JP2506486B2 - 高炉装入物分布制御方法 - Google Patents
高炉装入物分布制御方法Info
- Publication number
- JP2506486B2 JP2506486B2 JP15169790A JP15169790A JP2506486B2 JP 2506486 B2 JP2506486 B2 JP 2506486B2 JP 15169790 A JP15169790 A JP 15169790A JP 15169790 A JP15169790 A JP 15169790A JP 2506486 B2 JP2506486 B2 JP 2506486B2
- Authority
- JP
- Japan
- Prior art keywords
- furnace
- gas flow
- neural network
- tendency
- input
- 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.)
- Expired - Fee Related
Links
Landscapes
- Manufacture Of Iron (AREA)
Description
【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、高炉操業におけるステーブ熱負荷を安定に
管理範囲内に維持し、適切なガス流れ分布を確保するこ
とを目的とするベルレス高炉装入物分布制御方法に関す
る。
管理範囲内に維持し、適切なガス流れ分布を確保するこ
とを目的とするベルレス高炉装入物分布制御方法に関す
る。
ベルレス高炉において、炉体熱負荷すなわち炉内ガス
流れを管理する方法としては、従来一般に高炉オペレー
タが高炉に設置された種々のセンサからの情報を定性的
に判定して、炉内ガス流れ、炉体熱負荷の評価を行い、
旋回シュートの傾動パターンの変更を行うという方法が
とられているが、その評価の結果にはオペレータの能力
や経験等による個人差があり、操業アクションの基準化
が難しいと共に評価が定量的でないため、操業解析が困
難であるというう問題点があった。
流れを管理する方法としては、従来一般に高炉オペレー
タが高炉に設置された種々のセンサからの情報を定性的
に判定して、炉内ガス流れ、炉体熱負荷の評価を行い、
旋回シュートの傾動パターンの変更を行うという方法が
とられているが、その評価の結果にはオペレータの能力
や経験等による個人差があり、操業アクションの基準化
が難しいと共に評価が定量的でないため、操業解析が困
難であるというう問題点があった。
このような問題を解決するため特開昭58−87209号公
報に開示されているような炉内ガス流れを定量評価し、
旋回シュート傾動ポジションを変更する方法が提案され
ている。このベルレス高炉の原料装入方法は各種センサ
情報から炉内ガス流分布におけるガス流れを中心流、中
間流、炉壁流に分別した上でそれらをそれぞれ三角形の
頂点に配し、かつ該中心流〜中間流間の辺と炉壁流〜中
間流間の辺とに旋回数Ｎと傾動角θの組合せにかかる旋
回シュート傾動ポジションの指数を目盛ってなる装入パ
ターン表示三角ダイヤグラムを作成し、現在の原料分配
位置をこの三角ダイヤグラム上に表示させる一方、その
ダイヤグラム表示に基ずき炉体熱負荷、ガス温度、ガス
利用率に代表される炉況指数との対応において次回装入
パターンを決定し、旋回シュートを調整して装入を行
い、ベルレス高炉の適切なガス流れ分布が実現されてい
る。
報に開示されているような炉内ガス流れを定量評価し、
旋回シュート傾動ポジションを変更する方法が提案され
ている。このベルレス高炉の原料装入方法は各種センサ
情報から炉内ガス流分布におけるガス流れを中心流、中
間流、炉壁流に分別した上でそれらをそれぞれ三角形の
頂点に配し、かつ該中心流〜中間流間の辺と炉壁流〜中
間流間の辺とに旋回数Ｎと傾動角θの組合せにかかる旋
回シュート傾動ポジションの指数を目盛ってなる装入パ
ターン表示三角ダイヤグラムを作成し、現在の原料分配
位置をこの三角ダイヤグラム上に表示させる一方、その
ダイヤグラム表示に基ずき炉体熱負荷、ガス温度、ガス
利用率に代表される炉況指数との対応において次回装入
パターンを決定し、旋回シュートを調整して装入を行
い、ベルレス高炉の適切なガス流れ分布が実現されてい
る。
特開昭58−87209号公報の方法では、測定時のセンサ
情報だけでガス流れが判定されており過去にオペレータ
が行った旋回シュートの調整により炉内ガス流れの変化
等についての調整効果の把握がなされておらず、依然と
して最終的な調整判断はオペレータにまかされている。
情報だけでガス流れが判定されており過去にオペレータ
が行った旋回シュートの調整により炉内ガス流れの変化
等についての調整効果の把握がなされておらず、依然と
して最終的な調整判断はオペレータにまかされている。
また、このような分布制御はオペレータの知識を具現
化することによってはじめて可能となるものであり、そ
のために現在ではAI技術を適用したエキスパートシステ
ムを構築する方法もある。しかし、前述のようにオペレ
ータの知識は複雑多岐に亘っておりかつ定性的であるた
め、知識を抽出することが困難で、従来オペレータが行
っていた操業の代りとなるシステムにはかなり難いとい
う問題点があった。
化することによってはじめて可能となるものであり、そ
のために現在ではAI技術を適用したエキスパートシステ
ムを構築する方法もある。しかし、前述のようにオペレ
ータの知識は複雑多岐に亘っておりかつ定性的であるた
め、知識を抽出することが困難で、従来オペレータが行
っていた操業の代りとなるシステムにはかなり難いとい
う問題点があった。
また、従来方法で特に困難なのは、センサ情報からガ
ス流れを判断するところにある。
ス流れを判断するところにある。
１日平均値の数日間にわたる（数十日になることもあ
る）トレンドグラフを見ながらオペレータは傾向判断を
しているが、ばらつきが多い上、他の外乱の影響もあっ
て正確にガス流れを判定するのは困難であった。さらに
固定ゾンデなどは炉半径方向の分布データであり分布を
オペレータが直感的に目視で評価するのは可能であった
が、統一されたロジックで定量化することは難しかっ
た。
る）トレンドグラフを見ながらオペレータは傾向判断を
しているが、ばらつきが多い上、他の外乱の影響もあっ
て正確にガス流れを判定するのは困難であった。さらに
固定ゾンデなどは炉半径方向の分布データであり分布を
オペレータが直感的に目視で評価するのは可能であった
が、統一されたロジックで定量化することは難しかっ
た。
本発明は、ベルレス式高炉の旋回シュート傾動パター
ンを炉内ガス流れ状況に基づいて設定変更する装入物分
布制御方法において、複数ユニットが２層以上の層状に
接続され、各隣接層間のユニット同士が情報伝達リンク
で結合され、入力された情報は下位層から上位層に向け
て順方向に伝播していくことを基本仕様とする第１の階
層型ニューラルネットワークを用い、固定ゾンデ温度分
布やシャフト部ガス利用率分布の炉内内径方向各位置に
おける値を該第１の階層型ニューラルネットワークの入
力層各ユニットに入力し、ガス流れの傾向を無次元の０
〜１の値で定量化したガス流れ傾向指数を出力として求
め、第１のニューラルネットワークと同様の第２のニュ
ーラルネットワークを用い、前記ガス流れ傾向指数、ス
テーブ熱負荷、ステーブレンガ温度、原料層厚比、疎密
指数、装入物のプロフィール、旋回シュート平均傾動角
の時系列データの直近数日間分の各日内平均値を第２の
ニューラルネットワークの入力層各ユニットに入力し、
時系列の単位毎に炉内ガス流れの中心流の増減傾向、炉
壁流の増減傾向を出力として求め、該出力に基づいて旋
回シュートの各旋回ごとの傾動角を決定変更して制御す
ることを特徴とする高炉装入物分布制御方法である。
ンを炉内ガス流れ状況に基づいて設定変更する装入物分
布制御方法において、複数ユニットが２層以上の層状に
接続され、各隣接層間のユニット同士が情報伝達リンク
で結合され、入力された情報は下位層から上位層に向け
て順方向に伝播していくことを基本仕様とする第１の階
層型ニューラルネットワークを用い、固定ゾンデ温度分
布やシャフト部ガス利用率分布の炉内内径方向各位置に
おける値を該第１の階層型ニューラルネットワークの入
力層各ユニットに入力し、ガス流れの傾向を無次元の０
〜１の値で定量化したガス流れ傾向指数を出力として求
め、第１のニューラルネットワークと同様の第２のニュ
ーラルネットワークを用い、前記ガス流れ傾向指数、ス
テーブ熱負荷、ステーブレンガ温度、原料層厚比、疎密
指数、装入物のプロフィール、旋回シュート平均傾動角
の時系列データの直近数日間分の各日内平均値を第２の
ニューラルネットワークの入力層各ユニットに入力し、
時系列の単位毎に炉内ガス流れの中心流の増減傾向、炉
壁流の増減傾向を出力として求め、該出力に基づいて旋
回シュートの各旋回ごとの傾動角を決定変更して制御す
ることを特徴とする高炉装入物分布制御方法である。
本発明のポイントは、ニューラルネットワークの直観
的パターン認識能力を利用したところにある。
的パターン認識能力を利用したところにある。
温度やガスの炉半径方向分布は一種のパターン情報で
ある。また、本制御ではあらゆる情報の時系列データを
トレンドで表現し、その傾向をパターンとして判断す
る。『上がってきた』とか『下がってきた』とかいう判
断もパターン情報判断である。
ある。また、本制御ではあらゆる情報の時系列データを
トレンドで表現し、その傾向をパターンとして判断す
る。『上がってきた』とか『下がってきた』とかいう判
断もパターン情報判断である。
本発明によれば、各種の高炉操業データのうち炉内ガ
ス流れの炉内半径方向分布の中心流の増減傾向または炉
壁流の増減傾向及びその時間変化をパターンとしてニュ
ーラルネットワークにより判断する。そのパターン情報
及び当面の状態値に基づいて旋回シュートの傾動角パタ
ーンを設定する。この設定に基づいて旋回シュートの傾
動を制御するようにしたから、最も適切なアクションを
とることができる。したがって、ステーブ熱負荷や装入
の安定した高炉操業ができるようになる。
ス流れの炉内半径方向分布の中心流の増減傾向または炉
壁流の増減傾向及びその時間変化をパターンとしてニュ
ーラルネットワークにより判断する。そのパターン情報
及び当面の状態値に基づいて旋回シュートの傾動角パタ
ーンを設定する。この設定に基づいて旋回シュートの傾
動を制御するようにしたから、最も適切なアクションを
とることができる。したがって、ステーブ熱負荷や装入
の安定した高炉操業ができるようになる。
以下本発明の実施例を図面に基づいて説明する。第１
図は本発明を実施するためのシステム構成例である。
図は本発明を実施するためのシステム構成例である。
高炉１へは旋回シュート２を利用して原料であるコー
クスと鉱石が交互に供給される。旋回シュート２は第２
図（ａ）に示すように旋回速度Ｒと傾動角αを任意に変
更可能な自由度の高い装入装置である。通常約14旋回で
炉内へ１バッチ分の原料を装入することができるように
上部バンカーからの排出速度が調整されている。また、
旋回シュート２は各旋回毎に傾動角を変更することがで
きる。第２図（ｂ）の縦軸に示すように角度をあるノッ
チ数でわかりやすくして定義しておく。例えば α＝55°：ノッチ１ α＝52°：ノッチ２ α＝45°：ノッチ３ というように定めておく。
クスと鉱石が交互に供給される。旋回シュート２は第２
図（ａ）に示すように旋回速度Ｒと傾動角αを任意に変
更可能な自由度の高い装入装置である。通常約14旋回で
炉内へ１バッチ分の原料を装入することができるように
上部バンカーからの排出速度が調整されている。また、
旋回シュート２は各旋回毎に傾動角を変更することがで
きる。第２図（ｂ）の縦軸に示すように角度をあるノッ
チ数でわかりやすくして定義しておく。例えば α＝55°：ノッチ１ α＝52°：ノッチ２ α＝45°：ノッチ３ というように定めておく。
横軸に第１〜14旋回をとり、その各旋回面ごとにノッ
チ数を設定すれば、第２図（ｂ）のパターンを得ること
ができ、これに従って第１図の旋回シュート制御装置８
が作動して旋回シュート２を設定通りに回転・傾動する
ことが可能なようになっている。
チ数を設定すれば、第２図（ｂ）のパターンを得ること
ができ、これに従って第１図の旋回シュート制御装置８
が作動して旋回シュート２を設定通りに回転・傾動する
ことが可能なようになっている。
高炉のプロセスコンピュータ３は炉内各所の検出端情
報９を集中的に管理する機能を持っている。したがっ
て、本発明に必要なすべての測定データやそれらを基に
計算された操業データ類はすべてこのプロセスコンピュ
ータ３に一定期間過去のデータも含めて保存されてい
る。
報９を集中的に管理する機能を持っている。したがっ
て、本発明に必要なすべての測定データやそれらを基に
計算された操業データ類はすべてこのプロセスコンピュ
ータ３に一定期間過去のデータも含めて保存されてい
る。
本発明を実行する専用コンピュータ４は、前記データ
９の入力手段５を備え、さらにそれらの入力データを用
いてパターン判断計算をする第１、第２のニューラルネ
ットワーク６（分布データ処理用を６−１、時系列デー
タ処理用を６−２とした）を備えている。さらに計算結
果をCRTに表示する手段７をもち、結果をオペレータに
知らしめることができる。
９の入力手段５を備え、さらにそれらの入力データを用
いてパターン判断計算をする第１、第２のニューラルネ
ットワーク６（分布データ処理用を６−１、時系列デー
タ処理用を６−２とした）を備えている。さらに計算結
果をCRTに表示する手段７をもち、結果をオペレータに
知らしめることができる。
以上が本発明を実施するための具体的構成例である。
コンピュータ３と４は同一装置でもかまわない。本発明
のプログラムは１日１回の頻度で作動する。
コンピュータ３と４は同一装置でもかまわない。本発明
のプログラムは１日１回の頻度で作動する。
次にさらに詳細な実施例を説明する。データ入力手段
５がプロセスコンピュータから入力するデータは下記の
通りである。
５がプロセスコンピュータから入力するデータは下記の
通りである。
（ａ）ステーブ熱負荷： ステーブから抜熱される熱量を示すデータ、 （ｂ）ガスサンプラN1〜N10： ガスサンプラで測定されたシャフト部ガス利用率分布
であり、Ｎの右下の添字は半径方向の位置を示す。１が
中心側、10が炉壁側２〜９はその中間点である。ガス利
用率Ｎ値の定義は である。
であり、Ｎの右下の添字は半径方向の位置を示す。１が
中心側、10が炉壁側２〜９はその中間点である。ガス利
用率Ｎ値の定義は である。
（ｃ）固定ゾンデ温度T1〜T6： 固定ゾンデで測定された半径方向ガス温度分布であ
り、T1が中心側、T6が炉壁側、T2〜T5はその中間部であ
る。
り、T1が中心側、T6が炉壁側、T2〜T5はその中間部であ
る。
（ｄ）シャフト圧損： シャフト部上段と下段に設置された圧力計の測定値の
差。
差。
（ｅ）Lo/Lc: 原料装入直前のサウンジング降下距離からの鉱石層厚
（Lo）とコークス層厚（Lc）の比。
（Lo）とコークス層厚（Lc）の比。
（ｆ）疎密指数（原料装入間隔を示す値）： （ｇ）プロフィール計炉壁フラット部長さ（Ｌ）と傾斜
角（θ）： プロフィール計で測定された装入物表面形状を第３図
に示すように指数化したもの。
角（θ）： プロフィール計で測定された装入物表面形状を第３図
に示すように指数化したもの。
（ｈ）過去のアクション履歴： 過去数日分とったアクションをCPI指数で定量化した
もの これらのうち、ガスサンプラーのＮ値と固定ゾンデ温
度は例えば第４図（ａ）、（ｂ）のような炉半径方向の
分布情報である。これに対し、第５図（ａ）、（ｂ）の
ように入力層としてN1〜N10、T1〜T6の各データをそれ
ぞれユニットに割付け、出力層としてガス流れ傾向指数
をもつ第１のニューラルネットワーク群（６−１）を構
成する。本例では３層構造とし、中間の隠れ層を１層設
けた。隠れ層のユニット数は任意である。ユニットの内
部関数は入力層は「通過」（through）、隠れ層と出力
層はシグモイド関数とした。また層構造とは別に常に１
の値をもつバイアスユニットを設け隠れ層と出力層の各
ユニットとリンクさせた。これによりスカッシング関数
のしきい値学習も可能となる。
もの これらのうち、ガスサンプラーのＮ値と固定ゾンデ温
度は例えば第４図（ａ）、（ｂ）のような炉半径方向の
分布情報である。これに対し、第５図（ａ）、（ｂ）の
ように入力層としてN1〜N10、T1〜T6の各データをそれ
ぞれユニットに割付け、出力層としてガス流れ傾向指数
をもつ第１のニューラルネットワーク群（６−１）を構
成する。本例では３層構造とし、中間の隠れ層を１層設
けた。隠れ層のユニット数は任意である。ユニットの内
部関数は入力層は「通過」（through）、隠れ層と出力
層はシグモイド関数とした。また層構造とは別に常に１
の値をもつバイアスユニットを設け隠れ層と出力層の各
ユニットとリンクさせた。これによりスカッシング関数
のしきい値学習も可能となる。
次に、上例で求めたガス流れ傾向指数N0、T0のほか
に、第６図に一例を示すように、ステーブ熱負荷、シャ
フト圧損、Lo/Lc、疎密指数、Ｌ、σ、CPI指数などの時
系列情報の１日平均値を30日分入力する。CPI指数とは
旋回シュートの傾動角をひとつの数字で表現するため作
ったもので各旋回ごとの傾動角を平均することによって
求められる。
に、第６図に一例を示すように、ステーブ熱負荷、シャ
フト圧損、Lo/Lc、疎密指数、Ｌ、σ、CPI指数などの時
系列情報の１日平均値を30日分入力する。CPI指数とは
旋回シュートの傾動角をひとつの数字で表現するため作
ったもので各旋回ごとの傾動角を平均することによって
求められる。
ただし、n:旋回数 θj：第ｊ回目の傾動角 である。これらに対してそれぞれ30個の入力ユニットを
持ち、出力層として中心流増減傾向、中間流増減傾向、
炉壁流増減傾向を指示する３つのユニットを設けた第２
のニューラルネットワーク群（６−２）を用意する。本
例でも第６図に示すように第１のニューラルネットワー
ク群（６−１）と同様なネットワーク構造とした。
持ち、出力層として中心流増減傾向、中間流増減傾向、
炉壁流増減傾向を指示する３つのユニットを設けた第２
のニューラルネットワーク群（６−２）を用意する。本
例でも第６図に示すように第１のニューラルネットワー
ク群（６−１）と同様なネットワーク構造とした。
まずこのネットワークは熟練オペレータの判断結果をも
とに参照入力とその時の教師出力を何パターンか与え、
バックプロパゲーション法によって学習させる。学習後
のネットワークにリアルタイムでオンライン情報をもと
に出力が計算されていく。
とに参照入力とその時の教師出力を何パターンか与え、
バックプロパゲーション法によって学習させる。学習後
のネットワークにリアルタイムでオンライン情報をもと
に出力が計算されていく。
第６図は第２のニューラルネットワークのうちステー
ブ熱負荷の時系列データを利用した例を示している。こ
のネットワークをオンラインで動作させた結果のトレン
ドのグラフを第７図に示した。途中炉壁流増加傾向が強
まり、第７図（ａ）に示すように炉壁熱負荷が上昇し、
中心流傾向度（第７図（ｂ））、炉壁流傾向度（第７図
（ｄ））の変化が出力されたのでその結果に基づいてオ
ペレータが適切なアクションをとったため、（第７図
（ｅ））適正ガス分布に回復させることができた。
ブ熱負荷の時系列データを利用した例を示している。こ
のネットワークをオンラインで動作させた結果のトレン
ドのグラフを第７図に示した。途中炉壁流増加傾向が強
まり、第７図（ａ）に示すように炉壁熱負荷が上昇し、
中心流傾向度（第７図（ｂ））、炉壁流傾向度（第７図
（ｄ））の変化が出力されたのでその結果に基づいてオ
ペレータが適切なアクションをとったため、（第７図
（ｅ））適正ガス分布に回復させることができた。
本発明によって高炉の適切なガス流分布判定が可能と
なり、従来よりも的確でタイムリーなアクションが可能
となった。このため、ステーブ熱負荷やガス流分布が安
定に維持されるとともに、スリップ回数等も減少し、荷
下がりが安定するようになった。
なり、従来よりも的確でタイムリーなアクションが可能
となった。このため、ステーブ熱負荷やガス流分布が安
定に維持されるとともに、スリップ回数等も減少し、荷
下がりが安定するようになった。
第１図は本発明方法の実施に用いる全体構成のブロック
図、第２図は旋回シュートのパターンを示すヒストグラ
ム、第３図は炉頂プロフィール計測定値から得られる指
数の説明図、第４図はガスサンプラーと固定温度ゾンデ
測定値の例を示すグラフ、第５図は同上の分布図判定用
ニューラルネットワークの構成図、第６図は時系列デー
タからガス流れ傾向度を推定するニューラルネットワー
クの構成図、第７図は実操業例のグラフである。 １…高炉 ２…旋回シュート ３…プロセスコンピュータ ４…専用コンピュータ ５…データ入力手段 ６…ニューラルネットワーク群 ７…データ出力表示手段 ８…旋回シュート制御装置 ９…各種センサ
図、第２図は旋回シュートのパターンを示すヒストグラ
ム、第３図は炉頂プロフィール計測定値から得られる指
数の説明図、第４図はガスサンプラーと固定温度ゾンデ
測定値の例を示すグラフ、第５図は同上の分布図判定用
ニューラルネットワークの構成図、第６図は時系列デー
タからガス流れ傾向度を推定するニューラルネットワー
クの構成図、第７図は実操業例のグラフである。 １…高炉 ２…旋回シュート ３…プロセスコンピュータ ４…専用コンピュータ ５…データ入力手段 ６…ニューラルネットワーク群 ７…データ出力表示手段 ８…旋回シュート制御装置 ９…各種センサ
Claims (1)
- 【請求項１】ベルレス式高炉の旋回シュート傾動パター
ンを炉内ガス流れ状況に基づいて設定変更する装入物分
布制御方法において、 複数ユニットが２層以上の層状に接続され、各隣接層間
のユニット同士が情報伝達リンクで結合され、入力され
た情報は下位層から上位層に向けて順方向に伝播してい
くことを基本仕様とする第１の階層型ニューラルネット
ワークを用い、 固定ゾンデ温度分布やシャフト部ガス利用率分布の炉内
半径方向各位置における値を該第１の階層型ニューラル
ネットワークの入力層各ユニットに入力し、ガス流れの
傾向を無次元の０〜１の値で定量化したガス流れ傾向指
数を出力として求め、 第１のニューラルネットワークと同様の第２のニューラ
ルネットワークを用い、前記ガス流れ傾向指数、ステー
ブ熱負荷、ステーブレンガ温度、原料層厚比、疎密指
数、装入物のプロフィール、旋回シュート平均傾動角の
時系列データの直近数日間分の各日内平均値を第２のニ
ューラルネットワークの入力層各ユニットに入力し、時
系列の単位毎に炉内ガス流れの中心流の増減傾向、炉壁
流の増減傾向を出力として求め、 該出力に基づいて旋回シュートの各旋回ごとの傾動角を
決定変更して制御することを特徴とする高炉装入物分布
制御方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15169790A JP2506486B2 (ja) | 1990-06-12 | 1990-06-12 | 高炉装入物分布制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15169790A JP2506486B2 (ja) | 1990-06-12 | 1990-06-12 | 高炉装入物分布制御方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0445210A JPH0445210A (ja) | 1992-02-14 |
| JP2506486B2 true JP2506486B2 (ja) | 1996-06-12 |
Family
ID=15524288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP15169790A Expired - Fee Related JP2506486B2 (ja) | 1990-06-12 | 1990-06-12 | 高炉装入物分布制御方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2506486B2 (ja) |
-
1990
- 1990-06-12 JP JP15169790A patent/JP2506486B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0445210A (ja) | 1992-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001527B (zh) | 多特征融合深度神经网络的工业生产过程目标数据预测方法 | |
| Lennox et al. | Industrial application of neural networks—an investigation | |
| Cox et al. | Application of neural computing in basic oxygen steelmaking | |
| CN103614498B (zh) | 一种高炉炉壁三维温度场重建方法及计算机监控系统 | |
| US20230080871A1 (en) | Method for estimating throat temperature of blast furnace based on multilayer ore-to-coke ratio distribution model | |
| Yang et al. | Development of blast furnace burden distribution process modeling and control | |
| Yue et al. | Multivariate nonparametric control chart with variable sampling interval | |
| CN107862877A (zh) | 一种城市交通信号模糊控制方法 | |
| CN114626303A (zh) | 一种基于神经网络的高炉炉温预测及指导操作的方法 | |
| CN1403594A (zh) | 智能控制高炉冶炼的系统 | |
| CN104019661A (zh) | 回转窑控制系统 | |
| CN108800967A (zh) | 基于神经网络的环冷机温度控制方法及系统 | |
| JP2506486B2 (ja) | 高炉装入物分布制御方法 | |
| CN113517037B (zh) | 一种数据与知识融合的烧结矿FeO预测方法及系统 | |
| JP2506485B2 (ja) | 高炉装入物分布制御方法 | |
| CN113299352B (zh) | 一种烧结台车的料层厚度动态预测系统及方法 | |
| KR20200013143A (ko) | 고로의 용선온도 예측 장치 및 방법 | |
| US20240085866A1 (en) | Method and device for intelligent control of heating furnace combustion based on a big data cloud platform | |
| CN112070408A (zh) | 基于大数据和深度学习的烧结矿成分预报模型 | |
| JP3039279B2 (ja) | ベルレス高炉装入物の分布制御の支援方法 | |
| KR101858860B1 (ko) | 고로 노열 제어 장치 | |
| JP7485918B2 (ja) | 炉況評価装置、炉況評価方法、及び炉況評価プログラム、並びに、学習済みモデルの生成方法 | |
| Shen et al. | Velocity and size measurement of falling particles with fuzzy PTV | |
| CN114185976A (zh) | 一种高炉可视化智能感知平台 | |
| CN113790817B (zh) | 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |