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 PDF

Info

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
Application number
JP2023144974A
Other languages
English (en)
Other versions
JP7510722B2 (ja
Inventor
李▲チン▼
Qing Li
藺鳳琴
Fengqin Lin
王莉
Li Wang
栗輝
Hui Li
楊旭
Xu Yang
劉艶
Yan Liu
王麗君
Chunqiu Wan
肖成勇
Chengyong Xiao
郭金
Jin Guo
崔家瑞
Jiarui Cui
張博▲ユ▼
Boyu Zhang
奚亜鳴
Yaming Xi
黄晨
Chen Huang
林語▲シゥアン▼
Yuxuan Lin
姜天軼
Tianyi Jiang
鐘祚棟
Zuodong Zhong
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Publication of JP2024041725A publication Critical patent/JP2024041725A/ja
Application granted granted Critical
Publication of JP7510722B2 publication Critical patent/JP7510722B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

【課題】加熱炉燃焼知能制御システムを構築し、加熱炉の炉温の自動制御レベル、スラブ加熱温度の均一性や、炉気温度の制御精度等を向上させ、加熱炉生産の正確な制御を実現し、エネルギー消費と焼損を減少するとともに、加熱製品の品質の安定性を向上させる、加熱炉燃焼知能制御方法を提供する。【解決手段】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、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ことと、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、完全な相関性データ知識ベースを作成することと、メカニズムモデルに基づいて伝統的な加熱炉燃焼制御システムの独立配置を行うことと、クラウドプラットフォームビッグデータ専門家知識ベースの加熱炉燃焼知能制御システムを融合することとを含む。【選択図】図１

Description

本発明は、人工知能制御の技術分野に関し、特に、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に関する。
知能製造が鉄鋼業界に進むにつれて、各プロセスは技術革新の春を迎え、最先端の概念や技術の導入は鉄鋼製造業の新時代を創造するに違いない。加熱炉は鉄鋼プロセス産業における重要な一環として、上流の原料に加熱と均熱を行い、下流の生産プロセスの要件を満たすためにより良い熱特性を付与することを主な目的とする。長期以来、加熱炉の環境が高温・多塵であり、かつその制御効果に影響する要素が多くて緊密に結合されているため、加熱炉制御システムの自動化レベルは生産ラインの他の段階より低い。また、加熱炉は生産ラインにおいてエネルギーを消費する主の部品でもあり、このため、加熱炉制御システムの知能化レベルを高めることは巨大な経済と社会的利益をもたらす。
加熱炉のエネルギー消費量が高く、加熱炉制御システムの知能化レベルを高めることは巨大な経済と社会的利益をもたらすという従来技術の課題に対して、本発明は、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を提案する。
一態様では、電子装置に適用され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であって、
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。
好ましくは、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、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。
好ましくは、インフラ層は、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。
好ましくは、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、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、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。
好ましくは、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む。
好ましくは、前記ステップＳ２２では、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。
好ましくは、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。
好ましくは、前記ステップＳ３３では、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、炉温最適化モデルを取得するステップＳ３３３とを含む。
好ましくは、前記ステップＳ４では、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は、
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。
一態様では、電子装置に適用され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であって、
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。
一態様では、プロセッサとメモリを備え、前記メモリには、前記プロセッサによってロードされ実行されると、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方法を実現するための少なくとも１つの命令が記憶されている、電子装置を提供する。
一態様では、プロセッサによってロードされ実行されると、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方法を実現するための少なくとも１つの命令が記憶されている、コンピュータ可読記憶媒体を提供する。
本発明の実施形態による上記技術的手段は、少なくとも以下のような有益な効果を有する。
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。
本発明の実施例による技術的手段をより明確に説明するために、以下に、実施例の説明において使用する必要がある図面を簡単に説明する。明らかに、以下の説明における図面は本発明のいくつかの実施例にすぎず、当業者にとっては、創造的な労働を払わずに、これらの図面に基づいて他の図面を得ることができる。
本発明の実施例により提供され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のフローチャートである。 本発明の実施例により提供され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のフローチャートである。 本発明の実施例により提供され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のビッグデータクラウドプラットフォームのアーキテクチャ図である。 本発明の実施例により提供され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のスラブ温度予報モデル精度評価知識ベースのパラメータマップである。 本発明の実施例により提供され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の加熱炉エネルギー効率評価知識ベースのパラメータマップである。 本発明の実施例により提供され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の炉圧判別知識ベースのパラメータマップである。 本発明の実施例により提供され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の空燃比最適化知識ベースのパラメータマップである。 本発明の実施例により提供され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の加熱目標意思決定知識ベースのパラメータマップである。 本発明の実施例により提供され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の加熱システム意思決定知識ベースのパラメータマップである。 本発明の実施例により提供され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の伝統的な加熱炉燃焼制御システムの機能モジュール図である。 本発明の実施例により提供され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の各セグメントの重み値の分配図である。 本発明の実施例により提供され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のブロック図である。 本発明の実施例により提供される電子装置の構造概略図である。
本発明が解決しようとする技術的課題、技術的手段及び利点をより明確にするために、以下、図面及び具体的な実施例を参照して詳細に説明する。
本発明の実施例は、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し、この方法は、電子装置により実現されてもよく、この電子装置は、端末やサーバーであってもよい。図１は、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のフローチャートを示し、この方法の処理流れは、
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。
好ましくは、ステップＳ１０１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。
好ましくは、インフラ層は、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などの研究開発をサポートするプラットフォームに使用され、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相関性データ知識ベースに使用される。
好ましくは、ステップＳ１０２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、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、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。
好ましくは、ステップＳ１２１では、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、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。
好ましくは、ステップＳ１２２では、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、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。
好ましくは、前記ステップＳ１０３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。
好ましくは、ステップＳ１３３では、炉温最適化モデルを作成するステップは、
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。
好ましくは、ステップＳ１０４では、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は、
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。
本発明の実施例において、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で配信することにより、加熱炉燃焼の知能制御を実現する。
本発明の実施例は、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し、この方法は、電子装置により実現されてもよく、この電子装置は、端末やサーバーであってもよい。図２は、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のフローチャートを示し、この方法の処理流れは、下記のステップＳ２０１～Ｓ２０７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。
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、底層はクラウドプラットフォームインフラ層であり、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を実現する。中間層はビッグデータプラットフォームサポート層であり、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、可視化などの研究開発をサポートするプラットフォームである。最上層は加熱炉生産過程の重要な生産要素の相関性データ知識ベースである。具体的な構造は図３に示される。
実行可能な実施形態では、インフラ層は、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、可視化などの研究開発をサポートするプラットフォームに使用され、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相関性データ知識ベースに使用される。
実行可能な実施形態では、クラウドプラットフォームのインフラ層は、ＯｐｅｎＳｔａｃｋオープンソースプラットフォームに基づいて構築され、ハードウェアリソースの仮想化管理、仮想ローカルエリアネットワーク、ミラー管理、分散型記憶管理、安全認証管理等のサービスを提供する。
ビッグデータプラットフォームサポート層は、主にＨａｄｏｏｐオープンソースプラットフォームに基づいて構築され、ＨＤＦＳ分散型記憶により品質管理産業用ビッグデータの記憶管理を実現し、ＹＡＲＮによりリソースのスケジューリング管理を実現する。データ管理ツールは、ＨＢＡＳＥ、ＨＩＶＥ、ＨＣａｔａｌｏｇなどのコンポーネントを採用して、非リレーショナルデータベース、データウェアハウス、及びメタデータ管理サービスを実現するとともに、これに基づいて関連するデータアクセスインタフェースを開発する。ビッグデータプラットフォームサポート層には、データ収集（Ｓｑｏｏｐ、Ｆａｌｃｏｎ等）、マイニング分析（Ｍａｈｏｕｔ、Ｓｐａｒｋ ＭＬｉｂ、ＴｅｎｓｏｒＦｌｏｗ等）、知識ベース管理ツール、シミュレーションと最適化計算ツール（ＡＮＹＳＹ、ＤＥＦＯＲＭ等）、可視化ツールも集積されている。
加熱炉生産サービス層は、主にＡＰＩインタフェース技術により、生産過程に重要な要素の知識照会と共有サービスを行い、クラウドプラットフォームで研究開発された知識ベースとツールセットに対しては、Ｄｏｃｋｅｒ容器技術によりダウンロードを行う。
Ｓ２０２：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。
実行可能な実施形態では、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、完全な相関性データ知識ベースを作成する。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、パターン学習等に基づいて、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、独立且つ完全なビッグデータ知識意思決定ベースを作成する。
実行可能な実施形態では、加熱炉システムの関連データは、主にＰＬＣ制御システム及びオリジナルのＬ２レベルの制御システムからのものであり、多種のプロトコルを採用して、データ収集システムを上記システムにそれぞれ接続して、元のデータを順調に伝送することを実現する。
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。
運転状況データ：ガス／空気圧力、ガス／空気流量、ガス発熱量、空燃比、生産状態（ロール交換、故障、加熱待ち、圧延待ち）等。
生産データ：スラブ原料情報（長さ、幅、厚さ、重さ、鋼種、成分等）、炉内でのスラブの加熱曲線、炉内でのスラブの炉温履歴曲線、スラブの出炉時刻、スラブの各セグメントへの出入り時刻、スラブの炉内停留時間、ＲＤＴ全長温度曲線等。
プロセスデータ：各規格、各運転状況で実行される加熱プロセスシステム等。
実行可能な実施形態では、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。
遷移材識別：圧延前後製品の鋼種、規格が変化するとスラブの目標出炉温度も一般的に変化する。ロールブランク焼き：３枚、１炉あたり１枚である。圧延遷移材：９～１２枚、１炉あたり３～４枚である。温度遷移材：出炉目標温度遷移、１バッチ可能、大量。
品規混載：各制御セグメント内のスラブ（一部のセグメントは１～２本のスラブだけ進んだ）の鋼種と規格を識別することにより、前後のスラブの出炉温度により要求される変化の幅と方向を判断し、さまざまなレベルを設定する。切替スラブのセグメント内の相対位置（例えば、進み、セグメント前部、セグメント中部、セグメント後部など）に応じて、各スラブに異なる加熱重み係数を与える。
冷温混載：各制御セグメント内のスラブ（一部のセグメントは１～２本のスラブだけ進んだ）の入炉温度を識別し、冷温切替スラブの位置と切替モード（冷－温切り替えと温－冷切り替え）を判断し、切替スラブのセグメント内の相対位置（例えば、進み、段前、段中、段後など）に応じて、各スラブの加熱重み係数を与える。
生産リズム予報：正確な生産リズム予報知識ベースはスラブの余剰在炉時間を予測する鍵であり、主な関連要素は、圧延ラインの異なる鋼種規格、圧延パス、圧延速度に基づいて、その最速生産リズムを確定する圧延能力と、最小在炉時間に対するプロセス要件がある鋼種に対しては、一旦在炉時間が不足すると、早めに出鋼リズムを下げたり、炉待ち温度を止めたりする必要がある最小在炉時間とを含む。
実行可能な実施形態では、スラブ温度予報モデル精度評価知識ベースを取得するステップは、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み、スラブ温度予報モデルの熱交換係数などのパラメータは、炉況の変化に伴い、経時的にドリフトが発生し、モデルの精度が低下した。モデル精度評価知識ベースは、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し、スラブ温度予報精度を保証する。パラメータマップを図４に示す。
実行可能な実施形態では、加熱炉エネルギー効率評価知識ベースを取得するステップは、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。パラメータマップを図５に示す。
実行可能な実施形態では、炉圧判別知識ベースを取得するステップは、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。パラメータマップを図６に示す。
実行可能な実施形態では、空燃比最適化知識ベースを取得するステップは、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。パラメータマップを図７に示す。
Ｓ２０３：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。
実行可能な実施形態では、ビッグデータ知識意思決定ベースは、
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。
加熱システム意思決定知識ベースを取得するステップは、各運転状況での加熱曲線を含む。各規格の最適加熱曲線は多くの要素と関連しており、最適加熱曲線を確定することは炉温の知能制御を実現する前提である。各運転状況での各規格の加熱曲線の合理性は、スラブの加熱品質に直接表れている。パラメータマップを図９に示す。
Ｓ２０４：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。
本発明の実施例において、加熱炉過程制御システムの主な機能は、スラブ物流追跡、温度追跡、炉温最適化設定等のモジュールにより、スラブ温度を制御目標とする最適化制御を実現し、スラブを最適な昇温曲線で目標出炉温度に加熱しつつ、エネルギー消費と焼損を低減する。システムの機能モジュールを図１０に示す。
実行可能な実施形態では、加熱炉材料の追跡ロジックが複雑であり、スラブの搬送方向が多様であるため、検出信号が正確で確実であり、必要な追跡修正機能を支援することが必要とされる。圧延計画を実際のスラブと１対１で対応させ、その位置を正確に追跡し、数学モデルにエントリパラメータを提供する。連続鋳造、ＭＥＳのスラブデータを引き継ぎ、下流工程に伝達する。Ｌ１レベル検出信号を総合的に検証し、確実なロジックトリガ信号を生成する。豊富な修正機能を提供して、スラブの搬送方向のすべての可能性を遍歴する。
Ｓ２０５：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、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。
実行可能な実施形態では、スラブ温度予報モデルでは、スラブ温度予報機能はスラブの出炉が終了するまで炉内のスラブの温度場分布をリアルタイムで計算する。スラブ加熱過程は、複雑であり、燃料の燃焼、気体の流動、熱や物質の移動等の複雑な物理化学過程に関する。スラブ加熱制限要素は、炉のサイズ、炉壁の熱特性、スラブのサイズ、スラブの熱物性、燃料の種類及び熱供給量、空気、燃料予熱温度及び空燃比、炉ガスの熱特性、炉ガスの運動、スラブの運動など、多くある。スラブ温度検出が困難であり、スラブの加熱過程及び出炉温度と均一性を正確に制御するために、炉内でのスラブの昇温過程を予測する、即ち、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必要がある。
Ｓ２０６：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。
好ましくは、炉温最適化モデルを作成するステップＳ２０６は、
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。
実行可能な実施形態では、炉温最適化制御の前提は、Ｌ１レベルで炉温閉ループを実現し、モデルは、炉内スラブの鋼種と規格に基づいて各ゾーンの炉温を動的に調整することである。第１ステップでは、オフライン最適化を行い、基礎炉温計、すなわち炉温カーペットプロットを作成する。鋼種、スラブの厚さ、幅、コイルの幅、厚さ、装入温度、目標温度、在炉時間などの要素を総合的に考慮し、オフライン最適化により最適な昇温過程と最適な炉温を得る。第２ステップでは、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、スラブの昇温プロセス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し、この炉温は、各単一スラブの昇温に必要な炉温である。第３ステップでは、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。図１１に示すとおりである。
Ｓ２０７：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。
実行可能な実施形態では、伝統的な加熱炉燃焼制御システムのボトルネックを打破するために、複雑な生産運転状況と炉況の変化に対応するために、メカニズムモデルとクラウドプラットフォームビッグデータ知識意思決定ベースを融合する。システムは、スイッチを設置することで、ビッグデータ専門家知識ベースがオンライン制御に関与するかどうかを制御する。
本発明の実施形態において、メカニズムモデルは、データ駆動型モデルに対するものであり、一般的には、伝統的なメカニズムに基づいて作成されたモデルを指し、本発明の実施例におけるメカニズムモデルは、スラブ加熱温度場モデルを指す。
ビッグデータ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、各知識ベース情報を総合し、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する。炉内スラブのデータ構造は、以下の通りである。本発明の実施例において、本発明により提供され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、運転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で配信することにより、加熱炉燃焼の知能制御を実現する。
炉内スラブのデータ構造は以下の通りである。
#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]
本発明の実施例において、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、運転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で配信することにより、加熱炉燃焼の知能制御を実現する。
図１２は、例示的な実施例に係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示すブロック図である。図１２に示されたように、この装置３００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。
好ましくは、プラットフォーム構築モジュール３１０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、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。
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。
好ましくは、インフラ層は、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、加熱炉生産過程においてパラメータの収集、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ラットフォームに使用され、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相関性データ知識ベースに使用される。
好ましくは、知識ベース構築モジュール３２０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、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。
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。
好ましくは、知識ベース構築モジュール３２０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、加熱炉の炉況と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。
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。
好ましくは、知識ベース構築モジュール３２０は、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。
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。
好ましくは、モデル配置モジュール３３０は、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。
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。
好ましくは、モデル配置モジュール３３０は、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。
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。
好ましくは、知能制御モジュール３４０は、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。
本発明の実施例において、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で配信することにより、加熱炉燃焼の知能制御を実現する。
図１３は、本発明の実施例により提供される電子装置４００の構造概略図であり、この電子装置４００は、構成または性能によって大きく異なってもよく、１つまたは複数のプロセッサ（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔｓ、ＣＰＵ）４０１と１つまたは複数のメモリ４０２を含むことができ、その中、前記メモリ４０２には、前記プロセッサ４０１によってロードされ、実行されると、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の下記ステップを実現するための少なくとも１つの命令が記憶されている。
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。
例示的な実施例では、端末のプロセッサによって実行されて、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実現するための命令を含むコンピュータ可読記憶媒体も提供する。例えば、前記コンピュータ可読記憶媒体は、ＲＯＭ、ランダムアクセスメモリ（ＲＡＭ）、ＣＤ－ＲＯＭ、磁気テープ、フロッピー（登録商標）ディスク、光データ記憶装置などであってもよい。
当業者は、上述の実施形態を実現するためのすべてまたは一部のステップはハードウェアによって実行することができ、または関連するハードウェアに対してプログラムによって実行を指示することができ、前記プログラムはコンピュータ可読記憶媒体に記憶することができ、上述の記憶媒体は読み取り専用メモリ、磁気ディスク、またはコンパクトディスクなどであってもよいことを理解することができる。
上記は本発明の好適な実施例にすぎず、本発明を限定するものではなく、本発明の精神と原則内で行われたいかなる補正、等価置換、改良などは、本発明の保護範囲に含まれるべきである。
本発明は、人工知能制御の技術分野に関し、特に、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に関する。
知能製造が鉄鋼業界に進むにつれて、各プロセスは技術革新の春を迎え、最先端の概念や技術の導入は鉄鋼製造業の新時代を創造するに違いない。加熱炉は鉄鋼プロセス産業における重要な一環として、上流の原料に加熱と均熱を行い、下流の生産プロセスの要件を満たすためにより良い熱特性を付与することを主な目的とする。長期以来、加熱炉の環境が高温・多塵であり、かつその制御効果に影響する要素が多くて緊密に結合されているため、加熱炉制御システムの自動化レベルは生産ラインの他の段階より低い。また、加熱炉は生産ラインにおいてエネルギーを消費する主の部品でもあり、このため、加熱炉制御システムの知能化レベルを高めることは巨大な経済と社会的利益をもたらす。
加熱炉のエネルギー消費量が高く、加熱炉制御システムの知能化レベルを高めることは巨大な経済と社会的利益をもたらすという従来技術の課題に対して、本発明は、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を提案する。
一態様では、電子装置に適用され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であって、
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。
好ましくは、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、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。
好ましくは、インフラ層は、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。
好ましくは、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、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、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。
好ましくは、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。
好ましくは、前記ステップＳ２２では、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、
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。
好ましくは、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。
好ましくは、前記ステップＳ３３では、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。
好ましくは、前記ステップＳ４では、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は、
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。
一態様では、電子装置に適用され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であって、
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。
一態様では、プロセッサとメモリを備え、前記メモリには、前記プロセッサによってロードされ実行されると、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方法を実現するための少なくとも１つの命令が記憶されている、電子装置を提供する。
一態様では、プロセッサによってロードされ実行されると、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方法を実現するための少なくとも１つの命令が記憶されている、コンピュータ可読記憶媒体を提供する。
本発明の実施形態による上記技術的手段は、少なくとも以下のような有益な効果を有する。
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。
本発明の実施例による技術的手段をより明確に説明するために、以下に、実施例の説明において使用する必要がある図面を簡単に説明する。明らかに、以下の説明における図面は本発明のいくつかの実施例にすぎず、当業者にとっては、創造的な労働を払わずに、これらの図面に基づいて他の図面を得ることができる。
本発明の実施例により提供され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のフローチャートである。 本発明の実施例により提供され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のフローチャートである。 本発明の実施例により提供され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のビッグデータクラウドプラットフォームのアーキテクチャ図である。 本発明の実施例により提供され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のスラブ温度予報モデル精度評価知識ベースのパラメータマップである。 本発明の実施例により提供され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の加熱炉エネルギー効率評価知識ベースのパラメータマップである。 本発明の実施例により提供され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の炉圧判別知識ベースのパラメータマップである。 本発明の実施例により提供され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の空燃比最適化知識ベースのパラメータマップである。 本発明の実施例により提供され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の加熱目標意思決定知識ベースのパラメータマップである。 本発明の実施例により提供され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の加熱システム意思決定知識ベースのパラメータマップである。 本発明の実施例により提供され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の伝統的な加熱炉燃焼制御システムの機能モジュール図である。 本発明の実施例により提供され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の各セグメントの重み値の分配図である。 本発明の実施例により提供され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のブロック図である。 本発明の実施例により提供される電子装置の構造概略図である。
本発明が解決しようとする技術的課題、技術的手段及び利点をより明確にするために、以下、図面及び具体的な実施例を参照して詳細に説明する。
本発明の実施例は、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し、この方法は、電子装置により実現されてもよく、この電子装置は、端末やサーバーであってもよい。図１は、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のフローチャートを示し、この方法の処理流れは、
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。
好ましくは、ステップＳ１０１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。
好ましくは、インフラ層は、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などの研究開発をサポートするプラットフォームに使用され、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相関性データ知識ベースに使用される。
好ましくは、ステップＳ１０２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、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、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。
好ましくは、ステップＳ１２１では、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、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。
好ましくは、ステップＳ１２２では、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、
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。
好ましくは、前記ステップＳ１０３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。
好ましくは、ステップＳ１３３では、炉温最適化モデルを作成するステップは、
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。
好ましくは、ステップＳ１０４では、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は、
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。
本発明の実施例において、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で配信することにより、加熱炉燃焼の知能制御を実現する。
本発明の実施例は、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し、この方法は、電子装置により実現されてもよく、この電子装置は、端末やサーバーであってもよい。図２は、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のフローチャートを示し、この方法の処理流れは、下記のステップＳ２０１～Ｓ２０７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。
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、底層はクラウドプラットフォームインフラ層であり、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を実現する。中間層はビッグデータプラットフォームサポート層であり、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、可視化などの研究開発をサポートするプラットフォームである。最上層は加熱炉生産過程の重要な生産要素の相関性データ知識ベースである。具体的な構造は図３に示される。
実行可能な実施形態では、インフラ層は、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、可視化などの研究開発をサポートするプラットフォームに使用され、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相関性データ知識ベースに使用される。
実行可能な実施形態では、クラウドプラットフォームのインフラ層は、ＯｐｅｎＳｔａｃｋオープンソースプラットフォームに基づいて構築され、ハードウェアリソースの仮想化管理、仮想ローカルエリアネットワーク、ミラー管理、分散型記憶管理、安全認証管理等のサービスを提供する。
ビッグデータプラットフォームサポート層は、主にＨａｄｏｏｐオープンソースプラットフォームに基づいて構築され、ＨＤＦＳ分散型記憶により品質管理産業用ビッグデータの記憶管理を実現し、ＹＡＲＮによりリソースのスケジューリング管理を実現する。データ管理ツールは、ＨＢＡＳＥ、ＨＩＶＥ、ＨＣａｔａｌｏｇなどのコンポーネントを採用して、非リレーショナルデータベース、データウェアハウス、及びメタデータ管理サービスを実現するとともに、これに基づいて関連するデータアクセスインタフェースを開発する。ビッグデータプラットフォームサポート層には、データ収集（Ｓｑｏｏｐ、Ｆａｌｃｏｎ等）、マイニング分析（Ｍａｈｏｕｔ、Ｓｐａｒｋ ＭＬｉｂ、ＴｅｎｓｏｒＦｌｏｗ等）、知識ベース管理ツール、シミュレーションと最適化計算ツール（ＡＮＹＳＹ、ＤＥＦＯＲＭ等）、可視化ツールも集積されている。
加熱炉生産サービス層は、主にＡＰＩインタフェース技術により、生産過程に重要な要素の知識照会と共有サービスを行い、クラウドプラットフォームで研究開発された知識ベースとツールセットに対しては、Ｄｏｃｋｅｒ容器技術によりダウンロードを行う。
Ｓ２０２：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。
実行可能な実施形態では、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、完全な相関性データ知識ベースを作成する。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、パターン学習等に基づいて、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、独立且つ完全なビッグデータ意思決定知識ベースを作成する。
実行可能な実施形態では、加熱炉システムの関連データは、主にＰＬＣ制御システム及びオリジナルのＬ２レベルの制御システムからのものであり、多種のプロトコルを採用して、データ収集システムを上記システムにそれぞれ接続して、元のデータを順調に伝送することを実現する。
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。
運転状況データ：ガス／空気圧力、ガス／空気流量、ガス発熱量、空燃比、生産状態（ロール交換、故障、加熱待ち、圧延待ち）等。
生産データ：スラブ原料情報（長さ、幅、厚さ、重さ、鋼種、成分等）、炉内でのスラブの加熱曲線、炉内でのスラブの炉温履歴曲線、スラブの出炉時刻、スラブの各セグメントへの出入り時刻、スラブの炉内停留時間、ＲＤＴ全長温度曲線等。
プロセスデータ：各規格、各運転状況で実行される加熱プロセスシステム等。
実行可能な実施形態では、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。
遷移材識別：圧延前後製品の鋼種、規格が変化するとスラブの目標出炉温度も一般的に変化する。ロールブランク焼き：３枚、１炉あたり１枚である。圧延遷移材：９～１２枚、１炉あたり３～４枚である。温度遷移材：出炉目標温度遷移、１バッチ可能、大量。
品規混載：各制御セグメント内のスラブ（一部のセグメントは１～２本のスラブだけ進んだ）の鋼種と規格を識別することにより、前後のスラブの出炉温度により要求される変化の幅と方向を判断し、さまざまなレベルを設定する。切替スラブのセグメント内の相対位置（例えば、進み、セグメント前部、セグメント中部、セグメント後部など）に応じて、各スラブに異なる加熱重み係数を与える。
冷温混載：各制御セグメント内のスラブ（一部のセグメントは１～２本のスラブだけ進んだ）の入炉温度を識別し、冷温切替スラブの位置と切替モード（冷－温切り替えと温－冷切り替え）を判断し、切替スラブのセグメント内の相対位置（例えば、進み、段前、段中、段後など）に応じて、各スラブの加熱重み係数を与える。
生産ペースタイム予報：正確な生産ペースタイム予報知識ベースはスラブの余剰在炉時間を予測する鍵であり、主な関連要素は、圧延ラインの異なる鋼種規格、圧延パス、圧延速度に基づいて、その最速生産ペースタイムを確定する圧延能力と、最小在炉時間に対するプロセス要件がある鋼種に対しては、一旦在炉時間が不足すると、早めに出鋼ペースタイムを下げたり、炉待ち温度を止めたりする必要がある最小在炉時間とを含む。
実行可能な実施形態では、スラブ温度予報モデル精度評価知識ベースを取得するステップは、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み、スラブ温度予報モデルの熱交換係数などのパラメータは、炉況の変化に伴い、経時的にドリフトが発生し、モデルの精度が低下した。モデル精度評価知識ベースは、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し、スラブ温度予報精度を保証する。パラメータマップを図４に示す。
実行可能な実施形態では、加熱炉エネルギー効率評価知識ベースを取得するステップは、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。パラメータマップを図５に示す。
実行可能な実施形態では、炉圧判別知識ベースを取得するステップは、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。パラメータマップを図６に示す。
実行可能な実施形態では、空燃比最適化知識ベースを取得するステップは、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。パラメータマップを図７に示す。
Ｓ２０３：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。
実行可能な実施形態では、ビッグデータ意思決定知識ベースは、
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。
加熱システム意思決定知識ベースを取得するステップは、各運転状況での加熱曲線を含む。各規格の最適加熱曲線は多くの要素と関連しており、最適加熱曲線を確定することは炉温の知能制御を実現する前提である。各運転状況での各規格の加熱曲線の合理性は、スラブの加熱品質に直接表れている。パラメータマップを図９に示す。
Ｓ２０４：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。
本発明の実施例において、加熱炉過程制御システムの主な機能は、スラブ物流追跡、温度追跡、炉温最適化設定等のモジュールにより、スラブ温度を制御目標とする最適化制御を実現し、スラブを最適な昇温曲線で目標出炉温度に加熱しつつ、エネルギー消費と焼損を低減する。システムの機能モジュールを図１０に示す。
実行可能な実施形態では、加熱炉材料の追跡ロジックが複雑であり、スラブの搬送方向が多様であるため、検出信号が正確で確実であり、必要な追跡修正機能を支援することが必要とされる。圧延計画を実際のスラブと１対１で対応させ、その位置を正確に追跡し、数学モデルにエントリパラメータを提供する。連続鋳造、ＭＥＳのスラブデータを引き継ぎ、下流工程に伝達する。Ｌ１レベル検出信号を総合的に検証し、確実なロジックトリガ信号を生成する。豊富な修正機能を提供して、スラブの搬送方向のすべての可能性を遍歴する。
Ｓ２０５：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、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。
実行可能な実施形態では、スラブ温度予報モデルでは、スラブ温度予報機能はスラブの出炉が終了するまで炉内のスラブの温度場分布をリアルタイムで計算する。スラブ加熱過程は、複雑であり、燃料の燃焼、気体の流動、熱や物質の移動等の複雑な物理化学過程に関する。スラブ加熱制限要素は、炉のサイズ、炉壁の熱特性、スラブのサイズ、スラブの熱物性、燃料の種類及び熱供給量、空気、燃料予熱温度及び空燃比、炉ガスの熱特性、炉ガスの運動、スラブの運動など、多くある。スラブ温度検出が困難であり、スラブの加熱過程及び出炉温度と均一性を正確に制御するために、炉内でのスラブの昇温過程を予測する、即ち、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必要がある。
Ｓ２０６：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。
好ましくは、炉温最適化モデルを作成するステップＳ２０６は、
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。
実行可能な実施形態では、炉温最適化制御の前提は、Ｌ１レベルで炉温閉ループを実現し、モデルは、炉内スラブの鋼種と規格に基づいて各ゾーンの炉温を動的に調整することである。第１ステップでは、オフライン最適化を行い、基礎炉温計、すなわち炉温カーペットプロットを作成する。鋼種、スラブの厚さ、幅、コイルの幅、厚さ、装入温度、目標温度、在炉時間などの要素を総合的に考慮し、オフライン最適化により最適な昇温過程と最適な炉温を得る。第２ステップでは、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、スラブの昇温プロセス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し、この炉温は、各単一スラブの昇温に必要な炉温である。第３ステップでは、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。図１１に示すとおりである。
Ｓ２０７：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。
実行可能な実施形態では、伝統的な加熱炉燃焼制御システムのボトルネックを打破するために、複雑な生産運転状況と炉況の変化に対応するために、メカニズムモデルとクラウドプラットフォームビッグデータ意思決定知識ベースを融合する。システムは、スイッチを設置することで、ビッグデータ専門家知識ベースがオンライン制御に関与するかどうかを制御する。
本発明の実施形態において、メカニズムモデルは、データ駆動型モデルに対するものであり、一般的には、伝統的なメカニズムに基づいて作成されたモデルを指し、本発明の実施例におけるメカニズムモデルは、スラブ加熱温度場モデルを指す。
ビッグデータ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、各知識ベース情報を総合し、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する。炉内スラブのデータ構造は、以下の通りである。本発明の実施例において、本発明により提供され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、運転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で配信することにより、加熱炉燃焼の知能制御を実現する。
炉内スラブのデータ構造は以下の通りである。
#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]
本発明の実施例において、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、運転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で配信することにより、加熱炉燃焼の知能制御を実現する。
図１２は、例示的な実施例に係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示すブロック図である。図１２に示されたように、この装置３００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。
好ましくは、プラットフォーム構築モジュール３１０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、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。
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。
好ましくは、インフラ層は、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、加熱炉生産過程においてパラメータの収集、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ラットフォームに使用され、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相関性データ知識ベースに使用される。
好ましくは、知識ベース構築モジュール３２０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、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。
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。
好ましくは、知識ベース構築モジュール３２０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、加熱炉の炉況と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。
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。
好ましくは、知識ベース構築モジュール３２０は、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。
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。
好ましくは、モデル配置モジュール３３０は、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。
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。
好ましくは、モデル配置モジュール３３０は、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。
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。
好ましくは、知能制御モジュール３４０は、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。
本発明の実施例において、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で配信することにより、加熱炉燃焼の知能制御を実現する。
図１３は、本発明の実施例により提供される電子装置４００の構造概略図であり、この電子装置４００は、構成または性能によって大きく異なってもよく、１つまたは複数のプロセッサ（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔｓ、ＣＰＵ）４０１と１つまたは複数のメモリ４０２を含むことができ、その中、前記メモリ４０２には、前記プロセッサ４０１によってロードされ、実行されると、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の下記ステップを実現するための少なくとも１つの命令が記憶されている。
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。
例示的な実施例では、端末のプロセッサによって実行されて、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実現するための命令を含むコンピュータ可読記憶媒体も提供する。例えば、前記コンピュータ可読記憶媒体は、ＲＯＭ、ランダムアクセスメモリ（ＲＡＭ）、ＣＤ－ＲＯＭ、磁気テープ、フロッピー（登録商標）ディスク、光データ記憶装置などであってもよい。
当業者は、上述の実施形態を実現するためのすべてまたは一部のステップはハードウェアによって実行することができ、または関連するハードウェアに対してプログラムによって実行を指示することができ、前記プログラムはコンピュータ可読記憶媒体に記憶することができ、上述の記憶媒体は読み取り専用メモリ、磁気ディスク、またはコンパクトディスクなどであってもよいことを理解することができる。
上記は本発明の好適な実施例にすぎず、本発明を限定するものではなく、本発明の精神と原則内で行われたいかなる補正、等価置換、改良などは、本発明の保護範囲に含まれるべきである。

Claims (7)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
JP2023144974A 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 Active JP7510722B2 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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