influence coefficient) a m given by equation can be considered as the contribution of each input variable X m corresponding to the change in the output variable Y. Therefore, the distance function of the above equation (4) represents a weighted distance in consideration of the degree of contribution.
又、この距離関数により距離を演算することは、同時にこの影響係数により条件空間における軸変換の操作を実行していることになる。これを、便宜上、X1、X2の2次元に対する出力変数Yの場合の実績データの空間におけるデータ分布のイメージが、図4(a)に破線で囲んだ点で示すようであるとし、このデータ分布における要求条件近傍の回帰式が、
Y=b+a1X1+a2X2 ……(2´)
で表わされるとすると、同図(b)に示すように、影響係数a1、a2を用いて軸をX1/|a1|、X2/|a2|に変換し、この軸変換された空間におけるxとxrとの距離Lを計算していることになる。因みに、正規化ユークリッド距離の場合は、各変数に対応する条件軸をそれぞれのデータ分布の標準偏差で割っているが、ここでは係数で割っている。
In addition, calculating the distance using this distance function means that an axis conversion operation in the condition space is simultaneously executed using this influence coefficient. For convenience, it is assumed that the image of the data distribution in the space of the actual data in the case of the output variable Y for the two dimensions of X 1 and X 2 is shown by the points surrounded by the broken line in FIG. The regression equation near the required condition in the data distribution is
Y = b + a 1 X 1 + a 2 X 2 ( 2 ′ )
As shown in FIG. 4B, the axes are converted into X 1 / | a 1 | and X 2 / | a 2 | using the influence coefficients a 1 and a 2 , and this axis conversion is performed. it means that by calculating the distance L between x and x r in space. Incidentally, in the case of the normalized Euclidean distance, the condition axis corresponding to each variable is divided by the standard deviation of each data distribution, but here it is divided by a coefficient.
次いで、前記(4)式で定義した距離関数を用いて、各操業実績データの要求条件データからの距離を演算する。即ち、図3に示したN個の操業実績データのそれぞれについて、要求条件データxrからの距離を求める。
具体的には、n番目(n=1,2,…,N)の実績データxnの要求条件データxrからの距離は、次の式
Ln=L(xn,xr,α) …(5)
ここで、xn=[x1 n,x2 n,…,xM n]T
n=1,2,…,N
から求めることができる。
Next, the distance from the requirement condition data of each operation result data is calculated using the distance function defined by the equation (4). That is, for each of the N operating performance data shown in FIG. 3, obtains the distance from the required condition data x r.
Specifically, the distance from the requirement condition data x r of the n-th (n = 1, 2,..., N) performance data x n is expressed by the following formula: L n = L (x n , x r , α) ... (5)
Here, x n = [x 1 n , x 2 n ,..., X M n ] T
n = 1, 2,..., N
Can be obtained from
又、1〜N番目の実績データについて計算された要求条件からの各距離をまとめて次式
l=[L1,L2,…,LN]T …(6)
のように表記する。
類似度演算部23では、以上のように、対象とする全ての実績データについて、要求条件からの距離計算を実行した後、各実績データの要求条件からの類似度を計算する。そのために、まず要求条件からの近さを表わす類似度関数Wを、次式
W(L,p,l)=exp{−(L/(p・σ(l)))2} …(7)
ここで、σ(l):正規化に使用するlの標準偏差
p:調整パラメータ(初期値:1.5)
のように定義する。
Further, the distances from the requirements calculated for the 1st to Nth actual data are collectively expressed by the following formula l = [L 1 , L 2 ,..., L N ] T (6)
Notation is as follows.
As described above, the
Where σ (l): standard deviation of l used for normalization p: adjustment parameter (initial value: 1.5)
Define as follows.
図5には、この類似度関数の特徴を示す。即ち、前記(5)式により得られる各実績データの要求条件からの距離が短いほど類似度が高く、長いほど低い値をとる。なお、類似度関数はこれに限定されず、同様の特徴を持つ、例えば折れ線関数としても、あるいは、文献(William S.Cleveland and Susan J.Devlin;Locally Weighted Regression:An approach toRegression Analysis by Local Fitting,Journal of the American Statistical Association,Vol.8 3, No.403,September 1988.)に記載されているトリキューブ関数を用いてもよい。 FIG. 5 shows the characteristics of this similarity function. That is, the similarity is higher as the distance from the required condition of each performance data obtained by the equation (5) is shorter, and the value is lower as the distance is longer. Note that the similarity function is not limited to this, and has the same characteristics, for example, a polygonal line function, or a literature (William S. Cleveland and Susan J. Devlin; Journal of the American Statistical Association, Vol. 8 3, No. 403, September 1988.) may be used.
次に、上記のように定義した類似度関数を用いて、各実績データの要求条件からの類似度を計算する。即ち、図3のN個の実績データそれぞれについて、前記(5)式により計算された距離を用いて要求条件からの類似度を求める。
n番目(n=1,2,…,N)の実績データの要求条件からの類似度は、次の式
Wn=W(Ln,p,l) …(8)
(n=1,2,…,N)
から求めることができる。
Next, using the similarity function defined as described above, the similarity is calculated from the requirements of each performance data. That is, for each of the N pieces of actual data in FIG. 3, the similarity from the required condition is obtained using the distance calculated by the equation (5).
The similarity from the requirement condition of the nth (n = 1, 2,..., N) performance data is expressed by the following formula: W n = W (L n , p, l) (8)
(N = 1, 2,..., N)
Can be obtained from
又、ここでは、1〜N番目の実績データの要求条件からの類似度を求めて次式
w=[W1,W2,…,WN]T …(9)
のように表記する。
また、フラックス投入量決定部24では、類似度演算部23で、上記のように全ての実績データについて要求条件からの類似度の計算が終了した後、局所回帰式のパラメータを推定計算し、与えられたN個の実績データと、それぞれの類似度wを用いて、回帰式モデルを作成する。
In addition, here, the similarity from the requirement conditions of the 1st to Nth performance data is obtained and the following equation w = [W 1 , W 2 ,..., W N ] T (9)
Notation is as follows.
In addition, in the flux input
そのモデル式は、次の線形式
Y=b+a1・X1+a2・X2+…+aM・XM …(10)
とする。この式が、要求条件の結果を予測するために使用する最終的な予測式である。
便宜上、この予測式(10)は、前記(2)式の線形式と同一式で表わされているが、この(10)式では、パラメータθ=[b,a1,a2,…,aM]Tを、類似度wを重みとする重み付き最小2乗法により求める。
The model formula is as follows: Y = b + a 1 · X 1 + a 2 · X 2 + ... + a M · X M (10)
And This equation is the final prediction equation used to predict the outcome of the requirement.
For the sake of convenience, the prediction formula (10) is represented by the same formula as the linear form of the formula (2). In the formula (10), the parameter θ = [b, a 1 , a 2 ,. a M ] T is obtained by a weighted least square method with the similarity w as a weight.
このようにすることにより、類似度の大きい実績データ(要求点(条件)に近いデータ)は、重みが大きく、類似度の小さい実績データ(要求点から遠いデータ)は、重みが小さくなるような回帰式が得られ、要求条件の近傍のデータをより精度良くフィッティングする回帰式モデルができる。
ここに、(10)式の局所回帰式と前述した(2)式の大域的な回帰式との差異を説明する。局所回帰式と大域的な回帰式は、いずれも操業実績データベース13に蓄積されているすべての実績データを用いて、パラメータを最小2乗法を用いて推定することにより求めるが、大域的回帰式(2)は、すべての実績データの重みを等しくして、最小2乗法によりパラメータを推定しているため、どの要求条件においても、パラメータは同じ値になり、製造条件空間すべてにおいて共通な、即ち大域的に使用できる回帰式である。
By doing in this way, performance data with high similarity (data close to the request point (condition)) has a large weight, and performance data with low similarity (data far from the request point) has a small weight. A regression equation is obtained, and a regression equation model for fitting data in the vicinity of the required condition with higher accuracy can be obtained.
Here, the difference between the local regression equation (10) and the global regression equation (2) described above will be described. Both the local regression equation and the global regression equation are obtained by estimating the parameters using the least square method using all the performance data accumulated in the
これに対し、局所回帰式(10)は、要求条件に近い実績データの重みを大きくして、遠い実績データの重みを小さくして、最小2乗法によりパラメータを推定しているため、要求条件の値によって、パラメータの値は異なり、局所的にしか使用できない(有効でない)が、精度の高い回帰式である。
また、パラメータθの推定方法としては、モデル化誤差をe、類似度をΛ、入力値をΩ、出力値をyとしたとき下記で表される評価関数Jを定義する。
On the other hand, the local regression equation (10) estimates the parameters by the least square method by increasing the weight of the actual data close to the required condition and decreasing the weight of the distant actual data, Depending on the value, the parameter value varies and can only be used locally (not valid), but it is a highly accurate regression equation.
As an estimation method of the parameter θ, an evaluation function J expressed as follows is defined when the modeling error is e, the similarity is Λ, the input value is Ω, and the output value is y.
J=eTΛe
=[y−Ωθ]TΛ[y−Ωθ] ……(11)
この(11)式で表される2次計画問題を解いてモデル化誤差eを最小化するパラメータθを決定するようにしてもよい。
そして、決定されたパラメータθ、入力値Ω及び類似度Λに基づいて下記予測式
y=Ωθ+e ……(12)
で出力値となるフラックス投入量yを算出する。
ここで、パラメータθ=[b,a1,a2,……,aM]T
モデル化誤差e=[e1,e2,……,eN]
出力値y=[y1,y2,……yN]
J = e T Λe
= [Y−Ωθ] T Λ [y−Ωθ] (11)
The parameter θ for minimizing the modeling error e may be determined by solving the quadratic programming problem expressed by the equation (11).
Then, based on the determined parameter θ, input value Ω, and similarity Λ, the following prediction formula y = Ωθ + e (12)
To calculate the flux input amount y to be an output value.
Here, the parameter θ = [b, a 1 , a 2 ,..., A M ] T
Modeling error e = [e 1 , e 2 ,..., E N ]
Output value y = [y 1 , y 2 ,... Y N ]
以上のフラックス投入量決定処理をフローチャートで表すと、図6に示すようになる。
すなわち、先ず、ステップS1で、入力装置14から前記(1)式で表される要求条件データが入力されたか否かを判定し、要求条件データが入力されていないときにはこれが入力されるまで待機し、要求条件データが入力されたときには、ステップS2に移行して、操業実績データベース13から図3に示す操業実績データを読込む。
The above flux input amount determination process is represented by a flowchart as shown in FIG.
That is, first, in step S1, it is determined whether or not the requirement condition data represented by the above equation (1) has been inputted from the
次いで、ステップS3に移行して、前記(2)式で表される回帰式モデルを作成し、作成した回帰式モデルのパラメータから定数bを除いて係数のみを抽出した前記(3)式の偏回帰整数ベクトルを影響係数として設定する。
次いで、ステップS4に移行して、算出した影響係数を考慮した前記(4)式の距離関数を定義し、前記(6)式で表される各事例の実績データの要求条件データからの距離l=[L1,L2,……LN]Tを演算する。
Next, the process proceeds to step S3, where the regression equation model represented by the equation (2) is created, and only the coefficient is extracted by removing the constant b from the parameters of the created regression equation model. Set regression integer vector as influence coefficient.
Next, the process proceeds to step S4, where the distance function of the equation (4) considering the calculated influence coefficient is defined, and the distance l from the requirement condition data of the actual data of each case represented by the equation (6). = [L 1 , L 2 ,... L N ] T is calculated.
次いで、ステップS5に移行して、演算した距離lに基づいて要求条件データからの近さを表す類似度関数Wを前記(7)式で定義し、前記(6)式により得られる距離を用いて、要求条件データから前記(8)式の演算を行って前記(9)式で表される類似度wを求める。
次いで、ステップS6に移行して、与えられたN個の実績データと、夫々の類似度wとを用いて(10)式の回帰式モデルを作成し、パラメータθを、類似度wを重み係数とする重み付き最小2乗法により求めるか又は前記(11)式の2次計画問題を解いてモデル化誤差eを最小化するパラメータθを決定する。
Next, the process proceeds to step S5, where the similarity function W representing the proximity from the requirement data is defined by the equation (7) based on the calculated distance l, and the distance obtained by the equation (6) is used. Then, the calculation of the equation (8) is performed from the requirement condition data to obtain the similarity w represented by the equation (9).
Next, the process proceeds to step S6, and a regression equation model of the equation (10) is created using the given N pieces of actual data and the respective similarities w, and the parameter θ and the similarity w are used as weighting factors. The parameter θ for minimizing the modeling error e is determined by the weighted least squares method or by solving the quadratic programming problem of the equation (11).
次いで、ステップS7に移行して、決定されたパラメータθと前記(1)式で表される要求条件データとを前記(10)式の右辺に与えて結果出力値yとしてのフラックス投入量を算出するか又は前記(12)式の予測式の右辺に入力値Ω、パラメータθ及びモデル化誤差eを代入して結果出力値としてのフラックス投入量を算出する。
次いで、ステップS8に移行して、決定されたフラックス投入量を表示装置15に表示してオペレータに指示する。
この図6の処理において、ステップS1〜S5の処理が類似度演算手段に対応し、ステップS6〜ステップS8の処理がフラックス投入量決定手段に対応している。
Next, the process proceeds to step S7, where the determined parameter θ and the required condition data expressed by the equation (1) are given to the right side of the equation (10) to calculate the flux input amount as the result output value y. Or, the input value Ω, the parameter θ, and the modeling error e are substituted into the right side of the prediction formula (12) to calculate the flux input amount as a result output value.
Next, the process proceeds to step S8, where the determined flux input amount is displayed on the
In the process of FIG. 6, the processes of steps S1 to S5 correspond to similarity calculation means, and the processes of steps S6 to S8 correspond to flux input amount determining means.
次に、上記実施形態の動作を説明する。
今、操業実績データベース13に過去のN個の事例におけるフラックス投入量(出力変数y)と7個の入力変数[溶銑量(入力変数X1)、処理前P濃度(入力変数X2)、処理前温度(入力変数X3)、処理前S濃度(入力変数X4)、リサイクルスラグ量(入力変数X5)、FeSi投入原単位(入力変数X6)、処理時間(入力変数X7)]とが図3に示すうようにテーブル化されて格納されているものとする。
Next, the operation of the above embodiment will be described.
Now, the flux input (output variable y) and seven input variables [amount of molten iron (input variable X 1 ), P concentration before processing (input variable X 2 ), processing in the past N cases in the
この状態で、オペレータが入力装置14を操作して、今回の要求条件データxrとして入力変数に対応する今回の要求条件データとして、溶銑量(X1 r)、処理前P濃度(X2 r)、処理前温度(X3 r)、処理前S濃度(X4 r)、リサイクルスラグ量(X5 r)、FeSi投入原単位(X6 r)、処理時間(X7 r)をフラックス投入量決定装置12に入力する。
このように、フラックス投入量決定装置12に要求条件データxrが入力されると、図6に示すフラックス投入量設定処理で、ステップS2に移行し、操業実績データベースから各事例の操業実績データを読込む。
In this state, the operator operates the
As described above, when the required condition data x r is input to the flux
次いで、読込んだ各事例の操業実績データに基づいて前記(2)式で表される線形回帰式モデルを作成し、作成した線形回帰式モデルのパラメータから定数bを除いて係数のみを抽出した前記(3)式で表される偏回帰整数ベクトルを影響係数として設定する(ステップS3)。
次いで、算出した影響係数を考慮した前記(4)式の距離関数を定義し、実績データの要求条件データからの距離lを演算する(ステップS4)。
Next, a linear regression model represented by the formula (2) was created based on the operation result data of each read example, and only the coefficient was extracted from the parameters of the created linear regression model by removing the constant b. The partial regression integer vector represented by the equation (3) is set as an influence coefficient (step S3).
Next, the distance function of the equation (4) considering the calculated influence coefficient is defined, and the distance l from the requirement data of the actual data is calculated (step S4).
次いで、演算した距離に基づいて要求条件データからの近さを表す類似度関数Wを前記(7)式で定義し、要求条件データから前記(8)式の演算を行って前記(9)式で表される類似度wを求める(ステップS5)。
次いで、ステップS2で読込んだN個の実施席データと、それぞれの類似度wとを用いて前記(10)式の回帰式モデルを作成し、パラメータθ(=[b,a1,a2,……aM]Tを、類似度wを重みとする重み付き最小2乗法により求めるか又は前記(11)式の2次計画問題を解いてモデル化誤差eを最小化するパラメータθを設定する(ステップS6)。
Next, the similarity function W representing the proximity from the required condition data based on the calculated distance is defined by the equation (7), and the calculation of the equation (8) is performed from the required condition data to obtain the equation (9). Is obtained (step S5).
Next, a regression equation model of the above equation (10) is created using the N execution seat data read in step S2 and the respective similarities w, and the parameter θ (= [b, a 1 , a 2] is created. ,... A M ] T is obtained by the weighted least square method with the similarity w as a weight, or the parameter θ for minimizing the modeling error e by solving the quadratic programming problem of the above equation (11) is set. (Step S6).
次いで、決定されたパラメータθと前記(1)式で表される要求条件データとを前記(10)式の右辺に与えて結果出力値としてのフラックス投入量(y)を算出するか又は前記(12)式の予測式の右辺に入力値Ω、パラメータθ及びモデル化誤差eを代入して結果出力値としてのフラックス投入量(y)を算出する(ステップS7)。
次いで、決定されたフラックス投入量(y)を表示装置15に表示して、オペレータに要求条件データに適合するフラックス投入量(y)を指示する。
Next, the determined parameter θ and the required condition data expressed by the equation (1) are given to the right side of the equation (10) to calculate the flux input amount (y) as a result output value or ( The input value Ω, the parameter θ, and the modeling error e are substituted into the right side of the prediction formula 12) to calculate the flux input amount (y) as a result output value (step S7).
Next, the determined flux input amount (y) is displayed on the
そして、オペレータが、溶銑2が装入され攪拌制御装置6でインペラー4の攪拌速度が制御された溶銑鍋3に対して、指示されたフラックス投入量(y)となるように、フラックス等投入装置10を操作して、溶銑2に対して適量のフラックスを投入すると共に、要求条件データに沿うリサイクルスラグ量、FeSiを投入して、要求条件データに沿う処理時間攪拌することにより、所望の処理後S濃度の溶銑を高精度で得ることができる。
Then, a flux charging device is provided so that the operator has the indicated flux charging amount (y) with respect to the
このようにして、操業実績データベース13に蓄積された過去の事例毎のフラックス投入量及び脱硫処理に必要とする少なくとも溶銑量、処理前温度、処理前硫黄濃度、FeSi投入量原単位、処理時間でなる操業条件データと、今回入力された少なくとも溶銑量、処理前温度、処理前硫黄濃度、FeSi投入量原単位、処理時間でなる要求条件データとの距離を算出して類似度を演算し、演算した類似度と操業実績データベース13に蓄積されている各事例の操業条件データとに基づいて要求条件データに適合するフラックス投入量を決定するので、モデルパラメータのチューニングを必要とせず、フラックス投入量の演算精度を向上させることができると共に、処理後S濃度の制御精度を向上させることができる。
In this way, the flux input amount for each past case accumulated in the
すなわち、従来例の線形重回帰モデル式を使用した場合の3299チャージにおけるフラックス投入量実績値[kg/t]と指示値[kg/t]との関係は、図7(a)に示すように、両者の相関関数が0.86であるのに対して、本発明によって決定したフラックス投入量に基づいてオペレータがフラックス等投入装置10を操作して溶銑中にフラックスを投入した場合、1297チャージにおけるフラックス投入量実績値[kg/t]と指示値[kg/t]との関係を表すと図7(b)に示すように、両者の相関関数が0.94、誤差標準偏差[kg/t]が0.67及び誤差の平均[kg/t]が0.67となり、従来例に比較して大幅に改善することができ、バラツキを表す誤差標準偏差を20%程度低減することができる。
That is, the relationship between the flux input amount actual value [kg / t] and the indicated value [kg / t] at 3299 charge when the linear multiple regression model formula of the conventional example is used is as shown in FIG. In contrast, the correlation function between the two is 0.86, whereas when the operator operates the
これにより、S濃度制御誤差(実績S濃度−上限目標S濃度)の従来例と本発明との比較結果を図8(a)及び(b)に示す。この図8(a)及び(b)から明らかなように、S濃度制御誤差標準偏差が従来例では2.16[×0.001%]であるのに対し、本発明では1.87へ減少し、バラツキが約13%改善され、しかも誤差最小値が−13.7から−9.0へ改善し、さらに上限目標S>0率(上限目標を外れる率)が11.2%から8.3%へ改善することができた。この結果から本発明の方が従来例に比較してS濃度制御精度が向上していると言える。 8A and 8B show a comparison result between the conventional example of the S concentration control error (actual S concentration−the upper limit target S concentration) and the present invention. As is apparent from FIGS. 8A and 8B, the S concentration control error standard deviation is 2.16 [× 0.001%] in the conventional example, but is reduced to 1.87 in the present invention. In addition, the variation is improved by about 13%, the minimum error is improved from −13.7 to −9.0, and the upper limit target S> 0 rate (rate out of the upper limit target) is increased from 11.2% to 8. It was possible to improve to 3%. From this result, it can be said that the S concentration control accuracy is improved in the present invention compared to the conventional example.
また、入力変数を限定するツールを熟練者が入力する必要もなく、実績データから自動的に要求条件近傍における各入力変数の重みを計算することができる。
さらに、本発明を適用する前3カ月における従来例の脱硫方法によるフラックス原単位の推移と、本発明を適用した後の3カ月におけるフラックス原単位の推移とを比較すると図9に示すようになった。この図9から明らかなように、本発明を適用することにより、フラックス原単位の平均値を従来例を適用した場合の4.85[kg/t]から本発明を適用した場合の4.72[kg/t]へ約0.14[kg/t]削減することができた。
Further, it is not necessary for an expert to input a tool for limiting input variables, and the weight of each input variable in the vicinity of the required condition can be automatically calculated from the actual data.
Furthermore, FIG. 9 shows a comparison of the flux unit consumption by the conventional desulfurization method in the three months before applying the present invention and the flux unit consumption in the three months after applying the present invention. It was. As is apparent from FIG. 9, by applying the present invention, the average value of the flux intensity is 4.85 [kg / t] when the conventional example is applied, and 4.72 when the present invention is applied. The amount could be reduced by about 0.14 [kg / t] to [kg / t].
なお、上記実施形態においては、フラックス投入量決定装置12でフラックス投入量を決定して、表示装置15に表示することにより、オペレータがフラックス等投入装置10を操作して指示された投入量のフラックスを溶銑中に投入する場合について説明したが、これに限定されるものではなく、図1で破線図示のように、フラックス投入量決定装置12で決定されたフラックス投入量をフラックス等投入装置10に直接出力して、溶銑中に投入するフラックスの投入量を自動制御するようにしてもよい。
In the above-described embodiment, the flux input amount is determined by the flux input
また、上記実施形態では、溶銑量、処理前P濃度、処理前温度、処理前S濃度、リサイクルスラグ量、FeSi投入原単位等の要求条件データをオペレータが入力装置14を操作して入力する場合について説明したが、これに限定されるものではなく、処理前P濃度、処理前温度、処理前S濃度については測定装置で測定した測定データを直接入力するようにしてもよい。
In the above embodiment, when the operator operates the
1…インペラー脱硫装置、2…溶銑、3…溶銑鍋、4…インペラー、5…モータ、6…攪拌制御装置、11…インペラー脱硫制御装置、12…フラックス投入量決定装置、13…操業実績データベース、21…影響係数算出部、22…距離演算部、23…類似度演算部、24…フラックス投入量決定部、25…フラックス投入量出力部
DESCRIPTION OF SYMBOLS 1 ... Impeller desulfurization apparatus, 2 ... Hot metal, 3 ... Hot metal ladle, 4 ... Impeller, 5 ... Motor, 6 ... Stirring control apparatus, 11 ... Impeller desulfurization control apparatus, 12 ... Flux input amount determination apparatus, 13 ... Operation performance database, DESCRIPTION OF
Claims (5)
過去の事例毎のフラックス投入量、脱硫処理に必要とする操業条件データを蓄積して記憶する操業情報記憶手段と、該操業情報記憶手段に記憶されている事例毎に、前記操業条件データに対応する予測したい要求条件データと前記操業条件データとの距離を算出して類似度を演算する類似度演算手段と、該類似度演算手段で演算された事例毎の類似度と、前記操業情報記憶手段に記憶されている前記各事例の操業条件データとに基づいて前記要求条件データに適合するフラックス投入量を決定するフラックス投入量決定手段とを備えていることを特徴とするインペラー脱硫制御装置。 By introducing flux into the hot metal and rotating the impeller to mechanically agitate the hot metal, the sulfur component in the hot metal is hatched by the desulfurization reaction, and when it is removed as slag, the sulfur concentration is controlled to the target value. Impeller desulfurization control device for determining the amount of flux input for
Corresponding to the operation condition data for each case stored in the operation information storage means, and the operation information storage means for accumulating and storing the operation data required for the desulfurization treatment, the flux input amount for each past case Similarity calculation means for calculating a similarity by calculating a distance between the requirement condition data to be predicted and the operation condition data, similarity for each case calculated by the similarity calculation means, and the operation information storage means An impeller desulfurization control device comprising: a flux input amount determining means for determining a flux input amount that matches the required condition data based on the operation condition data of each case stored in
過去のフラックス投入量、脱硫処理に必要とする操業条件データを事例として操業情報記憶手段に記憶して蓄積するステップと、前記操業情報記憶手段に記憶されている事例毎に、類似度演算手段で、前記操業条件に対応する予測したい要求条件データと前記操業条件データとの距離及び類似度を演算するステップと、演算された事例毎の類似度と、前記操業情報記憶手段に記憶されている前記各事例の操業条件とに基づいてフラックス投入量決定手段でフラックス投入量を決定するステップとを備えたことを特徴とするインペラー脱硫制御方法。 By introducing flux into the hot metal and rotating the impeller to mechanically agitate the hot metal, the sulfur component in the hot metal is hatched by the desulfurization reaction, and when it is removed as slag, the sulfur concentration is controlled to the target value. An impeller desulfurization control method for determining a flux input amount for
For the past flux input amount, the operation condition data required for the desulfurization process is stored and stored in the operation information storage means as examples, and for each case stored in the operation information storage means, the similarity calculation means The step of calculating the distance and similarity between the requirement data to be predicted corresponding to the operation condition and the operation condition data, the calculated similarity for each case, and the operation information storage means stored in the operation information storage means An impeller desulfurization control method comprising: a step of determining a flux input amount by a flux input amount determining means based on an operation condition of each case.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008008031A JP5577568B2 (en) | 2008-01-17 | 2008-01-17 | Impeller desulfurization control apparatus and method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008008031A JP5577568B2 (en) | 2008-01-17 | 2008-01-17 | Impeller desulfurization control apparatus and method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009167481A true JP2009167481A (en) | 2009-07-30 |
JP5577568B2 JP5577568B2 (en) | 2014-08-27 |
Family
ID=40968997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008008031A Active JP5577568B2 (en) | 2008-01-17 | 2008-01-17 | Impeller desulfurization control apparatus and method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5577568B2 (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101185324B1 (en) | 2010-09-29 | 2012-09-21 | 현대제철 주식회사 | Apparatus and method for controlling a nozzle used for injecting desulfurizer |
CN107090534A (en) * | 2016-02-17 | 2017-08-25 | 宝山钢铁股份有限公司 | Pulvis computational methods for torpedo hot metal mixer car blowing desulfurization |
JP2018016871A (en) * | 2016-07-29 | 2018-02-01 | Jfeスチール株式会社 | Impeller desulfurization controlling device, impeller desulfurization facility and impeller desulfurization controlling method |
JP2021110016A (en) * | 2020-01-14 | 2021-08-02 | 日本製鉄株式会社 | Model construction device, prediction device, model construction method, prediction method, and computer program |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105116850B (en) * | 2015-07-17 | 2017-08-22 | 中冶长天国际工程有限责任公司 | A kind of pelletizing burnup control method and device |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0559420A (en) * | 1991-08-30 | 1993-03-09 | Sumitomo Metal Ind Ltd | Method for pre-treating molten iron |
JP2001290508A (en) * | 2000-04-04 | 2001-10-19 | Nippon Steel Corp | Device and method for result prediction, and computer- readable storage medium |
JP2004310492A (en) * | 2003-04-08 | 2004-11-04 | Nippon Steel Corp | Method for searching case similar to state of process, method for predicting state of process, and computer-readable storage medium |
JP2004355189A (en) * | 2003-05-28 | 2004-12-16 | Jfe Steel Kk | Result predicting device |
JP2005171292A (en) * | 2003-12-09 | 2005-06-30 | Jfe Steel Kk | METHOD FOR ADJUSTING AMOUNT OF Mn IN CONVERTER BLOWING |
WO2007080688A1 (en) * | 2006-01-13 | 2007-07-19 | Jfe Steel Corporation | Prediction formula making device and prediction formula making method |
-
2008
- 2008-01-17 JP JP2008008031A patent/JP5577568B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0559420A (en) * | 1991-08-30 | 1993-03-09 | Sumitomo Metal Ind Ltd | Method for pre-treating molten iron |
JP2001290508A (en) * | 2000-04-04 | 2001-10-19 | Nippon Steel Corp | Device and method for result prediction, and computer- readable storage medium |
JP2004310492A (en) * | 2003-04-08 | 2004-11-04 | Nippon Steel Corp | Method for searching case similar to state of process, method for predicting state of process, and computer-readable storage medium |
JP2004355189A (en) * | 2003-05-28 | 2004-12-16 | Jfe Steel Kk | Result predicting device |
JP2005171292A (en) * | 2003-12-09 | 2005-06-30 | Jfe Steel Kk | METHOD FOR ADJUSTING AMOUNT OF Mn IN CONVERTER BLOWING |
WO2007080688A1 (en) * | 2006-01-13 | 2007-07-19 | Jfe Steel Corporation | Prediction formula making device and prediction formula making method |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101185324B1 (en) | 2010-09-29 | 2012-09-21 | 현대제철 주식회사 | Apparatus and method for controlling a nozzle used for injecting desulfurizer |
CN107090534A (en) * | 2016-02-17 | 2017-08-25 | 宝山钢铁股份有限公司 | Pulvis computational methods for torpedo hot metal mixer car blowing desulfurization |
JP2018016871A (en) * | 2016-07-29 | 2018-02-01 | Jfeスチール株式会社 | Impeller desulfurization controlling device, impeller desulfurization facility and impeller desulfurization controlling method |
JP2021110016A (en) * | 2020-01-14 | 2021-08-02 | 日本製鉄株式会社 | Model construction device, prediction device, model construction method, prediction method, and computer program |
JP7401752B2 (en) | 2020-01-14 | 2023-12-20 | 日本製鉄株式会社 | Model construction device, prediction device, model construction method, prediction method, and computer program |
Also Published As
Publication number | Publication date |
---|---|
JP5577568B2 (en) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5577568B2 (en) | Impeller desulfurization control apparatus and method | |
US20090193936A1 (en) | Methods and apparatus for an oxygen furnace quality control system | |
JP6573035B2 (en) | Method for estimating phosphorus concentration in molten steel and converter blowing control device | |
WO2020152750A1 (en) | Design assistance method for metal material, prediction model generation method, metal material manufacturing method, and design assistance device | |
US20160092820A1 (en) | Method and system for providing data analytics results | |
JP4093934B2 (en) | Model parameter determination method and program thereof, model prediction method and program thereof | |
US8805555B2 (en) | Configuring a PID controller | |
JP2017120640A (en) | Magnetic characteristic prediction device and magnetic characteristic control device of electromagnetic steel plate | |
CN110373510B (en) | Molten steel quality narrow window control method and system based on bimodal switching | |
JP2012167366A (en) | Phosphorus concentration prediction apparatus, and blowing control method | |
JP2004355189A (en) | Result predicting device | |
JP5682131B2 (en) | Steel material prediction device | |
JP5821656B2 (en) | Quick lime concentration prediction device and blowing control method | |
JP6098553B2 (en) | Rejuvenated phosphorus amount prediction device, recovered phosphorus amount prediction method, and converter dephosphorization control method | |
JP5868104B2 (en) | Method, apparatus and computer program for determining an optimal measure using a Markov decision process with periodicity | |
JP7135850B2 (en) | Converter blowing control device, converter blowing control method and program | |
Trzaska et al. | Computer programme for prediction steel parameters after heat treatment | |
Dymko | Choice of the optimal control strategy for the duplex-process of induction melting of constructional iron | |
JP6524446B2 (en) | Impeller desulfurization control device, impeller desulfurization equipment and impeller desulfurization control method | |
CN113454413B (en) | Operation result prediction method, learning method of learning model, operation result prediction device, and learning device of learning model | |
JP2010207900A (en) | Method of predicting deformation resistance in hot rolling | |
JP2020030575A (en) | Plant running assist system | |
JP7110969B2 (en) | Converter blowing control device, converter blowing control method and program | |
JP2023114592A (en) | Operational calculation device and operational calculation method | |
Qian et al. | Dynamic Prediction with Statistical Uncertainty Evaluation of Phosphorus Content Based on Functional Relevance Vector Machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100922 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130319 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130326 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130522 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130730 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130930 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20140204 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140423 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20140501 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140610 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140623 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5577568 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |