JP6160283B2 - Slapping prediction method in converter blowing. - Google Patents
Slapping prediction method in converter blowing. Download PDFInfo
- Publication number
- JP6160283B2 JP6160283B2 JP2013125285A JP2013125285A JP6160283B2 JP 6160283 B2 JP6160283 B2 JP 6160283B2 JP 2013125285 A JP2013125285 A JP 2013125285A JP 2013125285 A JP2013125285 A JP 2013125285A JP 6160283 B2 JP6160283 B2 JP 6160283B2
- Authority
- JP
- Japan
- Prior art keywords
- blowing
- slopping
- converter blowing
- converter
- exhaust gas
- 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.)
- Active
Links
Description
本発明は、転炉吹錬中に発生すると操業上大きな障害となるスロッピングの予知方法に関するものである。 The present invention relates to a method for predicting slopping, which is a major operational obstacle if it occurs during converter blowing.
転炉吹錬におけるスロッピングとは、吹錬中に突発的に炉内のスラグおよび溶鋼が炉口から炉外に噴出する現象である。特に、ソフトブロー実施時や酸化鉄系副原料投入量が多い場合にスラグ中のＦｅＯが増加し、スラグ−溶鋼界面でＣＯ反応が爆発的に起こって発生すると言われている。 Slipping in converter blowing is a phenomenon in which slag and molten steel in the furnace are suddenly ejected from the furnace port to the outside of the furnace during blowing. In particular, it is said that FeO in slag increases when a soft blow is performed or when an input amount of iron oxide-based auxiliary materials is large, and a CO reaction occurs explosively at the slag-molten steel interface.
スロッピングは、溶鋼成分を乱し出鋼歩留りを低下させるとともに、吹錬時間の増加、ＯＧガス回収率の低下、作業環境の低下さらには周辺機器の損傷といった様々な問題を引き起こす。そのため、従来からさまざまなスロッピング予知方法が提案されている。 Slopping disturbs molten steel components and lowers the yield of steel, and causes various problems such as an increase in blowing time, a decrease in OG gas recovery rate, a decrease in work environment, and damage to peripheral equipment. Therefore, various slapping prediction methods have been conventionally proposed.
スラグのフォーミング状況をさまざまなセンサーで検知しスロッピング予知を行う技術として、例えば特許文献１には、音響測定法によりスロッピング予知を行う技術が開示されている。このほか、スロッピング予知に関連する技術として、例えば特許文献２には振動測定法が、特許文献３には炉内圧測定法が、特許文献４にはマイクロ波測定法が、特許文献５には炉体表面温度測定法が、それぞれ開示されている。 For example, Patent Document 1 discloses a technique for performing slopping prediction by an acoustic measurement method as a technique for performing slapping prediction by detecting the slag forming state using various sensors. In addition, for example, Patent Document 2 discloses a vibration measurement method, Patent Document 3 discloses an in-furnace pressure measurement method, Patent Document 4 discloses a microwave measurement method, and Patent Document 5 discloses a technique related to slopping prediction. A furnace body surface temperature measurement method is disclosed.
音響測定法、振動測定法、炉内圧測定法、および、炉体表面温度測定法は、いずれも間接的測定法であるため、スラグレベルおよびスラグの状態を定量的に把握することができない。そのため、特許文献１〜特許文献３、および、特許文献５に開示されている技術はスロッピング予知精度が低かった。これに対し、特許文献４に開示されているマイクロ波測定法は、スラグレベルの直接的測定が可能である。しかしながら、吹錬中の転炉内は溶鋼、スラグ、ガス等が極めて複雑な動きをしているため、異常を検出あるいは推定することは容易でない上に、信号処理等にも高度な技術が必要である。また、いずれのセンサーも高温環境下の転炉で安定して長期間にわたって稼働させるためには、莫大なメンテナンスコストを必要とした。したがって、特許文献１〜特許文献５に開示されているセンサー情報に基づく予知方法を実操業に適用するには、予知精度を高めたりコストを低減したりする必要があった。 The acoustic measurement method, vibration measurement method, furnace pressure measurement method, and furnace body surface temperature measurement method are all indirect measurement methods, and therefore the slag level and slag state cannot be quantitatively grasped. Therefore, the techniques disclosed in Patent Documents 1 to 3 and Patent Document 5 have low slapping prediction accuracy. In contrast, the microwave measurement method disclosed in Patent Document 4 can directly measure the slag level. However, because the molten steel, slag, gas, etc. in the converter during blowing are moving in an extremely complicated manner, it is not easy to detect or estimate abnormalities, and advanced technology is required for signal processing, etc. It is. Moreover, in order to operate each sensor stably for a long time in a converter in a high temperature environment, a huge maintenance cost is required. Therefore, in order to apply the prediction method based on the sensor information disclosed in Patent Documents 1 to 5 to actual operation, it is necessary to increase the prediction accuracy or reduce the cost.
そこで、本発明は、転炉吹錬のスロッピングを高精度かつ安価に予知することが可能な、スロッピング予知方法を提案することを目的とする。 Then, an object of this invention is to propose the slopping prediction method which can predict the slopping of converter blowing by high precision and cheaply.
以下、本発明について説明する。本発明において、転炉は、上吹き転炉であっても良く、上底吹き転炉であっても良い。 The present invention will be described below. In the present invention, the converter may be a top blow converter or may be a top bottom converter.
本発明の第１の態様は、過去の転炉吹錬におけるスロッピング発生状況を表すデータと、過去の転炉吹錬の開始前に得られた操業データの実績値と、を用いて構築した決定木モデルを使用し、今後行われる転炉吹錬の開始前に得られる操業データを用いて、今後行われる転炉吹錬の開始前に、当該今後行われる転炉吹錬のスロッピング発生確率を導出することを特徴とする、転炉吹錬におけるスロッピング予知方法である。 1st aspect of this invention was constructed | assembled using the data showing the slopping generation | occurrence | production situation in the past converter blowing, and the actual value of the operation data obtained before the start of the past converter blowing. Using the decision tree model, using the operation data obtained before the start of future converter blowing, slopping of the future converter blowing will occur before the start of future converter blowing A method of predicting slapping in converter blowing, characterized by deriving a probability.
ここに、本発明の第１の態様、および、以下に示す本発明の他の態様（以下において、これらをまとめて単に「本発明」ということがある。）において、「転炉吹錬の開始前に得られた操業データ」および「今後行われる転炉吹錬の開始前に得られる操業データ」は、転炉吹錬を行う前に判明している操業データをいう。そのような操業データには、例えば、溶銑成分、溶銑温度、溶銑率、装入量、炉回数等が含まれ得る。また、本発明において、「決定木モデル」は、データマイニングの分野で使用される、分類の問題を扱うモデルをいう。 Here, in the first aspect of the present invention and the other aspects of the present invention described below (hereinafter, these may be simply referred to as “the present invention”), “start of converter blowing” The “operation data obtained before” and “operation data obtained before the start of converter blowing performed in the future” refer to operation data that is known before converter blowing. Such operation data may include, for example, hot metal components, hot metal temperature, hot metal ratio, charging amount, number of furnaces, and the like. In the present invention, the “decision tree model” refers to a model used in the field of data mining that handles classification problems.
本発明の第２の態様は、過去の転炉吹錬におけるスロッピング発生状況を表すデータと、過去の転炉吹錬開始前の操業データの実績値と、排ガス流量、排ガス組成、転炉内へと供給されるガス流量、副原料投入量、および、溶銑成分から、転炉内の酸素収支を計算することにより得られる炉内残留酸素量原単位と、を用いて構築した決定木モデルを使用し、今後行われる転炉吹錬の開始前に得られる操業データと、転炉吹錬中に得られる炉内残留酸素量原単位および上吹き酸素流量と、を用いて、転炉吹錬中にスロッピング発生確率を導出することを特徴とする、転炉吹錬におけるスロッピング予知方法である。 The second aspect of the present invention is the data representing the occurrence of slopping in the past converter blowing, the actual value of the operation data before the start of the past converter blowing, the exhaust gas flow rate, the exhaust gas composition, the inside of the converter A decision tree model constructed using the basic unit of residual oxygen in the furnace obtained by calculating the oxygen balance in the converter from the gas flow rate supplied to Using the operation data obtained before the start of converter blowing, which will be used in the future, the residual oxygen amount in the furnace and the amount of top blown oxygen flow obtained during converter blowing, the converter blowing This is a method of predicting slipping in converter blowing, characterized by deriving the probability of occurrence of slopping.
上記本発明の第１の態様、および、上記本発明の第２の態様において、スロッピングの規模毎の発生確率を導出することが好ましい。 In the first aspect of the present invention and the second aspect of the present invention, it is preferable to derive the occurrence probability for each scale of slopping.
本発明によれば、決定木モデルを活用することにより、吹錬開始前に得られる操業データ（溶銑成分、溶銑温度、および、炉回数等）のみを使って吹錬開始前の時点でスロッピング発生確率を把握することができる。さらに、吹錬中の排ガス情報（排ガス流量や排ガス成分）を用いて特定できる炉内残留酸素量原単位（以下において、「炉内残留酸素原単位」ともいう。）を活用することにより、特別なスロッピング予知専用のセンサーを導入せずとも精度良く吹錬中のスロッピング発生確率を求めることができる。したがって、本発明によれば、転炉吹錬のスロッピングを高精度かつ安価に予知することが可能な、転炉吹錬におけるスロッピング予知方法を提供することができる。 According to the present invention, by using a decision tree model, slapping is performed before the start of blowing using only operation data (hot metal composition, hot metal temperature, number of furnaces, etc.) obtained before the start of blowing. The probability of occurrence can be grasped. Furthermore, by utilizing the in-furnace residual oxygen amount basic unit (hereinafter also referred to as “in-furnace residual oxygen basic unit”) that can be specified using exhaust gas information (exhaust gas flow rate and exhaust gas component) during blowing, a special It is possible to accurately determine the probability of occurrence of slopping during blowing without introducing a dedicated sensor for predicting slopping. Therefore, according to the present invention, it is possible to provide a method for predicting slopping in converter blowing that can predict slopping in converter blowing with high accuracy and low cost.
以下、本発明の完成に至った着想について説明するとともに、本発明の実施の形態について説明する。なお、以下の説明において、転炉吹錬を単に「吹錬」ということがある。以下に説明する形態は本発明の例示であり、本発明は以下に説明する形態に限定されない。 Hereinafter, the concept of the present invention will be described, and embodiments of the present invention will be described. In the following description, converter blowing may be simply referred to as “blowing”. The form described below is an exemplification of the present invention, and the present invention is not limited to the form described below.
吹錬開始前に得られる操業データ（溶銑成分、溶銑温度、炉回数等。以下において単に「操業データ」ということがある。）のみを使って吹錬開始前の時点でスロッピングを予知できれば、スロッピング抑制のための対策検討（例えば、スロッピング抑制材の投入、上吹きランス高さの変更、上吹き酸素流量の変更等。）をオペレータが事前に実施可能となるため、より適正なスロッピング抑制が期待できる。そこで、過去のスロッピング発生状況を表す実績データ（詳細後述）、および、前述の吹錬開始前に得られる操業データの過去の実績値に基づき、統計的手法にてスロッピング予知モデルを予め作成しておき、当該チャージの吹錬時には、その当該チャージの吹錬開始前に得られる操業データと、予め作成しておいたスロッピング予知モデルとを使って、吹錬開始前にスロッピングを予知する方法に着目した。 If you can predict slopping before the start of blowing using only the operation data (hot metal composition, hot metal temperature, number of furnaces, etc., sometimes referred to as “operation data” below) Since the operator can perform in advance measures for suppressing slopping (for example, adding a slopping inhibitor, changing the top blowing lance height, changing the top blowing oxygen flow rate, etc.), more appropriate slipping is possible. Hopping suppression can be expected. Therefore, a slipping prediction model is created in advance by a statistical method based on past data showing past slopping occurrence (details will be described later) and past actual values of operation data obtained before the start of blowing. In addition, when blowing the charge, use the operation data obtained before the start of blowing the charge and the slapping prediction model created in advance to predict the slapping before the start of blowing. Focused on how to do.
さらに、スロッピングの予知精度を高めるための吹錬中データとして、排ガス情報（排ガス流量、および、排ガス成分）に着目した。排ガス情報は転炉で連続的に得られる貴重な情報であり、ＯＧ設備（排ガス回収設備。以下において同じ。）が設置された一般的な転炉であれば特に追加の投資コストを必要とすることなく活用可能である。従来技術（特許文献１〜特許文献５）で取り上げたさまざまなセンサーと比べると安定かつ安価に得られる情報である。この排ガス情報の過去の実績値も予め準備しておき、スロッピング予知モデル構築に活用することによって、その予知精度を高めることが期待できる。 Furthermore, attention was paid to exhaust gas information (exhaust gas flow rate and exhaust gas component) as data during blowing for improving the prediction accuracy of slopping. Exhaust gas information is valuable information that can be obtained continuously in the converter, and an additional investment cost is required for general converters with OG equipment (exhaust gas recovery equipment; the same applies hereinafter). It can be used without any problems. It is information that can be obtained stably and inexpensively compared with various sensors taken up in the prior art (Patent Documents 1 to 5). It can be expected that the past accuracy value of this exhaust gas information is prepared in advance and used for the construction of a slipping prediction model to improve the prediction accuracy.
本発明の実施の形態について説明するにあたり、はじめに、吹錬開始前に得られる操業データ用いたスロッピング予知方法について説明する。吹錬開始前に得られる操業データの例を、表１に示す。 In describing the embodiment of the present invention, first, a slapping prediction method using operation data obtained before the start of blowing will be described. An example of operation data obtained before the start of blowing is shown in Table 1.
次に、スロッピング発生状況を表すデータ（スロッピングコード）の定義を表２に示す。 Next, Table 2 shows the definition of data (slipping code) indicating the occurrence of the slopping.
スロッピングコードとは、表２に示すように、スロッピングの発生状況に応じて１〜４の値をとるカテゴリ変数（質的変数）であり、チャージ毎にオペレータによってコンピュータに入力されデータベースに蓄積される。そして、過去のスロッピングコードの実績値と吹錬開始前に得られる操業データの実績値とを準備しておき、統計的手法を用いてスロッピング予知モデルを作成する。さまざまな統計的手法があるが、調査の結果、本発明者らは、スロッピングコードのようなカテゴリ変数を目的変数とする場合にも対応可能な決定木モデルに着目した。 As shown in Table 2, the slapping code is a categorical variable (qualitative variable) that takes a value of 1 to 4 depending on the occurrence of slopping, and is input to the computer by the operator for each charge and stored in the database. Is done. Then, an actual value of past slopping codes and an actual value of operation data obtained before the start of blowing are prepared, and a slipping prediction model is created using a statistical method. Although there are various statistical methods, as a result of investigation, the present inventors have focused on a decision tree model that can be used even when a categorical variable such as a slapping code is used as an objective variable.
『山口和範、高橋淳一、竹内光悦著、「図解入門よくわかる多変量解析の基本と仕組み」、秀和システム、２００４年』には、回帰分析のような明示的な関数を用いずに、一連の手順に沿ってデータを分けていくことによって予知や判別を行う、決定木、回帰木に関する手法が紹介されている。近年データマイニングの分野で良く用いられる手法のひとつに樹木モデル（tree-based model）が挙げられるが、この樹木モデル（tree-based model）は、非線形回帰分析、判別分析方法で、回帰の問題では回帰木（regression tree）、分類の問題では分類木（classification tree）または決定木（decision tree）と呼ばれている。決定木モデルは、簡便な分岐形式の説明変数（種々の操業条件）でカテゴリカルな目的変数（例えばスロッピングコード）を予知可能で、特に説明変数間の相互作用や非線形性が存在する場合には、重回帰式よりも有効で、最近では様々な分野の予知や判別に使われる手法である。 “Kazunori Yamaguchi, Junichi Takahashi, Mitsutoshi Takeuchi,“ Basics and Mechanisms of Multivariate Analysis Understandable to Introductory Illustrations, ”Hidekazu System, 2004”, a series of series without using explicit functions such as regression analysis. It introduces methods related to decision trees and regression trees that perform prediction and discrimination by dividing data according to procedures. In recent years, a tree-based model is one of the methods often used in the field of data mining, but this tree-based model is a nonlinear regression analysis or discriminant analysis method. In the problem of regression tree (regression tree) and classification, it is called a classification tree (decision tree) or a decision tree (decision tree). Decision tree models can predict categorical objective variables (for example, slapping codes) with simple branching explanatory variables (various operating conditions), especially when there are interactions and nonlinearities between explanatory variables. Is more effective than multiple regression and is a method used for prediction and discrimination in various fields recently.
表２に示したスロッピングコードを目的変数、表１に示した操業データを説明変数候補として構築した決定木モデルを図１に示す。図１に示した枝１１〜１５の縦軸は確率、横軸はスロッピングコードである。すべての説明変数がモデルに採用される訳ではなく、図１に示すようにスロッピングコードの予知に寄与する操業データが分岐条件の形式で選択される。図１の場合には溶銑Ｓｉ、炉回数、Ｃ級屑、および、溶銑Ｍｎの４項目が選択された。得られた決定木モデルの末端の枝（図１の枝１１〜枝１５）がスロッピングコードの内訳を表している。例えば、溶銑Ｓｉが０．３９５％以上かつ炉回数が１１６５．５回未満かつＣ級屑が５．５ｔｏｎ以上の場合（枝１５の場合）には、６０％以上の高い確率でスロッピングコード２（スロッピング中）以上のスロッピングが発生し、一方、溶銑Ｓｉが０．３９５％未満の場合（枝１１の場合）には、スロッピングコード２以上の発生確率は３０％と小さくなることを示している。このように決定木モデルは、ある説明変数の具体的な数値条件下での目的変数（カテゴリ変数）のカテゴリ毎の発生確率を提示できる。以降、図１に示したような、決定木モデルを用いて転炉吹錬のスロッピングを予知するモデルをスロッピング予知モデル（第１実施形態にかかるスロッピング予知モデル）と呼ぶこととする。 FIG. 1 shows a decision tree model constructed by using the sloping codes shown in Table 2 as objective variables and the operation data shown in Table 1 as explanatory variable candidates. The vertical axis of the branches 11 to 15 shown in FIG. 1 is the probability, and the horizontal axis is the slapping code. Not all explanatory variables are adopted in the model, and as shown in FIG. 1, operation data that contributes to the prediction of the slipping code is selected in the form of a branch condition. In the case of FIG. 1, four items of hot metal Si, the number of furnaces, C-grade scrap, and hot metal Mn were selected. The branch at the end of the obtained decision tree model (branch 11 to branch 15 in FIG. 1) represents the breakdown of the slapping code. For example, when the hot metal Si is 0.395% or more, the number of furnaces is less than 1165.5 times, and the C-grade scrap is 5.5 tons or more (in the case of the branch 15), the slapping code 2 has a high probability of 60% or more. (Slipping) More slopping occurs, while if the molten iron Si is less than 0.395% (in the case of branch 11), the probability of occurrence of the sloping code 2 or more is reduced to 30%. Show. In this way, the decision tree model can present the occurrence probability of each target variable (category variable) for each category under specific numerical conditions of a certain explanatory variable. Hereinafter, a model for predicting the slopping of converter blowing using the decision tree model as shown in FIG. 1 will be referred to as a slipping prediction model (slipping prediction model according to the first embodiment).
そして、スロッピング予知モデルを用いることによって、オペレータは吹錬開始前の段階でこれから行う転炉吹錬のスロッピング発生確率を知ることができる。そのため、スロッピング発生確率に応じて、スロッピング抑制のための対策検討（例えば、スロッピング抑制材の投入、上吹きランス高さの変更、上吹き酸素流量の変更等。）を、吹錬開始前に行うことが可能となる。 Then, by using the slipping prediction model, the operator can know the probability of occurrence of slopping in converter blowing that will be performed in the stage before the start of blowing. Therefore, depending on the probability of occurrence of slopping, measures for suppressing slopping (for example, introduction of slopping suppression material, change of top blowing lance height, change of top blowing oxygen flow rate, etc.) are started. Can be done before.
一方、特許文献１〜特許文献５に開示されているような従来のセンサー情報によるスロッピングの予知情報は、吹錬中にオペレータに提示される。この場合、オペレータのスロッピング抑制アクションの判断および実行は非常に短時間で実施する必要があり、不適切な抑制アクション（例えば、過剰な抑制材の投入、過剰な酸素流量の低減等。）の存在が予想される。これに対し、吹錬開始前にスロッピング発生確率をオペレータに提示する本発明によるスロッピング予知方法によれば、従来技術よりも適切なスロッピング抑制アクションが期待できる。 On the other hand, the prediction information of the slopping by the conventional sensor information as disclosed in Patent Documents 1 to 5 is presented to the operator during blowing. In this case, the operator's judgment and execution of the slopping suppression action needs to be performed in a very short time, and inappropriate suppression actions (for example, introduction of excessive suppression material, reduction of excessive oxygen flow rate, etc.). Presence is expected. On the other hand, according to the slipping prediction method according to the present invention in which the probability of occurrence of slipping is presented to the operator before the start of blowing, a more appropriate anti-slipping action than that of the prior art can be expected.
次に、さらにスロッピングの予知精度を高めることを目的とした、排ガス情報（排ガス流量、排ガス成分）を活用したスロッピング予知モデル（第２実施形態にかかるスロッピング予知モデル）について説明する。 Next, a slipping prediction model (slipping prediction model according to the second embodiment) using exhaust gas information (exhaust gas flow rate, exhaust gas component) for the purpose of further improving the prediction accuracy of slopping will be described.
ＯＧ設備が設置された一般的な転炉であれば、排ガス流量計、および、排ガス成分分析計は既設の設備であり、これらの測定機器を用いて排ガス情報が定周期で得られる。そして、排ガス情報を用いて得られる炉内残留酸素（詳細後述）に着目した。一般的に、炉内残留酸素はスラグ中ＦｅＯに対応すると言われているが、スラグ中ＦｅＯは先に説明したようにスロッピング発生の一因と考えられており、このスラグ中ＦｅＯと関連性のある炉内残留酸素をスロッピング予知モデルの説明変数として活用することにより、スロッピングの予知精度の向上を図った。 If it is a general converter equipped with OG equipment, the exhaust gas flow meter and the exhaust gas component analyzer are existing equipment, and exhaust gas information can be obtained at regular intervals using these measuring instruments. Then, attention was paid to residual oxygen in the furnace (detailed later) obtained using the exhaust gas information. In general, residual oxygen in the furnace is said to correspond to FeO in the slag, but FeO in the slag is considered to be a cause of slopping as described above, and is related to this FeO in the slag. By using residual oxygen in the furnace as an explanatory variable for the slipping prediction model, the prediction accuracy of the slipping was improved.
第２実施形態にかかるスロッピング予知モデルに追加される説明変数の候補を表３に示す。第２実施形態にかかるスロッピング予知モデルでは、表１に示した操業データおよび表３に示した説明変数の候補が、説明変数の候補になる。 Table 3 shows explanatory variable candidates added to the slipping prediction model according to the second embodiment. In the slipping prediction model according to the second embodiment, the operation data shown in Table 1 and the explanatory variable candidates shown in Table 3 become the explanatory variable candidates.
表３に示したように、過去の排ガス情報から求めた炉内残留酸素原単位（１分毎の値）を説明変数候補として準備しておき、決定木モデルを構築した。表２に示したスロッピングコードを目的変数、表１に示した操業データおよび表３に示した説明変数の候補を説明変数候補として構築した決定木モデルを、図２に示す。図２に示した枝２１〜２７の縦軸は確率、横軸はスロッピングコードである。また、図２における「ＦＯ２．５ｍｉｎ」は吹錬開始後５分時点の上吹き酸素流量であり、「ＯＳ．５ｍｉｎ」は吹錬開始後５分時点における炉内残留酸素原単位である。
図２に示した第２実施形態にかかるスロッピング予知モデルは、図１に示した第１実施形態にかかるスロッピング予知モデルよりも、枝の数が多い。これは、より細かい条件でスロッピング発生確率を提示できること、すなわち図１のモデルよりも図２のモデルの方が、スロッピング予知精度を向上させやすいことを意味している。
As shown in Table 3, the in-furnace residual oxygen intensity (value per minute) obtained from past exhaust gas information was prepared as an explanatory variable candidate, and a decision tree model was constructed. FIG. 2 shows a decision tree model constructed by using the sloping code shown in Table 2 as an objective variable, the operation data shown in Table 1 and the explanatory variable candidates shown in Table 3 as explanatory variable candidates. The vertical axis of the branches 21 to 27 shown in FIG. 2 is the probability, and the horizontal axis is the slapping code. In addition, “FO 2.5 min” in FIG. 2 is the upper oxygen flow rate at 5 minutes after the start of blowing, and “O S .5 min” is the residual oxygen intensity in the furnace at 5 minutes after the start of blowing. .
The slipping prediction model according to the second embodiment shown in FIG. 2 has more branches than the slopping prediction model according to the first embodiment shown in FIG. This means that the probability of occurrence of slipping can be presented under more detailed conditions, that is, the model of FIG. 2 can more easily improve the prediction accuracy of slipping than the model of FIG.
また、図２に示したスロッピング予知モデルでは、吹錬開始後５分時点の上吹き酸素流量および吹錬開始後５分時点における炉内残留酸素原単位が有効な説明変数として選択された。例えば、図２の枝２３は、「溶銑Ｔｉが０．０３９５％より小さく」かつ「５分時点の上吹き酸素流量が５５００３．７５［ｍ３/ｈ（ＮＴＰ）］より小さく」かつ「吹錬開始後５分時点における炉内残留酸素原単位が３．９００１１［ｍ３/ｔｏｎ（ＮＴＰ）］以上である」と、６０％以上の高い確率でスロッピングコード２以上のスロッピングが発生することを示している。図２の枝２２および枝２３を比較すると、スラグ中ＦｅＯと対応する炉内残留酸素が大きいほどスロッピングの発生確率が大きくなっており、先に説明したスロッピング発生機構（スラグ中ＦｅＯが増加しスラグ−溶鋼界面でＣＯ反応が爆発的に起こってスロッピングが発生）と対応するもので妥当な結果である。 Further, in the slopping prediction model shown in FIG. 2, the upper oxygen flow rate at 5 minutes after the start of blowing and the residual oxygen intensity in the furnace at 5 minutes after the start of blowing were selected as effective explanatory variables. For example, the branch 23 in FIG. 2 indicates that “the molten iron Ti is smaller than 0.0395%” and “the top blown oxygen flow rate at 5 minutes is smaller than 55003.75 [m 3 / h (NTP)]” and “blowing. If the residual oxygen intensity in the furnace at 5 minutes after the start is 3.90011 [m 3 / ton (NTP)] or more, ”a slopping of the slapping code 2 or more occurs with a high probability of 60% or more. Is shown. Comparing the branch 22 and the branch 23 in FIG. 2, the larger the residual oxygen in the furnace corresponding to FeO in the slag, the greater the probability of the occurrence of slopping. This is a reasonable result corresponding to the case where the CO reaction explosively occurs at the slag-molten steel interface and slopping occurs.
炉内残留酸素原単位の算出方法を以下に示す。一般に、炉内残留酸素量原単位は、生成したスラグ中ＦｅＯに対応する。
排ガス中のＣＯ流量［ｍ３／ｈ（ＮＴＰ）］、排ガス中のＣＯ２流量［ｍ３／ｈ（ＮＴＰ）］、排ガス中のＯ２流量［ｍ３／ｈ（ＮＴＰ）］、及び、排ガス中のＮ２流量［ｍ３／ｈ（ＮＴＰ）］は、それぞれ、下記式（１）、（２）、（３）、（４）で表される。以下の式において、ｈＣＯ、ｈＣＯ２、及び、ｈＯ２は排ガス成分［％］であり、Ｑｏｆｆｇａｓは排ガス流量［ｍ３／ｈ（ＮＴＰ）］であり、ｉ＿ｄｅｌａｙは排ガス分析遅れ［−］である。なお、「ＮＴＰ」はＮｏｒｍａｌ Ｔｅｍｐｅｒａｔｕｒｅ Ｐｒｅｓｓｕｒｅを意味する。
The method for calculating the residual oxygen intensity in the furnace is shown below. Generally, the furnace residual oxygen amount basic unit corresponds to FeO in the generated slag.
CO flow rate [m 3 / h (NTP)] in exhaust gas, CO 2 flow rate [m 3 / h (NTP)] in exhaust gas, O 2 flow rate [m 3 / h (NTP)] in exhaust gas, and exhaust gas The N 2 flow rate [m 3 / h (NTP)] is represented by the following formulas (1), (2), (3), and (4), respectively. In the following equations, h CO 2 , h CO 2 , and h O 2 are exhaust gas components [%], Q offgas is an exhaust gas flow rate [m 3 / h (NTP)], and i_delay is an exhaust gas analysis delay [−]. is there. Note that “NTP” means Normal Temperature Pressure.
また、炉内で発生したＣＯ流量［ｍ３／ｈ（ＮＴＰ）］は下記式（５）で表され、炉内で発生したＣＯ２流量［ｍ３／ｈ（ＮＴＰ）］は下記式（６）で表される。 The CO flow rate [m 3 / h (NTP)] generated in the furnace is expressed by the following formula (5), and the CO 2 flow rate [m 3 / h (NTP)] generated in the furnace is expressed by the following formula (6 ).
また、炉内残留酸素変化量ｄＯＳ［ｍ３／ｓ（ＮＴＰ）］は、次の式で表される。 The in-furnace residual oxygen change amount dO S [m 3 / s (NTP)] is expressed by the following equation.
上記式（７）で表される炉内残留酸素変化量ｄＯＳを用いて、炉内残留酸素量原単位ＯＳ［ｍ３／ｔｏｎ（ＮＴＰ）］は次の式で表される。 Using the in-furnace residual oxygen change amount dO S represented by the above formula (7), the in-furnace residual oxygen amount basic unit O S [m 3 / ton (NTP)] is represented by the following formula.
炉内蓄積酸素量原単位ＯＳは、式（８）に示したように、炉内残留酸素変化量（ｄＯＳ）を積分したものからＳｉＯ２形成で消費される酸素量を差し引いた値（≒スラグ中の酸化鉄（ＦｅＯ、Ｆｅ２Ｏ３）に含有される酸素量）を、転炉内のスラグ生成量Ｗｓｔ［ｔｏｎ］で割った値として定義することができる。 As shown in the equation (8), the in-furnace oxygen storage unit O S is a value obtained by subtracting the amount of oxygen consumed in the formation of SiO 2 from the integral of the in-furnace residual oxygen change amount (dO S ). ≒ It can be defined as a value obtained by dividing iron oxide (the amount of oxygen contained in FeO, Fe 2 O 3 ) in the slag by the slag generation amount W st [ton] in the converter.
以上説明したように、第１実施形態にかかるスロッピング予知モデルを用いることにより、吹錬開始前に得られる操業データ（溶銑成分、溶銑温度、炉回数等）を使って、従来技術のように特別なスロッピング予知専用のセンサーを導入せずとも吹錬開始前の時点でスロッピング発生確率を高精度に把握することが可能となる。さらに、第２実施形態にかかるスロッピング予知モデルを用いることにより、吹錬中の排ガス情報（排ガス流量、排ガス成分）を用いて得られる炉内残留酸素量原単位を活用することで、従来技術のように特別なスロッピング予知専用のセンサーを導入せずとも吹錬中のスロッピング発生確率を高精度に求めることが可能になる。すなわち、上記第１実施形態にかかるスロッピング予知モデルを用いる、本発明の第１実施形態にかかる転炉吹錬におけるスロッピング予知方法、および、上記第２実施形態にかかるスロッピング予知モデルを用いる、本発明の第２実施形態にかかる転炉吹錬におけるスロッピング予知方法（以下において、これらをまとめて「本発明のスロッピング予知方法」ということがある。）によれば、転炉吹錬のスロッピングを高精度かつ安価に予知することができる。 As explained above, by using the slapping prediction model according to the first embodiment, operation data (hot metal component, hot metal temperature, number of furnaces, etc.) obtained before the start of blowing is used as in the prior art. Even without introducing a special sensor for predicting slopping, it is possible to grasp the probability of occurrence of slopping with high accuracy before the start of blowing. Furthermore, by using the slopping prediction model according to the second embodiment, by utilizing the in-furnace residual oxygen amount basic unit obtained by using the exhaust gas information (exhaust gas flow rate, exhaust gas component) during blowing, the conventional technology Thus, it becomes possible to determine the probability of occurrence of slopping during blowing with high accuracy without introducing a special sensor dedicated to slopping prediction. That is, using the slapping prediction model according to the first embodiment, the slapping prediction method in the converter blowing according to the first embodiment of the present invention, and the sloping prediction model according to the second embodiment are used. According to the method for predicting slapping in converter blowing according to the second embodiment of the present invention (hereinafter, these may be collectively referred to as “the method for predicting slopping of the present invention”). Can be predicted with high accuracy and low cost.
図面を参照しつつ、本発明の実施形態についてさらに説明を続ける。図３は、本発明の転炉吹錬のスロッピング予知方法を実施可能な、スロッピング予知システムの形態例を説明する図である。図３に示したスロッピング予知システム１０において、溶銑スクラップデータ１は、チャージ毎の溶銑重量、溶銑成分（Ｃ、Ｓｉ、Ｍｎ、Ｐ等）、溶銑温度、溶銑率、スクラップ重量、炉回数等の溶銑条件と吹錬中に投入された副原料等のデータである。パラメータ２では、図１や図２に示したスロッピング予知モデルの分岐条件項目と対応する分岐項目の数値条件、および、各枝のスロッピング発生確率を設定する。炉内残留酸素演算部３では、排ガス情報（排ガス流量計で測定される排ガス流量および排ガス成分分析計で測定される排ガス成分）を用いて上記式（１）〜（８）に基づいて炉内残留酸素量原単位を算出する。 The embodiment of the present invention will be further described with reference to the drawings. FIG. 3 is a diagram for explaining an example of a slipping prediction system that can implement the method for predicting the slopping of converter blowing according to the present invention. In the slapping prediction system 10 shown in FIG. 3, the hot metal scrap data 1 includes hot metal weight for each charge, hot metal components (C, Si, Mn, P, etc.), hot metal temperature, hot metal ratio, scrap weight, number of furnaces, etc. It is data such as hot metal conditions and auxiliary materials introduced during blowing. In the parameter 2, the numerical condition of the branch item corresponding to the branch condition item of the slipping prediction model shown in FIGS. 1 and 2 and the probability of occurrence of slopping of each branch are set. The in-furnace residual oxygen calculation unit 3 uses the exhaust gas information (the exhaust gas flow rate measured by the exhaust gas flow meter and the exhaust gas component measured by the exhaust gas component analyzer) based on the above formulas (1) to (8). Calculate the residual oxygen consumption rate.
スロッピング発生確率演算部４では、溶銑スクラップデータ１と、パラメータ２と、炉内残留酸素演算部３で計算された炉内残留酸素量原単位と、上吹き酸素流量データとを用い、スロッピング予知モデルに基づいてスロッピング発生確率を求める。入出力部５では、パラメータの修正やスロッピング発生確率演算部４で求めたスロッピング発生確率を表示する。スロッピング予知システム１０において、入出力部５には公知の入出力手段を用いることができる。また、排ガス流量計には公知のガス流量計を用いることができ、排ガス成分分析計には公知のガス成分分析計を用いることができる。 The slapping occurrence probability calculation unit 4 uses the hot metal scrap data 1, the parameter 2, the in-furnace residual oxygen amount basic unit calculated by the in-furnace residual oxygen calculation unit 3, and the top blowing oxygen flow rate data to perform the slopping. The probability of occurrence of slipping is obtained based on the prediction model. The input / output unit 5 displays parameter correction and the slapping occurrence probability obtained by the slapping occurrence probability calculation unit 4. In the slipping prediction system 10, a known input / output unit can be used for the input / output unit 5. A known gas flow meter can be used as the exhaust gas flow meter, and a known gas component analyzer can be used as the exhaust gas component analyzer.
図４は、本発明のスロッピング予知方法を説明するフローチャートである。
ＳＴＥＰ１では、溶銑重量およびスクラップ重量や炉回数等のデータを溶銑スクラップデータ１から収集する。ＳＴＥＰ２では、排ガス流量計で測定した排ガス流量測定値、排ガス成分分析計で測定した排ガス成分分析値、および、溶銑スクラップデータ１を用いて、上記式（１）〜（８）に基づいて炉内残留酸素量原単位を算出する。次に、ＳＴＥＰ３では、ＳＴＥＰ２の結果を使い、図１や図２に示したスロッピング予知モデルに基づいてスロッピング発生確率を計算する。次に、ＳＴＥＰ４で吹錬が終了しているか否かが判断される。ＳＴＥＰ４で否定判断がなされた場合（吹錬が終了していない場合）にはＳＴＥＰ２に戻り、ＳＴＥＰ４で肯定判断がなされるまで、ＳＴＥＰ２〜ＳＴＥＰ４の処理が繰り返される。これに対し、ＳＴＥＰ４で肯定判断がなされた場合（吹錬が終了している場合）には計算を終了する。
FIG. 4 is a flowchart for explaining the slapping prediction method of the present invention.
In STEP 1, data such as hot metal weight, scrap weight, and number of furnaces are collected from hot metal scrap data 1. In STEP2, using the exhaust gas flow rate measurement value measured with the exhaust gas flow meter, the exhaust gas component analysis value measured with the exhaust gas component analyzer, and the hot metal scrap data 1, the inside of the furnace is calculated based on the above formulas (1) to (8). Calculate the residual oxygen consumption rate. Next, in STEP3, using the result of STEP2, the probability of occurrence of slipping is calculated based on the slipping prediction model shown in FIGS. Next, in STEP 4, it is determined whether or not blowing has been completed. When a negative determination is made in STEP 4 (when blowing is not completed), the process returns to STEP 2 and the processes of STEP 2 to STEP 4 are repeated until an affirmative determination is made in STEP 4. On the other hand, when a positive determination is made in STEP 4 (when blowing is finished), the calculation is finished.
以上の手順に従う本発明のスロッピング予知方法によれば、決定木モデルを活用することにより、吹錬開始前に得られる操業データ（溶銑成分、溶銑温度、炉回数等）のみを使って吹錬開始前の時点でスロッピング発生確率を高精度に算出可能となる。さらに、図２〜図４に示したように、吹錬中の排ガス情報（排ガス流量および排ガス成分）から得られる炉内残留酸素量原単位を活用する、本発明の第２実施形態にかかる転炉吹錬におけるスロッピング予知方法によれば、特別なスロッピング予知用のセンサーを導入せずとも精度良く吹錬中のスロッピング発生確率を求めることができる。すなわち本発明によれば、転炉吹錬のスロッピングを高精度かつ安価に予知することができる。 According to the slopping prediction method of the present invention according to the above procedure, by utilizing the decision tree model, only the operation data (hot metal composition, hot metal temperature, number of furnaces, etc.) obtained before the start of blowing is used for blowing. It is possible to calculate the slopping occurrence probability with high accuracy at the time before the start. Furthermore, as shown in FIGS. 2 to 4, the conversion according to the second embodiment of the present invention that utilizes the in-furnace residual oxygen amount basic unit obtained from the exhaust gas information (exhaust gas flow rate and exhaust gas component) during blowing is used. According to the method of predicting slopping in furnace blowing, the probability of occurrence of slopping during blowing can be obtained with high accuracy without introducing a special sensor for predicting slopping. That is, according to the present invention, it is possible to predict slopping of converter blowing with high accuracy and low cost.
なお、図３および図４を用いた、スロッピング予知システムおよび本発明のスロッピング予知方法に関する上記説明では、本発明の第２実施形態を実施する場合について主に言及したが、本発明は当該形態に限定されない。スロッピング予知システム１０を用いて本発明の第１実施形態を実施する場合には、炉内残留酸素演算部３の演算結果や上吹き酸素流量のデータを使用しなければ良い。かかる形態の本発明によれば、スロッピング予知専用のセンサーを用いることなく、吹錬開始前にスロッピング発生確率を把握することが可能なので、このような形態であっても、転炉吹錬のスロッピングを高精度かつ安価に予知することが可能である。 In the above description regarding the slipping prediction system and the slipping prediction method of the present invention using FIG. 3 and FIG. 4, the case where the second embodiment of the present invention is implemented has been mainly described. The form is not limited. When the first embodiment of the present invention is implemented using the slopping prediction system 10, the calculation result of the in-furnace residual oxygen calculation unit 3 and the data of the top blown oxygen flow rate may be used. According to this aspect of the present invention, it is possible to grasp the probability of occurrence of slopping before the start of blowing without using a sensor dedicated to predicting slopping. It is possible to predict slopping at high accuracy and low cost.
１…溶銑スクラップデータ
２…パラメータ
３…炉内残留酸素演算部
４…スロッピング発生確率演算部
５…入出力部
１０…スロッピング予知システム
DESCRIPTION OF SYMBOLS 1 ... Hot metal scrap data 2 ... Parameter 3 ... Residual oxygen calculation part in a furnace 4 ... Slapping generation | occurrence | production probability calculation part 5 ... Input / output part 10 ... Slipping prediction system
Claims (3)
今後行われる転炉吹錬の開始前に得られる操業データを用いて、前記今後行われる転炉吹錬の開始前に、前記今後行われる転炉吹錬のスロッピング発生確率をスロッピングの規模毎に導出することを特徴とする、転炉吹錬におけるスロッピング予知方法。 Using a decision tree model constructed using data representing the magnitude of slopping in past converter blowing and actual values of operation data obtained before the start of past converter blowing,
Using the operation data obtained before the start of the future converter blowing, before the start of the future converter blowing, the probability of the slopping occurrence of the future converter blowing will be the scale of the slopping A method for predicting slopping in converter blowing, characterized in that the method is derived every time .
過去の転炉吹錬開始前の操業データの実績値と、
排ガス流量、排ガス組成、上吹き酸素流量、副原料使用量、および、溶銑成分から、転炉内の酸素収支を計算することにより吹錬開始から所定時間が経過するまでの間において所定間隔で得られる炉内残留酸素量原単位と、前記上吹き酸素流量と、を用いて構築した決定木モデルを使用し、
今後行われる転炉吹錬の開始前に得られる操業データと、転炉吹錬中に得られる前記炉内残留酸素量原単位および前記上吹き酸素流量と、を用いて、転炉吹錬中にスロッピング発生確率を導出することを特徴とする、転炉吹錬におけるスロッピング予知方法。 Data representing the scale of slopping in past converter blowing,
The actual value of the operation data before the start of past converter blowing,
By calculating the oxygen balance in the converter from the exhaust gas flow rate, exhaust gas composition, top blowing oxygen flow rate , amount of auxiliary raw material used, and hot metal components, it is obtained at predetermined intervals from the start of blowing to the passage of a predetermined time. Using a decision tree model constructed using a unit of residual oxygen amount in the furnace and the upper blown oxygen flow rate ,
Using the operating data obtained before the start of the converter blowing is happening, the oxygen flow blown inside the furnace residual oxygen per unit and the upper obtained during converter blowing, a converter blowing in A method of predicting slipping in converter blowing, characterized in that the probability of occurrence of slipping is derived in
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013125285A JP6160283B2 (en) | 2013-06-14 | 2013-06-14 | Slapping prediction method in converter blowing. |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013125285A JP6160283B2 (en) | 2013-06-14 | 2013-06-14 | Slapping prediction method in converter blowing. |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2015001002A JP2015001002A (en) | 2015-01-05 |
| JP6160283B2 true JP6160283B2 (en) | 2017-07-12 |
Family
ID=52295708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013125285A Active JP6160283B2 (en) | 2013-06-14 | 2013-06-14 | Slapping prediction method in converter blowing. |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6160283B2 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6331709B2 (en) * | 2014-05-30 | 2018-05-30 | 新日鐵住金株式会社 | Slapping prediction method in converter blowing. |
| JP6729532B2 (en) * | 2017-10-26 | 2020-07-22 | Ｊｆｅスチール株式会社 | State prediction method and state prediction device inside refining equipment |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06145753A (en) * | 1992-11-05 | 1994-05-27 | Nippon Steel Corp | Method for predicting slopping in converter |
| JPH06279827A (en) * | 1993-03-30 | 1994-10-04 | Sumitomo Metal Ind Ltd | Method for predicting slopping and device therefor |
| JPH08291312A (en) * | 1995-04-21 | 1996-11-05 | Sumitomo Metal Ind Ltd | Method for predicting and restraining slopping in converter blowing |
| JP2000144229A (en) * | 1998-11-09 | 2000-05-26 | Nkk Corp | Method for predicting slopping in converter and device therefor |
| JP2004288144A (en) * | 2003-01-29 | 2004-10-14 | Nippon Steel Corp | Apparatus and method for analyzing operation result of manufacturing process, and computer-readable storage medium |
| JP4915316B2 (en) * | 2007-08-28 | 2012-04-11 | 住友金属工業株式会社 | Converter blowing control method and converter blowing control system |
| JP5686091B2 (en) * | 2011-11-24 | 2015-03-18 | 新日鐵住金株式会社 | Converter refining method |
-
2013
- 2013-06-14 JP JP2013125285A patent/JP6160283B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2015001002A (en) | 2015-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018012257A1 (en) | Method for estimating phosphorus concentration in molten steel and converter blowing control device | |
| JP5822053B2 (en) | Control device and control method for converter blowing equipment | |
| KR102348892B1 (en) | Molten metal component estimation apparatus, molten metal component estimation method, and molten metal manufacturing method | |
| Sala et al. | Multivariate time series for data-driven endpoint prediction in the basic oxygen furnace | |
| JP6160283B2 (en) | Slapping prediction method in converter blowing. | |
| JP5853723B2 (en) | Phosphorus concentration prediction device and blowing control method | |
| JP6579136B2 (en) | Refining process state estimation device, refining process state estimation method, and molten metal manufacturing method | |
| JP5854171B2 (en) | Correction device, correction method, and steel refining method | |
| JP6687080B2 (en) | Molten metal temperature correction device, molten metal temperature correction method, and molten metal manufacturing method | |
| CN116469481B (en) | LF refined molten steel composition forecasting method based on XGBoost algorithm | |
| JP5821656B2 (en) | Quick lime concentration prediction device and blowing control method | |
| JP6376200B2 (en) | Molten state estimation device, molten state estimation method, and molten metal manufacturing method | |
| CN112154218B (en) | Molten metal component estimation device, molten metal component estimation method, and molten metal production method | |
| JP2018178199A (en) | Phosphorus concentration estimation method in molten steel, converter blowing control device, program, and recording medium | |
| TWI665307B (en) | Estimation method of phosphorus concentration in molten steel, converter blowing control device, program and recording medium | |
| JP6331709B2 (en) | Slapping prediction method in converter blowing. | |
| Lee et al. | Modeling of slag foaming height of electric arc furnace using stepwise regression analysis | |
| JP2000144229A (en) | Method for predicting slopping in converter and device therefor | |
| Wang et al. | Data driven based endpoint carbon content real time prediction for BOF steelmaking | |
| TWI627284B (en) | Molten pig iron preparation processing method and molten pig iron preparation processing control device | |
| JP2007238982A (en) | Method for controlling blowing end-point in converter | |
| Wang et al. | Fuzzy based similarity adjustment of case retrieval process in CBR system for BOF oxygen volume control | |
| JP7156560B2 (en) | Refining process control device and refining process control method | |
| JP7392897B2 (en) | Furnace state estimation device, furnace state estimation method, and molten steel manufacturing method | |
| JP7069999B2 (en) | Converter parameter derivation device, converter parameter derivation method, and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160203 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170120 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170131 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170330 |
|
| 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: 20170516 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170529 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 6160283 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |