JP2024041725A - ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御方法及び装置 - Google Patents
ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御方法及び装置 Download PDFInfo
- Publication number
- JP2024041725A JP2024041725A JP2023144974A JP2023144974A JP2024041725A JP 2024041725 A JP2024041725 A JP 2024041725A JP 2023144974 A JP2023144974 A JP 2023144974A JP 2023144974 A JP2023144974 A JP 2023144974A JP 2024041725 A JP2024041725 A JP 2024041725A
- Authority
- JP
- Japan
- Prior art keywords
- furnace
- big data
- slab
- cloud platform
- temperature
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 288
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 151
- 238000004519 manufacturing process Methods 0.000 claims abstract description 149
- 230000007246 mechanism Effects 0.000 claims abstract description 52
- 238000007418 data mining Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims description 73
- 230000008569 process Effects 0.000 claims description 63
- 238000005516 engineering process Methods 0.000 claims description 42
- 239000000446 fuel Substances 0.000 claims description 42
- 238000005096 rolling process Methods 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 34
- 239000002436 steel type Substances 0.000 claims description 31
- 238000007726 management method Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000013473 artificial intelligence Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 19
- 238000012827 research and development Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 15
- 238000013178 mathematical model Methods 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 13
- 238000012800 visualization Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000033764 rhythmic process Effects 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 9
- 238000009411 base construction Methods 0.000 claims description 7
- 238000013439 planning Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 abstract description 8
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 229910000831 Steel Inorganic materials 0.000 description 15
- 239000010959 steel Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000012937 correction Methods 0.000 description 12
- 239000007789 gas Substances 0.000 description 12
- 239000008186 active pharmaceutical agent Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 238000010946 mechanistic model Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 238000007596 consolidation process Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 239000002994 raw material Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010079 rubber tapping Methods 0.000 description 4
- 238000002791 soaking Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 235000009245 Elaeagnus multiflora Nutrition 0.000 description 2
- 240000000298 Elaeagnus multiflora Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000011143 downstream manufacturing Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003303 reheating Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
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
- G05B13/041—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 in which a variable is automatically adjusted to optimise the performance
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- Control Of Heat Treatment Processes (AREA)
- General Factory Administration (AREA)
Abstract
Description
加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築するステップS1と、
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得するステップS2と、
メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行うステップS3と、
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行うステップS4とを含む、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御方法を提供する。
データ記憶量、同時アクセス数、加熱炉専門家知識ベース、及びモデルベース研究開発過程における計算需要量関連要素を分析することにより、ビッグデータクラウドプラットフォームのハードウェア装置、パラメータ及び分業を設計することを含み、
前記ビッグデータクラウドプラットフォームは、三層構造を採用し、底層はビッグデータクラウドプラットフォームインフラ層であり、中間層はビッグデータクラウドプラットフォームサポート層であり、最上層は知識ベースサービス層である。
前記ビッグデータクラウドプラットフォームサポート層は、加熱炉生産運転過程におけるパラメータの収集、記憶、マイニング分析及び可視化の研究開発をサポートすることに使用され、
前記知識ベースサービス層は、加熱炉生産過程の重要な生産要素を記憶することに使用される。
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素を識別して、相関性データ知識ベースを取得するステップS21と、
加熱炉運転時にパラメータデータセンターが予め設定した人工知能、機械学習、及びパターン学習方法に基づいて、ビッグデータに対する知能分析により、加熱炉生産運転時のパラメータの関連マップを探し出して、ビッグデータ知識意思決定ベースを取得するステップS22とを含む。
各種の計画混載に対して、加熱セグメントごとに、鋼種、位置重み値、アイドルステーションのレイアウト、目標温度、現在温度、予測セグメント搬出温度から、さまざまなスラブの加熱システムを評価し、加熱炉の炉況及び運転状況の状態パラメータを検知して統一的に計画し、複雑な運転状況・炉況知識ベースを取得することと、
知能燃焼モデルが適応的に調節するために、各規格の炉内温度の予報精度を動的に評価して、前記予報精度データを総合してスラブ温度予報モデル精度評価知識ベースを取得することと、
生産データ、エネルギーデータ及び炉況に基づいて、加熱炉に対する客観的評価を作成し、前記客観的評価データを総合して、加熱炉エネルギー効率評価知識ベースを取得することと、
炉圧制御の優先度が炉温制御よりも高い基準に従って、出炉側を微正圧状態に制御し、制御基準データ及び微正圧状態データを総合して、炉圧判別知識ベースを取得することと、
合理的な空燃比を設定し、各セグメントの炉温の制御精度及び炉内雰囲気の制御精度を決定し、空燃比最適化知識ベースを取得することとを含む。
出炉温度、圧延機出口温度RDTにより、各加熱炉製品について規定される加熱目標を記述して、加熱目標意思決定知識ベースを取得することと、
各運転状況での加熱曲線を統計して、加熱システム意思決定知識ベースを取得することとを含む。
加熱炉材料を追跡して修正し、圧延計画を実際スラブと1対1で対応させ、追跡位置を決定し、スラブの搬送方向を遍歴(Traversal)して追跡・修正を行うステップS31と、
炉内でのスラブの昇温過程を予測し、数学モデルを採用して炉内の各時刻におけるスラブの温度分布を予報するステップS32であって、
スラブ温度制御方程は、下記式(1)に示され、
ここで、ρ(t)はスラブの密度を示し、Cp(t)はスラブの比熱を示し、λ(t)はスラブの熱伝導率を示す、ステップS32と、
前記スラブ温度制御方程に従って、炉温最適化モデルを作成するステップS33とを含む。
前記スラブ温度制御方程に従ってオフライン最適化を行い、基礎炉温テーブル、即ち炉温カーペットプロットを作成するステップS331と、
前記スラブ温度制御方程に従ってオンライン動的最適化を行い、加熱プロセスと生産リズムに応じて、スラブ昇温過程をシミュレーションし、目標加熱プロセスに達するために必要な必須炉温を逆算するステップS332と、
総合炉温、炉のセグメント内の各スラブの位置、目標温度要素がすべて異なると、各スラブのセグメント内の重み値も異なり、各スラブ炉温オンライン最適化に基づいて、各スラブに異なる重み値を与え、炉温最適化モデルを取得するステップS333とを含む。
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームはデータ収集情報に基づいて同期炉内データ映像を作成し、各知識意思決定ベースを繰り返し更新し、前記各知識ベースの情報を総合して、API関数により加熱炉燃焼制御システムにプロセス、時間制御パラメータをリアルタイムで送信し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行うことを含む。
加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築するプラットフォーム構築モジュールと、
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得する知識ベース構築モジュールと、
メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行うモデル配置モジュールと、
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行う知能制御モジュールとを備える、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御装置を提供する。
上記の形態では、本発明により提供されたビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御方法は、成熟した人工知能、ビッグデータ技術により、完全で独立した生産相関性データ知識ベースを作成する。知能燃焼モデルはこの知識ベースに基づいて、メカニズムモデルを用いて、現在の炉況、作業状況でのスラブの最適な加熱曲線及びスラブの品質を確保するために必要な炉温、ひいては空燃比を計算し、それらを元の加熱炉システムにリアルタイムに配信することにより、加熱炉燃焼の知能制御を実現する。
加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築するステップS101と、
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得するステップS102と、
メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行うステップS103と、
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行うステップS104とを含む。
データ記憶量、同時アクセス数、加熱炉専門家知識ベース、及びモデルベース研究開発過程における計算需要量等の関連要素を分析することによって、クラウドプラットフォームの主なハードウェア装置、パラメータ、及び分業を設計することを含み、
前記クラウドプラットフォームは、三層構造を採用し、底層はクラウドプラットフォームインフラ層であり、中間層はビッグデータクラウドプラットフォームサポート層であり、最上層は知識ベースサービス層である。
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素を識別して、相関性データ知識ベースを取得するステップS121と、
加熱炉運転時のパラメータデータセンターの人工知能、機械学習、及びパターン学習方法に基づいて、ビッグデータに対する知能分析により、運転時刻ごとのパラメータの関連マップを探し出して、ビッグデータ知識意思決定ベースを取得するステップS122とを含む。
各種の計画混載に対して、加熱セグメントごとに、鋼種、位置重み値、アイドルステーションのレイアウト、目標温度、現在温度、予測セグメント搬出温度から、さまざまなスラブの加熱システムを評価し、加熱炉の炉況及び運転状況の状態パラメータを検知して統一的に計画し、複雑な運転状況・炉況知識ベースを取得することと、
知能燃焼モデルが適応的に調節するために、各規格の炉内温度の予報精度を動的に評価して、スラブ温度予報モデル精度評価知識ベースを取得することと、
生産データ、エネルギーデータ及び炉況に基づいて、加熱炉に対する客観的評価を作成し、加熱炉エネルギー効率評価知識ベースを取得することと、
炉圧制御の優先度が炉温制御よりも高い基準に従って、出炉側を微正圧状態に制御し、炉圧判別知識ベースを取得することと、
合理的な空燃比を設定し、各セグメントの炉温の制御精度及び炉内雰囲気の制御精度を決定し、空燃比最適化知識ベースを取得することとを含む。
出炉温度、RDTにより、各加熱炉製品について規定される加熱目標を記述して、加熱目標意思決定知識ベースを取得することと、
各運転状況での加熱曲線を統計して、加熱システム意思決定知識ベースを取得することとを含む。
加熱炉材料を追跡して修正し、圧延計画を実際スラブと1対1で対応させ、追跡位置を決定し、スラブの搬送方向を遍歴して、追跡・修正を行うステップS131と、
炉内でのスラブの昇温過程を予測し、数学モデルを採用して炉内の各時刻におけるスラブの温度分布を予報するステップS132であって、
スラブ温度制御方程は、下記式(1)に示され、
ここで、ρ(t)はスラブの密度を示し、Cp(t)はスラブの比熱を示し、λ(t)はスラブの熱伝導率を示す、ステップS132と、
前記制御方程に従って、炉温最適化モデルを作成するステップS133とを含む。
オフライン最適化を行い、基礎炉温テーブル、即ち炉温カーペットプロットを作成するステップS1331と、
オンライン動的最適化を行い、加熱プロセスと生産リズムに応じて、スラブ昇温過程をシミュレーションし、目標加熱プロセスに達するために必要な必須炉温を逆算するステップS1332と、
総合炉温、炉のセグメント内の各スラブの位置、目標温度要素がすべて異なると、各スラブのセグメント内の重み値も異なり、各スラブ炉温オンライン最適化に基づいて、異なる重み値を与えるステップS1333とを含む。
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームはデータ収集情報に基づいて同期炉内データ映像を作成し、各知識意思決定ベースを繰り返し更新し、前記各知識ベースの情報を総合して、API関数により加熱炉燃焼制御システムにプロセス、時間制御パラメータをリアルタイムで送信し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行うことを含む。
S201:加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築する。
実行可能な実施形態では、加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築する。データ記憶量、同時アクセス数、加熱炉専門家知識ベース、及びモデルベース研究開発過程における計算需要量等の関連要素を分析することによって、クラウドプラットフォームの主なハードウェア装置、パラメータ、及び分業を設計し、ビッグデータクラウドプラットフォームのハードウェア構成は表1に示される。
収集内容には、以下のものが含まれている。
炉況データ:弁開口度、弁調整方式(手動/自動)、弁状態(制御に関与するかどうか)、熱電対状態(制御に関与するかどうか)、炉圧、排煙温度等。
各種の計画混載に対して、加熱セグメントごとに、鋼種、位置重み値、アイドルステーションのレイアウト、目標温度、現在温度、予測セグメント搬出温度から、さまざまなスラブの加熱システムを評価し、加熱炉の炉況及び運転状況の状態パラメータを検知して統一的に計画し、複雑な運転状況・炉況知識ベースを取得することを含み、運転時のすべてのパラメータは、現在の炉況、運転状況に関与しており、具体的には、以下のものを含む。
交換対象ロールブランクの識別:計画番号の変更、圧延キロ数が閾値より大きいこと、ロール交換前後にロールブランクを焼く必要があること、鋼種コードが変化したこと、ロール交換前に圧延ロールに摩耗が生じたことや、圧延幅が徐々に低下していることにより、一般的には、ロール交換後の新計画鋼コイルの幅は前の計画以上である。
出炉温度、RDTにより、各加熱炉製品について規定される加熱目標を記述することを含む、加熱目標意思決定知識ベースを取得することを含み、スラブの加熱目標は、通常、出炉温度、RDTによって記述されるが、測定手段が限られているため、出炉目標温度は、RDTによって推定されることが多い。この知識ベースは、各規格の加熱目標を明確にする。パラメータマップを図8に示す。
ここで、ρ(t)はスラブの密度を示し、単位はKg/m3であり、Cp(t)はスラブの比熱を示し、単位はKJ/Kg℃であり、λ(t)はスラブの熱伝導率を示し、単位はKJ/Kg℃である。
オフライン最適化を行い、基礎炉温テーブル、即ち炉温カーペットプロットを作成するステップS261と、
オンライン動的最適化を行い、加熱プロセスと生産リズムに応じて、スラブ昇温過程をシミュレーションし、目標加熱プロセスに達するために必要な必須炉温を逆算するステップS262と、
総合炉温、炉のセグメント内の各スラブの位置、目標温度要素がすべて異なると、各スラブのセグメント内の重み値も異なり、各スラブ炉温オンライン最適化に基づいて、各スラブに異なる重み値を与えるステップS263とを含む。
#define FCEZONE_MAX 5
// 加熱炉のセグメント数
#define SLABNO_LEN 16
// スラブ番号の文字列長さ
#define SCHNUMBER_LEN 15
// 計画号の文字列長さ
#define STEELGRADE_LEN24
// 鋼種の文字列長さ
#define CUSTOMER_STEELGRADE_LEN 12
// カスタマー鋼種の文字列長さ
#define QUATYPE_LEN 20
// 材質タイプ長さ
struct SLAB_TRACK
{
// 基本情報
char SlabNo[SLABNO_LEN + 1]; // スラブ番号
char RPNo[SCHNUMBER_LEN + 1]; // 計画号
char SteelGrade[STEELGRADE_LEN + 1]; // 鋼種
char CustomerSteelGrade[STEELGRADE_LEN + 1]; // カスタマー鋼種
char CUSTOM_SGC_UPD[STEELGRADE_LEN + 1]; // 改判鋼種
int Series; // 鋼種系列
short FCENo; // 炉番号
short FCERow; // 列番号 0:ロングスラブ;1:近圧延機側;2:遠圧延機側
int Disch_Sequ; // 出炉番号
short IsSingle; //シングルスラブか 0:いいえ 1:はい
long RollSequ; // 圧延順序&&計画番号
short SlabPos; // スラブ位置
float SlabExitDis; // スラブの前縁の出炉ドアからの距離(出炉側は原点) [mm]
float SlabChargeDisX; // スラブの後縁の装入ドアからの距離(装入側は原点) [mm]
float DisFromWall; // スラブの側壁からの距離 [mm]
short HearthDis; // ロングスラブセンター位置 0:炉の真中;1:近圧延機側;2:遠圧延機側
short HeatSect; // 所在加熱セグメントの番号 1:熱回收;2:予熱;3:1回目加熱;4: 2回目加熱;5:均熱
short HGFlag; // 冷温スラブフラグ 0:冷スラブ; 1:温スラブ; 2:熱スラブ
// 原料データ
float SlabLen; // スラブ長さ [mm]
float SlabWid; // スラブ幅 [mm]
float SlabThk; // スラブ厚さ [mm]
float SlabWet; // スラブ重さ [ton]
float SlabTrgTemp; // スラブ目標温度 [´C]
// コイルテ゛ータ
float CoilThk; // コイル厚さ
float CoilWid; // コイル幅
short IsNarrow; //狭いか 0: 狭くない 1: 狭い
short SteelGradeType; // 鋼種タイプ 0: 普通炭素 1: 品種
// クラス組情報
short Crew; //組(1-甲;2-乙;3-丙;4-丁) [--]
short Shift; //クラス(1-朝;2-昼;3-夜) [--]
POS_INFO SlabPosInfo; // スラブ位置追跡情報
TEMP_INFO SlabTempInfo; // スラブ温度追跡情報
KNLDGE_BASE KnldgeInfo; // ビッグデータ知識意思決定ベース情報
STATISTIC_INFO StatisticInfo; // スラブ統計情報
}
//
// ビッグデータ知識ベース
//
struct KNLDGE_BASE
{
float EndTempInZoneTrg[FCEZONE_MAX]; // セグメント搬出スラブ温度目標 [´C]
float AirFuelRatioTrg[FCEZONE_MAX]; // 各セグメントの空燃比目標 [--]
float FCETempUP[FCEZONE_MAX]; // 各セグメントの炉温(上) [´C]
float FCETempDN[FCEZONE_MAX]; // 各セグメントの炉温(下) [´C]
float InZoneTime[FCEZONE_MAX]; // セグメント停留時間 [min]
加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築するプラットフォーム構築モジュール310と、
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得する知識ベース構築モジュール320と、
メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行うモデル配置モジュール330と、
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行う知能制御モジュール340とを備える。
前記ビッグデータクラウドプラットフォームは、三層構造を採用し、底層はビッグデータクラウドプラットフォームインフラ層であり、中間層はビッグデータクラウドプラットフォームサポート層であり、最上層は知識ベースサービス層である。
加熱炉運転時にパラメータデータセンターが予め設定した人工知能、機械学習、及びパターン学習方法に基づいて、ビッグデータに対する知能分析により、加熱炉生産運転時のパラメータの関連マップを探し出して、ビッグデータ知識意思決定ベースを取得する。
スラブ温度予報モデル精度評価知識ベースを取得することは、知能燃焼モデルが適応的に調節するために、各規格の炉内温度の予報精度を動的に評価することを含む。
加熱炉エネルギー効率評価知識ベースを取得することは、生産データ、エネルギーデータ及び炉況に基づいて、加熱炉に対する客観的評価を形成することを含む。
炉圧判別知識ベースを取得することは、炉圧制御の優先度が炉温制御よりも高い基準に従って、出炉側を微正圧状態に制御することを含む。
空燃比最適化知識ベースを取得することは、合理的な空燃比を設定し、各セグメントの炉温の制御精度及び炉内雰囲気の制御精度を決定することを含む。
各運転状況での加熱曲線を統計して、加熱システム意思決定知識ベースを取得する。
炉内でのスラブの昇温過程を予測し、数学モデルを採用して炉内の各時刻におけるスラブの温度分布を予報し、スラブ温度制御方程は、下記式(1)に示され、
ここで、ρ(t)はスラブの密度を示し、Cp(t)はスラブの比熱を示し、λ(t)はスラブの熱伝導率を示し、
前記制御方程に従って、炉温最適化モデルを作成する。
オンライン動的最適化を行い、加熱プロセスと生産リズムに応じて、スラブ昇温過程をシミュレーションし、目標加熱プロセスに達するために必要な必須炉温を逆算する。
総合炉温、炉のセグメント内の各スラブの位置、目標温度要素がすべて異なると、各スラブのセグメント内の重み値も異なり、各スラブ炉温オンライン最適化に基づいて、各スラブに異なる重み値を与える。
S1:加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築する。
S2:前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得する。
S3:メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行う。
S4:メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行う。
加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築するステップS1と、
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得するステップS2と、
メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行うステップS3と、
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行うステップS4とを含む、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御方法を提供する。
データ記憶量、同時アクセス数、加熱炉専門家知識ベース、及びモデルベース研究開発過程における計算需要量関連要素を分析することにより、ビッグデータクラウドプラットフォームのハードウェア装置、パラメータ及び分業を設計することを含み、
前記ビッグデータクラウドプラットフォームは、三層構造を採用し、底層はビッグデータクラウドプラットフォームインフラ層であり、中間層はビッグデータクラウドプラットフォームサポート層であり、最上層は知識ベースサービス層である。
前記ビッグデータクラウドプラットフォームサポート層は、加熱炉生産運転過程におけるパラメータの収集、記憶、マイニング分析及び可視化の研究開発をサポートすることに使用され、
前記知識ベースサービス層は、加熱炉生産過程の重要な生産要素を記憶することに使用される。
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素を識別して、相関性データ知識ベースを取得するステップS21と、
加熱炉運転時にパラメータデータセンターが予め設定した人工知能、機械学習、及びパターン学習方法に基づいて、ビッグデータに対する知能分析により、加熱炉生産運転時のパラメータの関連マップを探し出して、ビッグデータ意思決定知識ベースを取得するステップS22とを含む。
各種の計画混載に対して、加熱セグメントごとに、鋼種、位置重み値、アイドルステーションのレイアウト、目標温度、現在温度、予測セグメント搬出温度から、さまざまなスラブの加熱システムを評価し、加熱炉の炉況及び運転状況の状態パラメータを検知して統一的に計画し、複雑な運転状況・炉況知識ベースを取得することと、
知能燃焼モデルが適応的に調節するために、各規格の炉内温度の予報精度を動的に評価して、前記予報精度データを総合してスラブ温度予報モデル精度評価知識ベースを取得することと、
生産データ、エネルギーデータ及び炉況に基づいて、加熱炉に対する客観的評価データを作成し、前記客観的評価データを総合して、加熱炉エネルギー効率評価知識ベースを取得することと、
炉圧制御の優先度が炉温制御よりも高い基準に従って、出炉側を微正圧状態に制御し、制御基準データ及び微正圧状態データを総合して、炉圧判別知識ベースを取得することと、
合理的な空燃比を設定し、各セグメントの炉温の制御精度及び炉内雰囲気の制御精度を決定し、空燃比最適化知識ベースを取得することとを含む。
出炉温度、圧延機出口温度RDTにより、各加熱炉製品について規定される加熱目標を記述して、加熱目標意思決定知識ベースを取得することと、
各運転状況での加熱曲線を統計して、加熱システム意思決定知識ベースを取得することとを含む。
加熱炉材料を追跡して修正し、圧延計画を実際スラブと1対1で対応させ、追跡位置を決定し、スラブの搬送方向を遍歴(Traversal)して追跡・修正を行うステップS31と、
炉内でのスラブの昇温過程を予測し、数学モデルを採用して炉内の各時刻におけるスラブの温度分布を予報するステップS32であって、
スラブ温度制御方程は、下記式(1)に示され、
ここで、ρ(t)はスラブの密度を示し、Cp(t)はスラブの比熱を示し、λ(t)はスラブの熱伝導率を示す、ステップS32と、
前記スラブ温度制御方程に従って、炉温最適化モデルを作成するステップS33とを含む。
前記スラブ温度制御方程に従ってオフライン最適化を行い、基礎炉温テーブル、即ち炉温カーペットプロットを作成するステップS331と、
前記スラブ温度制御方程に従ってオンライン動的最適化を行い、加熱プロセスと生産ペースタイムに応じて、スラブ昇温過程をシミュレーションし、目標加熱プロセスに達するために必要な必須炉温を逆算するステップS332と、
総合炉温、炉のセグメント内の各スラブの位置、目標温度要素がすべて異なると、各スラブのセグメント内の重み値も異なり、各スラブ炉温オンライン最適化に基づいて、各スラブに異なる重み値を与え、炉温最適化モデルを取得するステップS333とを含む。
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームはデータ収集情報に基づいて同期炉内データ映像を作成し、各意思決定知識ベースを繰り返し更新し、前記各知識ベースの情報を総合して、API関数により加熱炉燃焼制御システムにプロセス、時間制御パラメータをリアルタイムで送信し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行うことを含む。
加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築するプラットフォーム構築モジュールと、
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得する知識ベース構築モジュールと、
メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行うモデル配置モジュールと、
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行う知能制御モジュールとを備える、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御装置を提供する。
上記の形態では、本発明により提供されたビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御方法は、成熟した人工知能、ビッグデータ技術により、完全で独立した生産相関性データ知識ベースを作成する。知能燃焼モデルはこの知識ベースに基づいて、メカニズムモデルを用いて、現在の炉況、作業状況でのスラブの最適な加熱曲線及びスラブの品質を確保するために必要な炉温、ひいては空燃比を計算し、それらを元の加熱炉システムにリアルタイムに配信することにより、加熱炉燃焼の知能制御を実現する。
加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築するステップS101と、
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得するステップS102と、
メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行うステップS103と、
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行うステップS104とを含む。
データ記憶量、同時アクセス数、加熱炉専門家知識ベース、及びモデルベース研究開発過程における計算需要量等の関連要素を分析することによって、クラウドプラットフォームの主なハードウェア装置、パラメータ、及び分業を設計することを含み、
前記クラウドプラットフォームは、三層構造を採用し、底層はクラウドプラットフォームインフラ層であり、中間層はビッグデータクラウドプラットフォームサポート層であり、最上層は知識ベースサービス層である。
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素を識別して、相関性データ知識ベースを取得するステップS121と、
加熱炉運転時のパラメータデータセンターの人工知能、機械学習、及びパターン学習方法に基づいて、ビッグデータに対する知能分析により、運転時刻ごとのパラメータの関連マップを探し出して、ビッグデータ意思決定知識ベースを取得するステップS122とを含む。
各種の計画混載に対して、加熱セグメントごとに、鋼種、位置重み値、アイドルステーションのレイアウト、目標温度、現在温度、予測セグメント搬出温度から、さまざまなスラブの加熱システムを評価し、加熱炉の炉況及び運転状況の状態パラメータを検知して統一的に計画し、複雑な運転状況・炉況知識ベースを取得することと、
知能燃焼モデルが適応的に調節するために、各規格の炉内温度の予報精度を動的に評価して、スラブ温度予報モデル精度評価知識ベースを取得することと、
生産データ、エネルギーデータ及び炉況に基づいて、加熱炉に対する客観的評価データを作成し、加熱炉エネルギー効率評価知識ベースを取得することと、
炉圧制御の優先度が炉温制御よりも高い基準に従って、出炉側を微正圧状態に制御し、炉圧判別知識ベースを取得することと、
合理的な空燃比を設定し、各セグメントの炉温の制御精度及び炉内雰囲気の制御精度を決定し、空燃比最適化知識ベースを取得することとを含む。
出炉温度、RDTにより、各加熱炉製品について規定される加熱目標を記述して、加熱目標意思決定知識ベースを取得することと、
各運転状況での加熱曲線を統計して、加熱システム意思決定知識ベースを取得することとを含む。
加熱炉材料を追跡して修正し、圧延計画を実際スラブと1対1で対応させ、追跡位置を決定し、スラブの搬送方向を遍歴して、追跡・修正を行うステップS131と、
炉内でのスラブの昇温過程を予測し、数学モデルを採用して炉内の各時刻におけるスラブの温度分布を予報するステップS132であって、
スラブ温度制御方程は、下記式(1)に示され、
ここで、ρ(t)はスラブの密度を示し、Cp(t)はスラブの比熱を示し、λ(t)はスラブの熱伝導率を示す、ステップS132と、
前記制御方程に従って、炉温最適化モデルを作成するステップS133とを含む。
オフライン最適化を行い、基礎炉温テーブル、即ち炉温カーペットプロットを作成するステップS1331と、
オンライン動的最適化を行い、加熱プロセスと生産ペースタイムに応じて、スラブ昇温過程をシミュレーションし、目標加熱プロセスに達するために必要な必須炉温を逆算するステップS1332と、
総合炉温、炉のセグメント内の各スラブの位置、目標温度要素がすべて異なると、各スラブのセグメント内の重み値も異なり、各スラブ炉温オンライン最適化に基づいて、異なる重み値を与えるステップS1333とを含む。
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームはデータ収集情報に基づいて同期炉内データ映像を作成し、各意思決定知識ベースを繰り返し更新し、前記各知識ベースの情報を総合して、API関数により加熱炉燃焼制御システムにプロセス、時間制御パラメータをリアルタイムで送信し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行うことを含む。
S201:加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築する。
実行可能な実施形態では、加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築する。データ記憶量、同時アクセス数、加熱炉専門家知識ベース、及びモデルベース研究開発過程における計算需要量等の関連要素を分析することによって、クラウドプラットフォームの主なハードウェア装置、パラメータ、及び分業を設計し、ビッグデータクラウドプラットフォームのハードウェア構成は表1に示される。
収集内容には、以下のものが含まれている。
炉況データ:弁開口度、弁調整方式(手動/自動)、弁状態(制御に関与するかどうか)、熱電対状態(制御に関与するかどうか)、炉圧、排煙温度等。
各種の計画混載に対して、加熱セグメントごとに、鋼種、位置重み値、アイドルステーションのレイアウト、目標温度、現在温度、予測セグメント搬出温度から、さまざまなスラブの加熱システムを評価し、加熱炉の炉況及び運転状況の状態パラメータを検知して統一的に計画し、複雑な運転状況・炉況知識ベースを取得することを含み、運転時のすべてのパラメータは、現在の炉況、運転状況に関与しており、具体的には、以下のものを含む。
交換対象ロールブランクの識別:計画番号の変更、圧延キロ数が閾値より大きいこと、ロール交換前後にロールブランクを焼く必要があること、鋼種コードが変化したこと、ロール交換前に圧延ロールに摩耗が生じたことや、圧延幅が徐々に低下していることにより、一般的には、ロール交換後の新計画鋼コイルの幅は前の計画以上である。
出炉温度、RDTにより、各加熱炉製品について規定される加熱目標を記述することを含む、加熱目標意思決定知識ベースを取得することを含み、スラブの加熱目標は、通常、出炉温度、RDTによって記述されるが、測定手段が限られているため、出炉目標温度は、RDTによって推定されることが多い。この知識ベースは、各規格の加熱目標を明確にする。パラメータマップを図8に示す。
ここで、ρ(t)はスラブの密度を示し、単位はKg/m3であり、Cp(t)はスラブの比熱を示し、単位はKJ/Kg℃であり、λ(t)はスラブの熱伝導率を示し、単位はKJ/Kg℃である。
オフライン最適化を行い、基礎炉温テーブル、即ち炉温カーペットプロットを作成するステップS261と、
オンライン動的最適化を行い、加熱プロセスと生産ペースタイムに応じて、スラブ昇温過程をシミュレーションし、目標加熱プロセスに達するために必要な必須炉温を逆算するステップS262と、
総合炉温、炉のセグメント内の各スラブの位置、目標温度要素がすべて異なると、各スラブのセグメント内の重み値も異なり、各スラブ炉温オンライン最適化に基づいて、各スラブに異なる重み値を与えるステップS263とを含む。
#define FCEZONE_MAX 5
// 加熱炉のセグメント数
#define SLABNO_LEN 16
// スラブ番号の文字列長さ
#define SCHNUMBER_LEN 15
// 計画号の文字列長さ
#define STEELGRADE_LEN24
// 鋼種の文字列長さ
#define CUSTOMER_STEELGRADE_LEN 12
// カスタマー鋼種の文字列長さ
#define QUATYPE_LEN 20
// 材質タイプ長さ
struct SLAB_TRACK
{
// 基本情報
char SlabNo[SLABNO_LEN + 1]; // スラブ番号
char RPNo[SCHNUMBER_LEN + 1]; // 計画号
char SteelGrade[STEELGRADE_LEN + 1]; // 鋼種
char CustomerSteelGrade[STEELGRADE_LEN + 1]; // カスタマー鋼種
char CUSTOM_SGC_UPD[STEELGRADE_LEN + 1]; // 改判鋼種
int Series; // 鋼種系列
short FCENo; // 炉番号
short FCERow; // 列番号 0:ロングスラブ;1:近圧延機側;2:遠圧延機側
int Disch_Sequ; // 出炉番号
short IsSingle; //シングルスラブか 0:いいえ 1:はい
long RollSequ; // 圧延順序&&計画番号
short SlabPos; // スラブ位置
float SlabExitDis; // スラブの前縁の出炉ドアからの距離(出炉側は原点) [mm]
float SlabChargeDisX; // スラブの後縁の装入ドアからの距離(装入側は原点) [mm]
float DisFromWall; // スラブの側壁からの距離 [mm]
short HearthDis; // ロングスラブセンター位置 0:炉の真中;1:近圧延機側;2:遠圧延機側
short HeatSect; // 所在加熱セグメントの番号 1:熱回收;2:予熱;3:1回目加熱;4: 2回目加熱;5:均熱
short HGFlag; // 冷温スラブフラグ 0:冷スラブ; 1:温スラブ; 2:熱スラブ
// 原料データ
float SlabLen; // スラブ長さ [mm]
float SlabWid; // スラブ幅 [mm]
float SlabThk; // スラブ厚さ [mm]
float SlabWet; // スラブ重さ [ton]
float SlabTrgTemp; // スラブ目標温度 [´C]
// コイルテ゛ータ
float CoilThk; // コイル厚さ
float CoilWid; // コイル幅
short IsNarrow; //狭いか 0: 狭くない 1: 狭い
short SteelGradeType; // 鋼種タイプ 0: 普通炭素 1: 品種
// クラス組情報
short Crew; //組(1-甲;2-乙;3-丙;4-丁) [--]
short Shift; //クラス(1-朝;2-昼;3-夜) [--]
POS_INFO SlabPosInfo; // スラブ位置追跡情報
TEMP_INFO SlabTempInfo; // スラブ温度追跡情報
KNLDGE_BASE KnldgeInfo; // ビッグデータ意思決定知識ベース情報
STATISTIC_INFO StatisticInfo; // スラブ統計情報
}
//
// ビッグデータ知識ベース
//
struct KNLDGE_BASE
{
float EndTempInZoneTrg[FCEZONE_MAX]; // セグメント搬出スラブ温度目標 [´C]
float AirFuelRatioTrg[FCEZONE_MAX]; // 各セグメントの空燃比目標 [--]
float FCETempUP[FCEZONE_MAX]; // 各セグメントの炉温(上) [´C]
float FCETempDN[FCEZONE_MAX]; // 各セグメントの炉温(下) [´C]
float InZoneTime[FCEZONE_MAX]; // セグメント停留時間 [min]
加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築するプラットフォーム構築モジュール310と、
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得する知識ベース構築モジュール320と、
メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行うモデル配置モジュール330と、
メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行う知能制御モジュール340とを備える。
前記ビッグデータクラウドプラットフォームは、三層構造を採用し、底層はビッグデータクラウドプラットフォームインフラ層であり、中間層はビッグデータクラウドプラットフォームサポート層であり、最上層は知識ベースサービス層である。
加熱炉運転時にパラメータデータセンターが予め設定した人工知能、機械学習、及びパターン学習方法に基づいて、ビッグデータに対する知能分析により、加熱炉生産運転時のパラメータの関連マップを探し出して、ビッグデータ意思決定知識ベースを取得する。
スラブ温度予報モデル精度評価知識ベースを取得することは、知能燃焼モデルが適応的に調節するために、各規格の炉内温度の予報精度を動的に評価することを含む。
加熱炉エネルギー効率評価知識ベースを取得することは、生産データ、エネルギーデータ及び炉況に基づいて、加熱炉に対する客観的評価を形成することを含む。
炉圧判別知識ベースを取得することは、炉圧制御の優先度が炉温制御よりも高い基準に従って、出炉側を微正圧状態に制御することを含む。
空燃比最適化知識ベースを取得することは、合理的な空燃比を設定し、各セグメントの炉温の制御精度及び炉内雰囲気の制御精度を決定することを含む。
各運転状況での加熱曲線を統計して、加熱システム意思決定知識ベースを取得する。
炉内でのスラブの昇温過程を予測し、数学モデルを採用して炉内の各時刻におけるスラブの温度分布を予報し、スラブ温度制御方程は、下記式(1)に示され、
ここで、ρ(t)はスラブの密度を示し、Cp(t)はスラブの比熱を示し、λ(t)はスラブの熱伝導率を示し、
前記制御方程に従って、炉温最適化モデルを作成する。
オンライン動的最適化を行い、加熱プロセスと生産ペースタイムに応じて、スラブ昇温過程をシミュレーションし、目標加熱プロセスに達するために必要な必須炉温を逆算する。
総合炉温、炉のセグメント内の各スラブの位置、目標温度要素がすべて異なると、各スラブのセグメント内の重み値も異なり、各スラブ炉温オンライン最適化に基づいて、各スラブに異なる重み値を与える。
S1:加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築する。
S2:前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得する。
S3:メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行う。
S4:メカニズムモデルに基づく加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行う。
Claims (7)
- 加熱炉生産運転パラメータに基づいてビッグデータクラウドプラットフォームを構築するステップS1と、
前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得するステップS2と、
メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行うステップS3と、
メカニズムモデルに基づく前記加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、前記ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御を行うステップS4とを含み、
前記ステップS2では、前記ビッグデータクラウドプラットフォームに基づいて、ビッグデータマイニング技術を採用して、前記加熱炉生産過程に重要な要素の識別と分析を行い、相関性データ知識ベース及びビッグデータ意思決定知識ベースを取得するステップは、
前記ビッグデータクラウドプラットフォームに基づいて、前記ビッグデータマイニング技術を採用して、前記加熱炉生産過程に重要な要素を識別して、前記相関性データ知識ベースを取得するステップS21と、
加熱炉運転時にパラメータデータセンターが予め設定した人工知能、機械学習、及びパターン学習方法に基づいて、ビッグデータに対する知能分析により、加熱炉生産運転時のパラメータの関連マップを探し出して、前記ビッグデータ知識意思決定ベースを取得するステップS22とを含み、
前記ステップS21では、前記相関性データ知識ベースを取得するステップは、
各種の計画混載に対して、加熱セグメントごとに、鋼種、位置重み値、アイドルステーションのレイアウト、目標温度、現在温度、予測セグメント搬出温度から、さまざまなスラブの加熱システムを評価し、加熱炉の炉況及び運転状況の状態パラメータを検知して統一的に計画し、複雑な運転状況・炉況知識ベースを取得することと、
知能燃焼モデルが適応的に調節するために、各規格の炉内温度の予報精度を動的に評価して、前記予報精度データを総合してスラブ温度予報モデル精度評価知識ベースを取得することと、
生産データ、エネルギーデータ及び炉況に基づいて、加熱炉に対する客観的評価を作成し、前記客観的評価データを総合して、加熱炉エネルギー効率評価知識ベースを取得することと、
炉圧制御の優先度が炉温制御よりも高い基準に従って、出炉側を微正圧状態に制御し、制御基準データ及び微正圧状態データを総合して、炉圧判別知識ベースを取得することと、
合理的な空燃比を設定し、各セグメントの炉温の制御精度及び炉内雰囲気の制御精度を決定し、空燃比最適化知識ベースを取得することとを含み、
前記ステップS22では、前記ビッグデータ知識意思決定ベースを取得するステップは、
出炉温度、圧延機出口温度RDTにより、各加熱炉製品について規定される加熱目標を記述して、加熱目標意思決定知識ベースを取得することと、
各運転状況での加熱曲線を統計して、加熱システム意思決定知識ベースを取得することとを含む、ことを特徴とするビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御方法。 - 前記ステップS1では、加熱炉生産運転パラメータに基づいて前記ビッグデータクラウドプラットフォームを構築するステップは、
データ記憶量、同時アクセス数、加熱炉専門家知識ベース、及びモデルベース研究開発過程における計算需要量関連要素を分析することにより、前記ビッグデータクラウドプラットフォームのハードウェア装置、パラメータ及び分業を設計することを含み、
前記ビッグデータクラウドプラットフォームは、三層構造を採用し、底層はビッグデータクラウドプラットフォームインフラ層であり、中間層はビッグデータクラウドプラットフォームサポート層であり、最上層は知識ベースサービス層である、ことを特徴とする請求項1に記載の方法。 - 前記ビッグデータクラウドプラットフォームインフラ層は、前記ビッグデータクラウドプラットフォームのハードウェアリソースの仮想化と管理サービスに使用され、
前記ビッグデータクラウドプラットフォームサポート層は、加熱炉生産運転過程におけるパラメータの収集、記憶、マイニング分析及び可視化の研究開発をサポートすることに使用され、
前記知識ベースサービス層は、加熱炉生産過程の重要な生産要素を記憶することに使用される、ことを特徴とする請求項2に記載の方法。 - 前記ステップS3では、メカニズムモデルに基づいて加熱炉燃焼制御システムの独立配置を行うステップは、
加熱炉材料を追跡して修正し、圧延計画を実際のスラブと1対1で対応させ、追跡位置を決定し、前記スラブの搬送方向を遍歴して、追跡・修正を行うステップS31と、
炉内での前記スラブの昇温過程を予測し、数学モデルを採用して炉内の各時刻における前記スラブの温度分布を予報するステップS32であって、
スラブ温度制御方程は、下記式(1)に示され、
ここで、ρ(t)は前記スラブの密度を示し、Cp(t)は前記スラブの比熱を示し、λ(t)は前記スラブの熱伝導率を示す、前記ステップS32と、
前記スラブ温度制御方程に従って、炉温最適化モデルを作成するステップS33とを含む、ことを特徴とする請求項1に記載の方法。 - 前記ステップS33では、前記スラブ温度制御方程に従って、前記炉温最適化モデルを作成するステップは、
前記スラブ温度制御方程に従ってオフライン最適化を行い、基礎炉温テーブル、即ち炉温カーペットプロットを作成するステップS331と、
前記スラブ温度制御方程に従ってオンライン動的最適化を行い、加熱プロセスと生産リズムに応じて、スラブ昇温過程をシミュレーションし、目標加熱プロセスに達するために必要な必須炉温を逆算するステップS332と、
総合炉温、炉のセグメント内の各スラブの位置、目標温度要素がすべて異なると、各スラブのセグメント内の重み値も異なり、各スラブ炉温オンライン最適化に基づいて、各スラブに異なる重み値を与え、前記炉温最適化モデルを取得するステップS333とを含む、ことを特徴とする請求項4に記載の方法。 - 前記ステップS4では、前記メカニズムモデルに基づく前記加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、前記ビッグデータクラウドプラットフォームに基づく前記加熱炉燃焼知能制御を行うステップは、
前記メカニズムモデルに基づく前記加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、前記ビッグデータクラウドプラットフォームはデータ収集情報に基づいて同期炉内データ映像を作成し、相関性データ知識ベース及びビッグデータ意思決定知識ベースを繰り返し更新し、前記相関性データ知識ベース及びビッグデータ意思決定知識ベースの情報を総合して、API関数により前記加熱炉燃焼制御システムにプロセス、時間制御パラメータをリアルタイムで送信し、前記ビッグデータクラウドプラットフォームに基づく前記加熱炉燃焼知能制御を行うことを含む、ことを特徴とする請求項1に記載の方法。 - 前記請求項1~6のいずれか1項に記載の方法に適用される前記ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御装置であって、
加熱炉生産運転パラメータに基づいて前記ビッグデータクラウドプラットフォームを構築するプラットフォーム構築モジュールと、
前記ビッグデータクラウドプラットフォームに基づいて、前記ビッグデータマイニング技術を採用して、加熱炉生産過程に重要な要素の識別と分析を行い、前記相関性データ知識ベース及び前記ビッグデータ意思決定知識ベースを取得する知識ベース構築モジュールと、
前記メカニズムモデルに基づいて前記加熱炉燃焼制御システムの独立配置を行うモデル配置モジュールと、
前記メカニズムモデルに基づく前記加熱炉燃焼制御システムと前記ビッグデータクラウドプラットフォームを融合し、前記ビッグデータクラウドプラットフォームに基づく前記加熱炉燃焼知能制御を行う知能制御モジュールとを備える、ことを特徴とする前記ビッグデータクラウドプラットフォームに基づく前記加熱炉燃焼知能制御装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211115824.4 | 2022-09-14 | ||
CN202211115824.4A CN115307452B (zh) | 2022-09-14 | 2022-09-14 | 一种基于大数据云平台的加热炉燃烧智能控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2024041725A true JP2024041725A (ja) | 2024-03-27 |
JP7510722B2 JP7510722B2 (ja) | 2024-07-04 |
Family
ID=83866698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023144974A Active JP7510722B2 (ja) | 2022-09-14 | 2023-09-07 | ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御方法及び装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240085866A1 (ja) |
JP (1) | JP7510722B2 (ja) |
CN (1) | CN115307452B (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909692B (zh) * | 2024-03-18 | 2024-05-31 | 山东海纳智能装备科技股份有限公司 | 一种双盘式电机轴承运行数据智能分析方法 |
CN118009322B (zh) * | 2024-04-08 | 2024-07-02 | 北京工业大学 | 一种端边云协同的城市固废焚烧过程炉膛温度控制方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5261963B2 (ja) * | 2007-04-06 | 2013-08-14 | 新日鐵住金株式会社 | 加熱炉の板温制御方法及び装置 |
CN102169326B (zh) * | 2011-03-02 | 2013-11-13 | 中冶南方(武汉)威仕工业炉有限公司 | 基于数据挖掘的最优炉温设定值优化系统 |
CN106636606B (zh) * | 2016-12-30 | 2018-10-12 | 北京和隆软件有限公司 | 一种基于仿真模型的加热炉炉温控制方法 |
CN114459613A (zh) * | 2022-01-21 | 2022-05-10 | 法孚斯坦因冶金技术(上海)有限公司 | 一种加热炉动态生产实时监测预警系统及使用方法 |
-
2022
- 2022-09-14 CN CN202211115824.4A patent/CN115307452B/zh active Active
-
2023
- 2023-09-07 JP JP2023144974A patent/JP7510722B2/ja active Active
- 2023-09-07 US US18/462,445 patent/US20240085866A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN115307452A (zh) | 2022-11-08 |
JP7510722B2 (ja) | 2024-07-04 |
US20240085866A1 (en) | 2024-03-14 |
CN115307452B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7510722B2 (ja) | ビッグデータクラウドプラットフォームに基づく加熱炉燃焼知能制御方法及び装置 | |
CN105864797B (zh) | 循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统及方法 | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
CN103729569B (zh) | 一种基于lssvm及在线更新的电站锅炉烟气软测量系统 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
Wang et al. | A hybrid ensemble model based on ELM and improved AdaBoost. RT algorithm for predicting the iron ore sintering characters | |
CN102441578A (zh) | 提高低温钢卷取温度控制精度的方法 | |
Yi et al. | Development of a double model slab tracking control system for the continuous reheating furnace | |
Wu et al. | Integrated soft sensing of coke-oven temperature | |
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 | |
CN109976280A (zh) | 一种精确预报热轧板坯剩余在炉时间的方法 | |
CN109992844A (zh) | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 | |
CN104765347A (zh) | 一种渣油延迟焦化过程中收率实时预测方法 | |
CN116127760A (zh) | 基于混合建模与改进沙丘猫群算法的加热炉炉温优化方法 | |
CN115138698A (zh) | 加热炉控制系统、方法、设备及存储介质 | |
US10544491B2 (en) | Method for minimizing the global production cost of long metal products and production plant operating according to such method | |
CN101339177A (zh) | 基于神经网络的烧结矿FeO预报系统 | |
CN103714262B (zh) | 一种基于缓冲块时序设计的热工软测量模型更新方法 | |
CN110059940A (zh) | 一种炼钢-连铸界面衔接节能方法及系统 | |
JP3144984B2 (ja) | 製鋼工程における溶鋼温度の調整方法 | |
CN113418208A (zh) | 一种基于炉膛温度场的锅炉燃烧优化方法及系统 | |
CN109598643B (zh) | 一种退火炉分区煤气流量分配方法、设备及存储设备 | |
Li et al. | Research on the air-fuel ratio intelligent control method for coke oven combustion energy saving | |
CN112749469A (zh) | 原油管道监控方法和装置、计算机可读存储介质 | |
CN111861299A (zh) | 一种钢铁企业全流程库存水平预警与控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230919 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230911 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240301 |
|
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: 20240604 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240617 |