JP2888126B2 - 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
- JP2888126B2 JP2888126B2 JP1173594A JP1173594A JP2888126B2 JP 2888126 B2 JP2888126 B2 JP 2888126B2 JP 1173594 A JP1173594 A JP 1173594A JP 1173594 A JP1173594 A JP 1173594A JP 2888126 B2 JP2888126 B2 JP 2888126B2
- Authority
- JP
- Japan
- Prior art keywords
- coke
- data
- quality
- support method
- 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６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６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６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制御の事例としてと
して計算機のデイスクに蓄積する。この蓄積事例を品質
を制御する際の知識源とする。 （３）この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］を用いて距離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。なお、［数１］のＸには、上記（１）の収
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）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、例えば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、その操業アクションの状態が属する
カテゴリーの事例の内、類似事例を抽出してそれをコー
クス品質予測データとしてガイダンスする。この場合の
類似事例の抽出は後述の［数１］の距離計算によってそ
の距離が短いものを採用する。従って、全ての事例を検
索する必要はない。 （５）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
自動判定し、事例分類に用いる距離式のパラメータを予
測失敗率が低減する方向に自動調整する。以上の手段を
用いれば、知識源は自動的に収集され、ガイダンスに基
づく操業結果を用いてガイダンス精度が向上するように
自動学習するため、ルールの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、石炭銘柄の個々の特性やコークス炉の操業
状態を考慮して配合比を決定しているため精度の良い品
質予測が可能である。更に、事例の選択は、予め分類さ
れたカテゴリーの内のどれが該当するかを判断し、その
カテゴリー内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制御の事例としてと
して計算機のデイスクに蓄積する。この蓄積事例を品質
を制御する際の知識源とする。 （３）この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］を用いて距離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。なお、［数１］のＸには、上記（１）の収
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）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、例えば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、その操業アクションの状態が属する
カテゴリーの事例の内、類似事例を抽出してそれをコー
クス品質予測データとしてガイダンスする。この場合の
類似事例の抽出は後述の［数１］の距離計算によってそ
の距離が短いものを採用する。従って、全ての事例を検
索する必要はない。 （５）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
自動判定し、事例分類に用いる距離式のパラメータを予
測失敗率が低減する方向に自動調整する。以上の手段を
用いれば、知識源は自動的に収集され、ガイダンスに基
づく操業結果を用いてガイダンス精度が向上するように
自動学習するため、ルールの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、石炭銘柄の個々の特性やコークス炉の操業
状態を考慮して配合比を決定しているため精度の良い品
質予測が可能である。更に、事例の選択は、予め分類さ
れたカテゴリーの内のどれが該当するかを判断し、その
カテゴリー内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）。蓄積事
例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自動的に判別し、これと同一のカ
テゴリーに属する類似事例を選択する。この類似事例
は、下記の距離計算式を用いて、操業アクションデータ
に近い順にガイダンスされる。
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）。蓄積事
例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自動的に判別し、これと同一のカ
テゴリーに属する類似事例を選択する。この類似事例
は、下記の距離計算式を用いて、操業アクションデータ
に近い順にガイダンスされる。
【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又は他の事例 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
行錯誤の結果経験的に求められるものである。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）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の小さい
ものが類似事例として抽出される。
行錯誤の結果経験的に求められるものである。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）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の小さい
ものが類似事例として抽出される。
【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、ニューラルネットワーク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ＷＮ(Wrong Neuron)、実測されたコークス品質デー
タと一致するカテゴリーの中で、出力層の出力値が最も
大きいニューロンをＲＮ(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、ニューラルネットワーク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ＷＮ(Wrong Neuron)、実測されたコークス品質デー
タと一致するカテゴリーの中で、出力層の出力値が最も
大きいニューロンをＲＮ(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
等しくなる。但し、品質データが等しくても、異なった
カテゴリーに事例が分類されることはある。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、これ以降、ガイダンスに用いられる。
等しくなる。但し、品質データが等しくても、異なった
カテゴリーに事例が分類されることはある。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、これ以降、ガイダンスに用いられる。
【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、配合比毎に一つの
事例が獲得される。獲得された事例はそのカテゴリーを
判別した後、該当のカテゴリーファイルに格納される。
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、配合比毎に一つの
事例が獲得される。獲得された事例はそのカテゴリーを
判別した後、該当のカテゴリーファイルに格納される。
【００２０】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比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事例からコー
クス品質を予測する。オペレータは予測された品質に基
づき、配合比を調整し操業変更を行う。また、目標とす
るコークス品質となるカテゴリーを複数選択し、その中
から、現状の配合計画に類似した配合比を選択すること
も可能である。
能な石炭銘柄に関する配合比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事例からコー
クス品質を予測する。オペレータは予測された品質に基
づき、配合比を調整し操業変更を行う。また、目標とす
るコークス品質となるカテゴリーを複数選択し、その中
から、現状の配合計画に類似した配合比を選択すること
も可能である。
【００２１】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。本システムの適用
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ヵ月後からはむしろ本システム
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。本システムの適用
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ヵ月後からはむしろ本システム
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。
【００２２】
【発明の効果】以上のように本発明によれば、事例を自
動的に収集し、複数のカテゴリーに分類して事例を蓄積
し、その蓄積された事例から類似事例を選択するように
し、また、ガイダンス精度が自動向上するように学習す
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
配合比を決定しているため精度良い品質予測が可能であ
る。更に、類似事例の選択は、予め分類されたカテゴリ
ーを検索するのみですむため、処理時間は数秒あれば十
分であり配合比を決定する作業の効率化が図られる。
動的に収集し、複数のカテゴリーに分類して事例を蓄積
し、その蓄積された事例から類似事例を選択するように
し、また、ガイダンス精度が自動向上するように学習す
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
配合比を決定しているため精度良い品質予測が可能であ
る。更に、類似事例の選択は、予め分類されたカテゴリ
ーを検索するのみですむため、処理時間は数秒あれば十
分であり配合比を決定する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 昭58−160390（ＪＰ，Ａ) 特開 平４−57885（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、 操業アクションを行う際に、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、 そのカテゴリーに属する事例の内、類似事例を抽出して
それをコークス品質予測データとしてガイダンスする工
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及び前記類
似事例を抽出する処理は、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】 操業結果に基づいて前記ニューラルネッ
トワークの係数を修正してコークス品質予測精度を向上
させ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 |
|---|---|---|---|
| JP1173594A JP2888126B2 (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 |
|---|---|---|---|
| JP1173594A JP2888126B2 (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 |
|---|---|
| JPH07216359A JPH07216359A (ja) | 1995-08-15 |
| JP2888126B2 true JP2888126B2 (ja) | 1999-05-10 |
Family
ID=11786299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1173594A Expired - Lifetime JP2888126B2 (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) | JP2888126B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007299366A (ja) * | 2006-01-31 | 2007-11-15 | Sony Corp | 学習装置および学習方法、認識装置および認識方法、生成装置および生成方法、認識生成装置および認識生成方法、並びにプログラム |
| US20120059834A1 (en) | 2009-07-07 | 2012-03-08 | Shinichirou Shimoi | Operation supporting apparatus, operation supporting method, and program |
-
1994
- 1994-02-03 JP JP1173594A patent/JP2888126B2/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 |
|---|---|
| JPH07216359A (ja) | 1995-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7164954B2 (en) | Method for implementing indirect controller | |
| Lakshminarayan et al. | Imputation of Missing Data Using Machine Learning Techniques. | |
| Freisleben et al. | Optimization of genetic algorithms by genetic algorithms | |
| 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 | |
| CN112987666A (zh) | 电厂机组运行优化调控方法及系统 | |
| CN113806889A (zh) | 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备 | |
| JP2888126B2 (ja) | コークス工場の操業支援方法 | |
| CN115146845A (zh) | 一种面向装备系统级的健康状态评估以及故障预测方法和系统 | |
| Zhang et al. | Surrogate-assisted evolutionary Q-learning for black-box dynamic time-linkage optimization problems | |
| KR20200013143A (ko) | 고로의 용선온도 예측 장치 및 방법 | |
| JP2888125B2 (ja) | コークス工場の操業支援方法 | |
| CN114970353A (zh) | 基于缺失数据填充的mswi过程二噁英排放软测量方法 | |
| CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 | |
| Li et al. | Long short-term memory based on random forest-recursive feature eliminated for hot metal silcion content prediction of blast furnace | |
| JPH07219626A (ja) | プラント制御装置及びトンネル換気制御装置 | |
| JP3224487B2 (ja) | 交通状態判別装置 | |
| JP2644941B2 (ja) | プロセス制御方法および装置 | |
| EP4170151A1 (en) | Engine control device, and engine control method | |
| Wang et al. | Offline reinforcement learning via policy regularization and ensemble Q-functions | |
| CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
| Jonak | Use of artificial intelligence in automation of rock cutting by mining machines | |
| 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 | |
| Zio et al. | Recognizing signal trends on-line by a fuzzy-logic-based methodology optimized via genetic algorithms | |
| CN115892039A (zh) | 一种自动驾驶汽车对场景适应度的预测方法 | |
| KR960013603B1 (ko) | 코크스로 가스발생 총량의 예측방법 |