JP2020020003A - 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モデル、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 - Google Patents
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モデル、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 Download PDFInfo
- Publication number
- JP2020020003A JP2020020003A JP2018145017A JP2018145017A JP2020020003A JP 2020020003 A JP2020020003 A JP 2020020003A JP 2018145017 A JP2018145017 A JP 2018145017A JP 2018145017 A JP2018145017 A JP 2018145017A JP 2020020003 A JP2020020003 A JP 2020020003A
- Authority
- JP
- Japan
- Prior art keywords
- blast furnace
- unloading speed
- lowering speed
- prediction model
- level lowering
- 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 64
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title abstract description 10
- 229910052742 iron Inorganic materials 0.000 title abstract description 5
- 239000002994 raw material Substances 0.000 claims abstract description 18
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 15
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 15
- 239000001301 oxygen Substances 0.000 claims abstract description 15
- 239000000571 coke Substances 0.000 claims abstract description 12
- 239000003245 coal Substances 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 28
- 239000002184 metal Substances 0.000 claims description 12
- 229910052751 metal Inorganic materials 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000007664 blowing Methods 0.000 abstract description 7
- 238000009423 ventilation Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 5
- 230000035699 permeability Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011439 discrete element method Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002309 gasification Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Vertical, Hearth, Or Arc Furnaces (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
- Manufacture Of Iron (AREA)
- Blast Furnaces (AREA)
Abstract
Description
まず、図1を参照して、本発明が適用される本発明の一実施形態である高炉操業システムの構成について説明する。
次に、図2,3を参照して、上記LSTMモデルの一形態について説明する。
2 高炉
3 操業データベース
4 荷下り速度予測装置
4a モデル構築部
4b 荷下り速度予測部
5 操業ガイダンス装置
6 荷下り速度制御装置
7 LSTMモデル
7a 入力層
7b LSTMブロック
7c 出力層
Claims (8)
- 高炉操業における送風流量、富化酸素流量、微粉炭吹込み量、送風湿分、及び炉頂におけるコークス比のうち、少なくとも1つ以上の操作変数を入力変数として含み、現在時刻の1つ先のタイムステップの高炉の荷下り速度を出力変数とする高炉の荷下り速度予測モデルを再帰型ニューラルネットワークモデルとして構築するステップと、
高炉内の原料滞留時間を基準とした学習データを用いて、前記高炉の荷下り速度予測モデルの学習パラメータを決定するステップと、
を含むことを特徴とする高炉の荷下り速度予測モデルの学習方法。 - 請求項1に記載の高炉の荷下り速度予測モデルの学習方法により学習させたことを特徴とする高炉の荷下り速度予測モデル。
- 請求項2に記載の高炉の荷下り速度予測モデルを用いて高炉の荷下り速度を予測するステップを含むことを特徴とする高炉の荷下り速度予測方法。
- 請求項2に記載の高炉の荷下り速度予測モデルを用いて、予め定めた所定期間先の高炉の荷下り速度を予測し、予測結果に基づいて現在の操作変数の操作量をガイダンスするステップを含むことを特徴とする高炉の操業ガイダンス方法。
- 請求項2に記載の高炉の荷下り速度予測モデルに基づいて高炉の荷下り速度を制御する高炉の荷下り速度制御方法であって、予測された荷下り速度と目標荷下り速度との差を含む評価関数を定め、該評価関数に基づいて高炉の操作変数の適正操作量を決定し、決定した適正操作量に従って高炉の操作変数を制御するステップを含むことを特徴とする高炉の荷下り速度制御方法。
- 請求項5に記載の高炉の荷下り速度制御方法を用いて高炉の操業を行うことにより溶銑を製造するステップを含むことを特徴とする溶銑の製造方法。
- 請求項5に記載の高炉の荷下り速度制御方法を用いて高炉の操業を行うステップを含むことを特徴とする高炉の操業方法。
- 高炉操業における送風流量、富化酸素流量、微粉炭吹込み量、送風湿分、及び炉頂におけるコークス比のうち、少なくとも1つ以上の操作変数を入力変数として含み、現在時刻の1つ先のタイムステップの高炉の荷下り速度を出力変数とする高炉の荷下り速度予測モデルを再帰型ニューラルネットワークモデルとして構築する手段と、
高炉内の原料滞留時間を基準とした学習データを用いて、前記高炉の荷下り速度予測モデルの学習パラメータを決定する手段と、
を備えること特徴とする高炉の荷下り速度予測モデルの学習装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018145017A JP6933196B2 (ja) | 2018-08-01 | 2018-08-01 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018145017A JP6933196B2 (ja) | 2018-08-01 | 2018-08-01 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020020003A true JP2020020003A (ja) | 2020-02-06 |
JP6933196B2 JP6933196B2 (ja) | 2021-09-08 |
Family
ID=69589572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018145017A Active JP6933196B2 (ja) | 2018-08-01 | 2018-08-01 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6933196B2 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4248625A (en) * | 1979-08-06 | 1981-02-03 | Kawasaki Steel Corporation | Method of operating a blast furnace |
JPS62270712A (ja) * | 1986-05-20 | 1987-11-25 | Nippon Kokan Kk <Nkk> | 高炉状況検出方法 |
JPH01205010A (ja) * | 1988-02-12 | 1989-08-17 | Nkk Corp | 高炉操業管理・制御装置 |
JPH02182813A (ja) * | 1989-01-07 | 1990-07-17 | Nippon Steel Corp | 高炉操業法 |
KR20140016635A (ko) * | 2012-07-30 | 2014-02-10 | 현대제철 주식회사 | 고로의 장입물 강하 판단 방법 |
-
2018
- 2018-08-01 JP JP2018145017A patent/JP6933196B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4248625A (en) * | 1979-08-06 | 1981-02-03 | Kawasaki Steel Corporation | Method of operating a blast furnace |
JPS62270712A (ja) * | 1986-05-20 | 1987-11-25 | Nippon Kokan Kk <Nkk> | 高炉状況検出方法 |
JPH01205010A (ja) * | 1988-02-12 | 1989-08-17 | Nkk Corp | 高炉操業管理・制御装置 |
JPH02182813A (ja) * | 1989-01-07 | 1990-07-17 | Nippon Steel Corp | 高炉操業法 |
KR20140016635A (ko) * | 2012-07-30 | 2014-02-10 | 현대제철 주식회사 | 고로의 장입물 강하 판단 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP6933196B2 (ja) | 2021-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
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 | |
CN108676955A (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
CN105925750A (zh) | 一种基于神经网络的炼钢终点预测方法 | |
CN110598958B (zh) | 一种钢包分级管理分析方法及系统 | |
Tian et al. | TS fuzzy neural network predictive control for burning zone temperature in rotary kiln with improved hierarchical genetic algorithm | |
CN113239482B (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
CN104615856B (zh) | 基于热风炉组的煤气消耗量预测模型建立方法及装置 | |
CN107526927A (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
CN111915080B (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
CN105807741A (zh) | 一种工业生产流程预测方法 | |
CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统 | |
CN113849020B (zh) | 一种基于人工智能算法的钢坯升温曲线设计方法及装置 | |
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 | |
CN107368125A (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 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
WO2021014782A1 (ja) | 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法 | |
CN109934421B (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
CN111680720B (zh) | 基于改进cs-svr模型的高炉铁水硅含量预测方法 | |
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 | |
CN116306272A (zh) | 一种基于大数据的转炉热损失率预测方法 | |
Tian et al. | A new incremental learning modeling method based on multiple models for temperature prediction of molten steel in LF | |
CN112861276B (zh) | 基于数据与知识双驱动的高炉料面优化方法 | |
Bag | ANN based prediction of blast furnace parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200324 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210201 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210209 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210318 |
|
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: 20210720 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210802 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6933196 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |