JP2888125B2 - コークス工場の操業支援方法 - Google Patents
コークス工場の操業支援方法Info
- Publication number
- JP2888125B2 JP2888125B2 JP1173494A JP1173494A JP2888125B2 JP 2888125 B2 JP2888125 B2 JP 2888125B2 JP 1173494 A JP1173494 A JP 1173494A JP 1173494 A JP1173494 A JP 1173494A JP 2888125 B2 JP2888125 B2 JP 2888125B2
- Authority
- JP
- Japan
- Prior art keywords
- coke
- data
- quality
- regression equation
- category
- 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 - Lifetime
Links
Landscapes
- Coke Industry (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】本発明はコークス製造工程におい
てその品質を予測・制御するコークス工場の操業支援方
法に関するものである。
てその品質を予測・制御するコークス工場の操業支援方
法に関するものである。
【０００２】
【従来の技術】従来この種の操業支援方法には、例えば
特開平４−６１９２５号公報に提案されている「石炭配
合計画制御システム」、特開平４−５７８８５号公報に
提案されている「コークス生産自動化システム」等があ
る。これらのシステムは、エキスパートシステムを用い
て、配合比計算の制約条件、目的（評価）関数の選定を
行った後、数理計画法に基いて配合比を算出するもので
ある。図７はこのシステムの構成を示したブロック図で
ある。図において、Ａ，Ｂ，Ｄ，ＥはＡＩシステムであ
り、Ｃは配合比の最適計算を行うための処理ブロックで
ある。
特開平４−６１９２５号公報に提案されている「石炭配
合計画制御システム」、特開平４−５７８８５号公報に
提案されている「コークス生産自動化システム」等があ
る。これらのシステムは、エキスパートシステムを用い
て、配合比計算の制約条件、目的（評価）関数の選定を
行った後、数理計画法に基いて配合比を算出するもので
ある。図７はこのシステムの構成を示したブロック図で
ある。図において、Ａ，Ｂ，Ｄ，ＥはＡＩシステムであ
り、Ｃは配合比の最適計算を行うための処理ブロックで
ある。
【０００３】
【発明が解決しようとする課題】図７の従来のシステム
には次のような問題点が指摘される。 （１）ルール獲得及びルールのメンテナンスが必要であ
り、システムの構築・維持に要する作業負荷が高い。 （２）配合後の石炭品位（灰分、揮発分、最高流動度
等）に基いて配合比を決定するシステムであり、石炭銘
柄個々の特性は考慮されていない。高炉のコークス使用
量の低下等によりヤード備蓄銘柄数が減少し、少品種配
合となった場合には、銘柄個々の特性が強く出るため、
このシステムでは精度の良い品質予測は難しい。 （３）エキスパートシステムの推論及び最適計算を行う
ため、処理に多大な時間を要し、作業効率が悪い。
には次のような問題点が指摘される。 （１）ルール獲得及びルールのメンテナンスが必要であ
り、システムの構築・維持に要する作業負荷が高い。 （２）配合後の石炭品位（灰分、揮発分、最高流動度
等）に基いて配合比を決定するシステムであり、石炭銘
柄個々の特性は考慮されていない。高炉のコークス使用
量の低下等によりヤード備蓄銘柄数が減少し、少品種配
合となった場合には、銘柄個々の特性が強く出るため、
このシステムでは精度の良い品質予測は難しい。 （３）エキスパートシステムの推論及び最適計算を行う
ため、処理に多大な時間を要し、作業効率が悪い。
【０００４】
【課題を解決するための手段】本発明は上記の問題点を
解決するために以下に示す手段を採用している。 （１）配合からコークス炉体及びＣＤＱ（コークス乾式
消火設備：Coke Dry Quencer）に至る石炭（コークス）
の履歴をトラッキングし、既に製造された各コークスに
ついてその品質に影響を与える操業データ及びその品質
データを収集する。ここで、操業データとしては、例え
ばコークスの品質を特定する要因となる石炭の各銘柄の
特性を表す情報（銘柄毎品位）、銘柄の組み合わせ、配
合後の石炭品位、配合炭内の個々の銘柄品位のバラツ
キ、コークス炉の操業状態に関するセンサデータ等があ
る。 （２）この収集されたデータを、品質予測に関する回帰
分析用データとして計算機のデイスクに蓄積する。 （３）収集された事例は操業の類似性を評価する距離式
を用いて、複数のカテゴリーに自動的に分類される。具
体的には後述の［数１］と同様にして距離Ｊを求め、こ
の距離Ｊが小さい順番に並べて或る閾値により区切って
分類する。この場合、Ｒには他の事例が代入されること
となる。なお、［数１］のＸには、上記（１）で収集さ
れたデータが用いられ、Ｒにも同種のデータ用いられ
る。 （４）オペレータは分類された操業データ毎に回帰分析
を行ない、カテゴリー毎に精度の良い品質予測回帰式を
設定しておく。但し、これは初期設定であり、１回の操
作で十分である。 （５）操業アクションを行う場合には、その操業アクシ
ョンの操業データが属するカテゴリーを判定する。どの
カテゴリーに属するかは、各カテゴリーの中心（［数
１］のＸを中心する）との距離を求めることで判断され
る。そして、該当するカテゴリーの品質予測回帰式を用
いてコークス品質を予測してガイダンスする。 （６）オペレータはガイダンスに基づいて配合比を変更
する。システムはその結果（品質予測の成功、失敗）を
自動的に判定し、操業の類似性分類に用いる距離式のパ
ラメータを予測成功率が向上する方向に自動調整する。 （７）新たに追加された操業データを用いて、回帰式の
係数を自動的に再計算する。以上の手段を用いれば、従
来システムのようなルール獲得及びルールのメンテナン
スが不要であり、システムの維持に要する作業負荷は低
い。また、石炭銘柄個々の特性やコークス炉の操業状態
を考慮して分類された回帰式を用いて配合比を決定して
いるため精度の良い品質制御が可能である。更に、回帰
式の選択は予め分類されたカテゴリを検索するのみです
むため、処理時間は数秒あれば十分である。
解決するために以下に示す手段を採用している。 （１）配合からコークス炉体及びＣＤＱ（コークス乾式
消火設備：Coke Dry Quencer）に至る石炭（コークス）
の履歴をトラッキングし、既に製造された各コークスに
ついてその品質に影響を与える操業データ及びその品質
データを収集する。ここで、操業データとしては、例え
ばコークスの品質を特定する要因となる石炭の各銘柄の
特性を表す情報（銘柄毎品位）、銘柄の組み合わせ、配
合後の石炭品位、配合炭内の個々の銘柄品位のバラツ
キ、コークス炉の操業状態に関するセンサデータ等があ
る。 （２）この収集されたデータを、品質予測に関する回帰
分析用データとして計算機のデイスクに蓄積する。 （３）収集された事例は操業の類似性を評価する距離式
を用いて、複数のカテゴリーに自動的に分類される。具
体的には後述の［数１］と同様にして距離Ｊを求め、こ
の距離Ｊが小さい順番に並べて或る閾値により区切って
分類する。この場合、Ｒには他の事例が代入されること
となる。なお、［数１］のＸには、上記（１）で収集さ
れたデータが用いられ、Ｒにも同種のデータ用いられ
る。 （４）オペレータは分類された操業データ毎に回帰分析
を行ない、カテゴリー毎に精度の良い品質予測回帰式を
設定しておく。但し、これは初期設定であり、１回の操
作で十分である。 （５）操業アクションを行う場合には、その操業アクシ
ョンの操業データが属するカテゴリーを判定する。どの
カテゴリーに属するかは、各カテゴリーの中心（［数
１］のＸを中心する）との距離を求めることで判断され
る。そして、該当するカテゴリーの品質予測回帰式を用
いてコークス品質を予測してガイダンスする。 （６）オペレータはガイダンスに基づいて配合比を変更
する。システムはその結果（品質予測の成功、失敗）を
自動的に判定し、操業の類似性分類に用いる距離式のパ
ラメータを予測成功率が向上する方向に自動調整する。 （７）新たに追加された操業データを用いて、回帰式の
係数を自動的に再計算する。以上の手段を用いれば、従
来システムのようなルール獲得及びルールのメンテナン
スが不要であり、システムの維持に要する作業負荷は低
い。また、石炭銘柄個々の特性やコークス炉の操業状態
を考慮して分類された回帰式を用いて配合比を決定して
いるため精度の良い品質制御が可能である。更に、回帰
式の選択は予め分類されたカテゴリを検索するのみです
むため、処理時間は数秒あれば十分である。
【０００５】
【作用】図１は上述の処理の流れを示したフローチャー
トである。次に、このフローチャートに基いて各機能を
説明する。 １．ガイダンス出力：最新の操業アクションに関する操
業データをカテゴリー分類する。カテゴリー分類には３
層構造のニューラルネットワークを用いる。図２はネッ
トワーク例を示した図である。ネットワークの機能とし
ては、与えられたデータを類似したパターンに分類する
ことができ、また、分類済みのパターンに属さないデー
タが与えられた場合には、新規パターンの追加学習が可
能なものを用いる（例えばＮＤＰ、後記参照）。収集デ
ータはコークス品質が測定される毎にカテゴリー分類さ
れ蓄積される。操業アクションを行う際には、その時の
操業状態のカテゴリーを判別し、これと同一のカテゴリ
ーに属する回帰式を選択し、予測コークス品質をガイダ
ンスする。カテゴリーの分類は、次の距離計算式により
距離を求め、その距離に基いて分類される。
トである。次に、このフローチャートに基いて各機能を
説明する。 １．ガイダンス出力：最新の操業アクションに関する操
業データをカテゴリー分類する。カテゴリー分類には３
層構造のニューラルネットワークを用いる。図２はネッ
トワーク例を示した図である。ネットワークの機能とし
ては、与えられたデータを類似したパターンに分類する
ことができ、また、分類済みのパターンに属さないデー
タが与えられた場合には、新規パターンの追加学習が可
能なものを用いる（例えばＮＤＰ、後記参照）。収集デ
ータはコークス品質が測定される毎にカテゴリー分類さ
れ蓄積される。操業アクションを行う際には、その時の
操業状態のカテゴリーを判別し、これと同一のカテゴリ
ーに属する回帰式を選択し、予測コークス品質をガイダ
ンスする。カテゴリーの分類は、次の距離計算式により
距離を求め、その距離に基いて分類される。
【０００６】
【数１】
【０００７】 Ｊ：距離 Ｗ：重み係数 Ｘ：事例 Ｒ：操業アクション時データ ｉ：操業変数番号 ｊ：事例番号なお、Ｗ（重み係数）は「０〜１」の間の値をとり、試
行錯誤の結果求められる。Ｘ及びＲには、上記の品質予
測に関する回帰分析用データとして計算機のデイスクに
蓄積されたデータ、及びそれと同種のデータが用いら
れ、Ｒ（操業アクション時データ又は他の事例）の各デ
ータとＸの該当するデータとの差、及びＷ（重み係数）
に基づいて距離Ｊが求められ、その距離Ｊの大きさに基
づいてカテゴリーの分類が行われる。
行錯誤の結果求められる。Ｘ及びＲには、上記の品質予
測に関する回帰分析用データとして計算機のデイスクに
蓄積されたデータ、及びそれと同種のデータが用いら
れ、Ｒ（操業アクション時データ又は他の事例）の各デ
ータとＸの該当するデータとの差、及びＷ（重み係数）
に基づいて距離Ｊが求められ、その距離Ｊの大きさに基
づいてカテゴリーの分類が行われる。
【０００８】ここで、ニューラルネットワークの例とし
てＮＤＰ(Neural Network Based onDistance between P
atterns) の機能について説明する。但し、このＮＤＰ
は「計測自動制御学会論文集 Vol.29、Ｎo.３、1993、
『新規パターンを追加学習するための新しいニューロン
・モデル』、ｐ356 −363 」に詳しいのでその概要につ
いて説明する。 （１）パターン分類 ＮＤＰは、与えられたデータを類似したパターンに分離
する機能を有する。従来のニューラルネットワークのよ
うにパターン空間を線形分離するのではなく、複数の円
を使ってパターン分類する。 （２）追加学習 ＮＤＰは、分類済みのパターンに属さないデータが与え
られたとき、パターン空間を大きく壊すことなく追加学
習を行なう機能を有する。従来のニューロには、パター
ンの追加学習を考慮したモデルは少なく、追加可能なモ
デルもあるがパターン分離能力に制限があった。 （３）逐次学習 従来のニューラルネットワークは、記憶させたいパター
ンを同時にみせて、バッチ的に全体の誤差を減らすのに
対し、ＮＤＰは提示されたパターンが記憶できるまで１
パターンずつ学習し、それから次のパターンを覚える。
てＮＤＰ(Neural Network Based onDistance between P
atterns) の機能について説明する。但し、このＮＤＰ
は「計測自動制御学会論文集 Vol.29、Ｎo.３、1993、
『新規パターンを追加学習するための新しいニューロン
・モデル』、ｐ356 −363 」に詳しいのでその概要につ
いて説明する。 （１）パターン分類 ＮＤＰは、与えられたデータを類似したパターンに分離
する機能を有する。従来のニューラルネットワークのよ
うにパターン空間を線形分離するのではなく、複数の円
を使ってパターン分類する。 （２）追加学習 ＮＤＰは、分類済みのパターンに属さないデータが与え
られたとき、パターン空間を大きく壊すことなく追加学
習を行なう機能を有する。従来のニューロには、パター
ンの追加学習を考慮したモデルは少なく、追加可能なモ
デルもあるがパターン分離能力に制限があった。 （３）逐次学習 従来のニューラルネットワークは、記憶させたいパター
ンを同時にみせて、バッチ的に全体の誤差を減らすのに
対し、ＮＤＰは提示されたパターンが記憶できるまで１
パターンずつ学習し、それから次のパターンを覚える。
【０００９】ＮＤＰの構造は図２のように３層構造であ
り、各層の関係は次式で表される。
り、各層の関係は次式で表される。
【００１０】
【数２】
【００１１】Ｘi ：入力 Ｈj ：中間層の出力 Ｏk ：出力層の出力 Ｗji：入力層と中間層間の結合係数 Ｖkj：中間層と出力層間の結合係数 α ：入力層と出力層間の汎化係数 βk ：中間層と出力層間の汎化係数 ｉ ：入力層のユニットの番号 ｊ ：中間層のユニットの番号 ｋ ：出力層のユニットの番号 なお、上式において出力層の各ユニットが各カテゴリー
に対応し、βk は円の半径に影響し、結合係数Ｈj は円
の中心座標である。
に対応し、βk は円の半径に影響し、結合係数Ｈj は円
の中心座標である。
【００１２】次に、ＮＤＰの学習アルゴリズムについて
説明する。ＮＤＰは次の〜の性質を前提としてい
る。 ＮＤＰは無知（出力層にユニットが存在しない状態）
から学習開始する。 出力層の出力が発火しきい値以上の状態を”発火“と
する。 ＲＮ(Right Neuron)：教師と一致するカテゴリーを記
憶する出力層ユニット。 ＷＮ(Wrong Neuron)：教師と異なるカテゴリーを記憶
する出力層ユニット。
説明する。ＮＤＰは次の〜の性質を前提としてい
る。 ＮＤＰは無知（出力層にユニットが存在しない状態）
から学習開始する。 出力層の出力が発火しきい値以上の状態を”発火“と
する。 ＲＮ(Right Neuron)：教師と一致するカテゴリーを記
憶する出力層ユニット。 ＷＮ(Wrong Neuron)：教師と異なるカテゴリーを記憶
する出力層ユニット。
【００１３】（１）ＲＮが発火しなかった場合には、以
下の式に従って新しく出力層ユニットが追加される。 Ｖkj＝Ｈj βk ＝βＩ （βＩ：汎化係数初期値） （２）ＲＮが発火しているにもかかわらず、ＲＮ＜ＷＮ
のときＲＮを興奮、またＲＮ＜ＷＮを満たすＷＮを抑制
方向に修正する。
下の式に従って新しく出力層ユニットが追加される。 Ｖkj＝Ｈj βk ＝βＩ （βＩ：汎化係数初期値） （２）ＲＮが発火しているにもかかわらず、ＲＮ＜ＷＮ
のときＲＮを興奮、またＲＮ＜ＷＮを満たすＷＮを抑制
方向に修正する。
【００１４】各係数の修正に際しては、入力層と中間層
間の係数は固定とし、中間層間と出力層間の係数のみを
修正する。
間の係数は固定とし、中間層間と出力層間の係数のみを
修正する。
【００１５】
【数３】
【００１６】Ｅk ：誤差 Ａ ：汎化係数βk の学習係数 Ｂ ：結合係数Ｖkjの学習定数 ｔ ：学習回数 Ｔk ：抑制方向の場合：０ 興奮方向の場合：１
【００１７】２．学習について：品質予測に失敗した場
合には、ニューラルネットのパラメータ修正を行う。ガ
イダンスに用いたカテゴリーに対応するニューロンをＷ
Ｎ(Wrong Neuron)、実測されたコークス品質関係のデー
タを基に各回帰式を用いてコークス品質を計算し、この
中で最も実績値に近い回帰式に対応するニューロンをＲ
Ｎ（Right Neuron）とする。 ＜修正法１．＞ＲＮが発火しなかった場合には、新たに
出力層にニューロンを追加し、結合係数には中間層の出
力値が、また、汎化係数には汎化係数初期値が代入され
る。 ＜修正法２．＞ＲＮが発火しているにもかかわらず、Ｒ
ＮよりＷＲの方が大きな出力値をとった場合には、ＲＮ
の出力値が大きくなる方向に、また、ＲＮより出力値が
大きいＷＲをその出力値が低下する方向にパラメータを
修正する。ＷＮの修正はＲＮより小さな値をとるまで行
われ、ＲＮの修正は最大出力となるまで続けられる。
合には、ニューラルネットのパラメータ修正を行う。ガ
イダンスに用いたカテゴリーに対応するニューロンをＷ
Ｎ(Wrong Neuron)、実測されたコークス品質関係のデー
タを基に各回帰式を用いてコークス品質を計算し、この
中で最も実績値に近い回帰式に対応するニューロンをＲ
Ｎ（Right Neuron）とする。 ＜修正法１．＞ＲＮが発火しなかった場合には、新たに
出力層にニューロンを追加し、結合係数には中間層の出
力値が、また、汎化係数には汎化係数初期値が代入され
る。 ＜修正法２．＞ＲＮが発火しているにもかかわらず、Ｒ
ＮよりＷＲの方が大きな出力値をとった場合には、ＲＮ
の出力値が大きくなる方向に、また、ＲＮより出力値が
大きいＷＲをその出力値が低下する方向にパラメータを
修正する。ＷＮの修正はＲＮより小さな値をとるまで行
われ、ＲＮの修正は最大出力となるまで続けられる。
【００１８】学習の結果、各カテゴリーの品質データは
等しくならない。学習に用いられた事例はＲＮに対応す
るカテゴリーのファイルに格納され、これに対応する回
帰式の係数を自動的に算出し直す。
等しくならない。学習に用いられた事例はＲＮに対応す
るカテゴリーのファイルに格納され、これに対応する回
帰式の係数を自動的に算出し直す。
【００１９】
【実施例】図３及び図４は本発明に係るコークス工場の
操業支援方法を適用した実施例を示した図であり、図３
はハード構成図、図４はコークス工場の操業支援システ
ムの基本構成を示した図である。プロセスコンピュータ
は配合からコークス炉、ＣＤＱまでの石炭・コークスの
流れをトラッキングし、操業データを収集する。データ
収集は配合比を変更する毎に行われる。獲得されたデー
タはそのカテゴリーが自動的に判別された後、該当のカ
テゴリーファイルに格納される。オペレータは配合計画
に基づき、受入れ可能な石炭銘柄に関する配合情報を本
システムに入力する。システムは、類似したカテゴリー
に属する回帰式からコークス品質を予測する。オペレー
タはその予測された品質に基づき、配合比を調整し操業
変更を行なう。
操業支援方法を適用した実施例を示した図であり、図３
はハード構成図、図４はコークス工場の操業支援システ
ムの基本構成を示した図である。プロセスコンピュータ
は配合からコークス炉、ＣＤＱまでの石炭・コークスの
流れをトラッキングし、操業データを収集する。データ
収集は配合比を変更する毎に行われる。獲得されたデー
タはそのカテゴリーが自動的に判別された後、該当のカ
テゴリーファイルに格納される。オペレータは配合計画
に基づき、受入れ可能な石炭銘柄に関する配合情報を本
システムに入力する。システムは、類似したカテゴリー
に属する回帰式からコークス品質を予測する。オペレー
タはその予測された品質に基づき、配合比を調整し操業
変更を行なう。
【００２０】図５は本システム適用後のコークス品質予
測精度の推移を示した特性図である。本システム適用初
期は、従来から品質予測に用いていた簡易回帰式の方が
有効であるが、１〜２ヵ月後からは、本システムが優位
となる。また、本システムのガイダンス精度が高くなっ
た時点から、コークス品質のバラツキが低減している。
測精度の推移を示した特性図である。本システム適用初
期は、従来から品質予測に用いていた簡易回帰式の方が
有効であるが、１〜２ヵ月後からは、本システムが優位
となる。また、本システムのガイダンス精度が高くなっ
た時点から、コークス品質のバラツキが低減している。
【００２１】図６は本システムで分類された回帰式の例
を示した図である。従来は、一つの回帰式を用いていた
のに対し、本システムでは、操業状態に応じて適正な回
帰式を用いることにより、上述のように、精度良く品質
を予測できる。
を示した図である。従来は、一つの回帰式を用いていた
のに対し、本システムでは、操業状態に応じて適正な回
帰式を用いることにより、上述のように、精度良く品質
を予測できる。
【００２２】
【発明の効果】以上のように本発明によれば、類似操業
状態に分類されたデータを用いて適正な回帰式を自動的
に決定し、操業アクション結果を用いてガイダンス精度
が自動向上するように自己学習するため、ルール獲得及
びルールのメンテナンスが不要であり、システムの維持
に要する作業負荷が低い。また、石炭銘柄個々の特性や
コークス炉の操業状態を考慮して回帰式を決定・選択し
ているため精度良い品質予測が可能である。更に、品質
予測処理は、予め分類されたカテゴリー検索による回帰
式の選択と、選択回帰式を用いた計算のみであり、処理
時間は数秒であれば十分である。従って、配合比の調整
作業の効率化が図られる。
状態に分類されたデータを用いて適正な回帰式を自動的
に決定し、操業アクション結果を用いてガイダンス精度
が自動向上するように自己学習するため、ルール獲得及
びルールのメンテナンスが不要であり、システムの維持
に要する作業負荷が低い。また、石炭銘柄個々の特性や
コークス炉の操業状態を考慮して回帰式を決定・選択し
ているため精度良い品質予測が可能である。更に、品質
予測処理は、予め分類されたカテゴリー検索による回帰
式の選択と、選択回帰式を用いた計算のみであり、処理
時間は数秒であれば十分である。従って、配合比の調整
作業の効率化が図られる。
【図１】本発明の処理の流れを示したフローチャートで
ある。
ある。
【図２】ＮＤＰの構成図である。
【図３】本発明に係るコークス工場の操業支援方法を適
用した実施例のハード構成図である。
用した実施例のハード構成図である。
【図４】本発明に係るコークス工場の操業支援方法を適
用したシステムの基本構成を示した図である。
用したシステムの基本構成を示した図である。
【図５】上記システムを適用後のコークス品質予測精度
の推移を示した特性図である。
の推移を示した特性図である。
【図６】従来の回帰式と上記実施例の回帰式とを示した
特性図である。
特性図である。
【図７】従来のシステムの構成を示すブロック図であ
る。
る。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 松村 進 東京都千代田区丸の内一丁目１番２号 日本鋼管株式会社内 (72)発明者 利光 亮一 東京都千代田区丸の内一丁目１番２号 日本鋼管株式会社内 (56)参考文献 特開 平２−252797（ＪＰ，Ａ) 特開 平４−88083（ＪＰ，Ａ) 特開 平１−252693（ＪＰ，Ａ) 特開 昭59−179582（ＪＰ，Ａ) 特開 昭58−160390（ＪＰ，Ａ) 特開 昭59−145283（ＪＰ，Ａ) 「計測自動制御学会論文集」，29［３ ］（1993），356−364 (58)調査した分野(Int.Cl.6，ＤＢ名) C10B 41/00 C10B 57/00 G05B 13/02
Claims (3)
- 【請求項１】 既に製造された各コークスについて、配
合からコークス炉体及びコークス乾式消火設備に至るま
での、コークスの品質に影響を与える操業データ及びそ
のコークスの品質データを収集する工程と、前記各コークスの操業データの操業の類似性を評価し
て、各コークスの操業データを複数のカテゴリーに分類
する工程と 、操業データと品質データとの関係を示す品質予測回帰式
を、前記の各カテゴリーに対応して予めそれぞれ求めて
おく工程と 、操業アクションを行う際に、そのアクション時の操業デ
ータと上記の操業データとの操業の類似性を評価して、
そのアクション時の操業データが属するカテゴリーを求
める工程と 、そのカテゴリーに対応した前記品質予測回帰式に基づい
てコークス品質をガイダンスする工程と を有することを
特徴とするコークス工場の操業支援方法。 - 【請求項２】 既に製造された各コークスについての操
業データを複数のカテゴリーに分類する処理は、パター
ン間の距離に基づいたニューラルネットワークにより行
うことを特徴とする請求項１記載のコークス工場の操業
支援方法。 - 【請求項３】 前記品質予測回帰式は、前記ニューラル
ネットワークにより演算されて求められ、操業実績に基
づいて前記ニューラルネットワークの係数を修正するこ
とにより前記品質予測回帰式の係数を修正することを特
徴とする請求項２記載のコークス工場の操業支援方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1173494A JP2888125B2 (ja) | 1994-02-03 | 1994-02-03 | コークス工場の操業支援方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1173494A JP2888125B2 (ja) | 1994-02-03 | 1994-02-03 | コークス工場の操業支援方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07216358A JPH07216358A (ja) | 1995-08-15 |
| JP2888125B2 true JP2888125B2 (ja) | 1999-05-10 |
Family
ID=11786269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1173494A Expired - Lifetime JP2888125B2 (ja) | 1994-02-03 | 1994-02-03 | コークス工場の操業支援方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2888125B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070929B (zh) * | 2022-10-12 | 2023-10-03 | 华院计算技术(上海)股份有限公司 | 一种基于自适应的局部动态焦炭质量预测方法及系统 |
-
1994
- 1994-02-03 JP JP1173494A patent/JP2888125B2/ja not_active Expired - Lifetime
Non-Patent Citations (1)
| Title |
|---|
| 「計測自動制御学会論文集」，２９［３］（１９９３），３５６−３６４ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH07216358A (ja) | 1995-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
| US7164954B2 (en) | Method for implementing indirect controller | |
| CN108469180B (zh) | 基于大数据和机器学习的烧结终点预测系统的建立方法 | |
| Freisleben et al. | Optimization of genetic algorithms by genetic algorithms | |
| US8457767B2 (en) | System and method for real-time industrial process modeling | |
| CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
| US5487130A (en) | Fuzzy rule acquisition method and apparatus for fuzzy inference system and fuzzy inference system using the apparatus | |
| JPH0765168A (ja) | 関数近似装置及び方法 | |
| JP2888125B2 (ja) | コークス工場の操業支援方法 | |
| JP2888126B2 (ja) | コークス工場の操業支援方法 | |
| KR20200013143A (ko) | 고로의 용선온도 예측 장치 및 방법 | |
| JPH03134706A (ja) | 下水処理場運転支援のための知識獲得方法 | |
| CN109101683B (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
| CN113654078A (zh) | 锅炉燃烧布风结构的优化方法和系统 | |
| JP2644941B2 (ja) | プロセス制御方法および装置 | |
| CN116562127A (zh) | 一种基于离线强化学习的高炉冶炼操作优化方法及系统 | |
| Wang et al. | Offline reinforcement learning via policy regularization and ensemble Q-functions | |
| CN114912335B (zh) | 一种基于缺失数据的煤气发生量预测方法 | |
| JPH0637650B2 (ja) | 高炉送風流量制御方法 | |
| CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
| WO2021245916A1 (ja) | サーボ制御装置 | |
| CN115146833A (zh) | 一种锅炉氮氧化物生成浓度的预测方法 | |
| JPH03134704A (ja) | 知識獲得方法並びにプロセス運転支援方法 | |
| CN116522065A (zh) | 一种基于深度学习的磨煤机健康度评估方法 | |
| CN117457113A (zh) | 一种干熄焦生产的闭环控制方法 |