JP7031623B2 - 加熱炉の異常原因特定方法、加熱炉の異常原因特定装置、機械学習方法、及び加熱炉の異常原因特定モデル - Google Patents

Description

本発明は、加熱炉の異常原因特定方法、加熱炉の異常原因特定装置、機械学習方法、及び加熱炉の異常原因特定モデルに関する。

一般に、加熱炉を操業する際には、ガス及び空気の使用量や温度等の操業データを収集し、収集された操業データに基づいて加熱炉の状況を常時監視する。加熱炉に異常が発生した際には、収集された操業データが異常値を示す。このような背景から、特許文献１には、正常時の操業データの値に対する収集された操業データの値のずれに基づいて加熱炉における異常の有無を判定する方法が記載されている。

特開２０１１－１２９２８号公報

加熱炉の異常の中には、酸素濃度異常等の発生の有無はわかっても、操業データの値からは詳細な異常原因まで特定できない異常がある。このため、特許文献１に記載の方法によれば、発生の有無を判定できたとしても、異常原因を特定できない異常については、現場で異常原因を調査する必要がある。結果、現場作業を伴うことで作業負荷が大きくなると共に、調査期間が長期化した場合、異常状態が長く継続し、加熱炉原単位の悪化が継続する。なお、このような問題を解決するために、機械学習技術を利用して正常時及び異常発生時の操業データの値を学習させることにより、操業データの値から異常原因を特定することが考えられる。しかしながら、機械学習技術を利用したとしても、過去に発生していない異常原因については、操業データの実績値が存在しないために学習できないことから、その異常原因を特定することはできない。

本発明は、上記課題に鑑みてなされたものであって、その目的は、過去に発生していない異常原因も含めて異常原因を特定可能な加熱炉の異常原因特定方法、加熱炉の異常原因特定装置、機械学習方法、及び加熱炉の異常原因特定モデルを提供することにある。

本発明に係る加熱炉の異常原因特定方法は、加熱炉で発生した異常の原因を特定する加熱炉の異常原因特定方法であって、加熱炉の操業データを取得する取得ステップと、加熱炉の操業データを入力変数、加熱炉の異常の原因を出力変数とするモデルであって、異常の原因に対応する操業データの実績がない又は所定数以上の操業データの実績が得られていない異常の原因については、正常時の実績の操業データに基づいて作成された模擬の操業データが用いられて機械学習された異常原因特定モデルに対して、前記取得ステップにおいて取得された操業データを入力することにより、加熱炉で発生した異常の原因を特定する特定ステップと、を含むことを特徴とする。

本発明に係る加熱炉の異常原因特定方法は、上記発明において、前記異常原因特定モデルは、ディープラーニングを用いて機械学習されることを特徴とする。

本発明に係る加熱炉の異常原因特定装置は、加熱炉で発生した異常の原因を特定する加熱炉の異常原因特定装置であって、加熱炉の操業データを取得する取得手段と、加熱炉の操業データを入力変数、加熱炉の原因を出力変数とするモデルであって、異常の原因に対応する操業データの実績がない又は所定数以上の操業データの実績が得られていない異常の原因については、正常時の実績の操業データに基づいて作成された模擬の操業データが用いられて機械学習された異常原因特定モデルに対して、前記取得手段が取得した操業データを入力することにより、加熱炉で発生した異常の原因を特定する特定手段と、を備えることを特徴とする。

本発明に係る機械学習方法は、加熱炉の正常時の操業データに基づいて過去に実績がない異常の原因が発生した場合の加熱炉の操業データを模擬データとして作成するステップと、加熱炉の正常時の操業データと前記模擬データとを用いて、加熱炉の操業データを入力変数、加熱炉の異常の原因を出力変数とする異常原因特定モデルを機械学習させるステップと、を含むことを特徴とする。

本発明に係る機械学習方法は、上記発明において、前記操業データを模擬データとして作成するステップは、加熱炉内の物質収支及び／又は熱収支に基づいて操業データ間の関係を示す操業データ間モデルを作成すると共に、実績又は模擬の操業データを前記操業データ間モデルに適用して模擬データを作成することを特徴とする。

本発明に係る加熱炉の異常原因特定モデルは、本発明に係る機械学習方法によって機械学習されたことを特徴とする。

本発明に係る加熱炉の異常原因特定方法、加熱炉の異常原因特定装置、機械学習方法、及び加熱炉の異常原因特定モデルによれば、過去に発生していない異常原因も含めて異常原因を特定することができる。

図１は、本発明の一実施形態である加熱炉の異常原因特定システムの構成を示すブロック図である。 図２は、操業データ及び加熱炉の異常原因の一例を示す図である。 図３は、操業データＤＢの構成を示す模式図である。 図４は、本発明の一実施形態である機械学習処理の流れを示すフローチャートである。 図５は、操業データの関係性を説明するための図である。 図６は、本発明の一実施形態である異常原因特定処理の流れを示すフローチャートである。

以下、図面を参照して、本発明の一実施形態である加熱炉の異常原因特定システムの構成及びその動作について説明する。

〔構成〕
まず、図１～図３を参照して、本発明の一実施形態である加熱炉の異常原因特定システムの構成について説明する。図１は、本発明の一実施形態である加熱炉の異常原因特定システムの構成を示すブロック図である。図２（ａ），（ｂ）はそれぞれ、操業データ及び加熱炉の異常原因の一例を示す図である。図３は、操業データＤＢの構成を示す模式図である。

図１に示すように、本発明の一実施形態である加熱炉の異常原因特定システム１は、鋼材を加熱する加熱炉２における異常の有無及び異常の原因を特定するためのシステムであり、操業データ取得部３、異常原因特定装置４、出力装置５、操業データデータベース（操業データＤＢ）６、及び機械学習部７を備えている。

操業データ取得部３は、加熱炉２に設けられた各種センサやプロセスコンピュータ等の情報処理装置から加熱炉２の操業データ（絶対値又は所定時刻の絶対値に対する相対値）を取得し、取得した操業データを異常原因特定装置４に出力する。操業データ取得部３が取得する操業データとしては、加熱炉２に供給されるＭガス（高炉、コークス炉、転炉等から発生する副生ガスの混合ガス）及び空気の流量、加熱炉２内の酸素濃度（Ｏ_２濃度）、鋼材の在炉時間等を例示できる。

異常原因特定装置４は、情報処理装置によって構成されている。異常原因特定装置４は、機械学習部７によって機械学習された異常原因特定モデル４１を用いて後述する異常原因特定処理を実行することにより、操業データ取得部３から出力された操業データに基づいて加熱炉２における異常の有無及び異常の原因を特定し、異常が発生した場合には特定した異常の原因に関する情報を出力装置５に出力する。

本実施形態では、異常原因特定モデル４１は、入力層４１ａ、中間層４１ｂ、及び出力層４１ｃを備えている。入力層４１ａには、操業データ取得部３が取得した例えば図２（ａ）に示すような操業データが入力される。中間層４１ｂのパラメータは、操業データ、正常／異常の判定結果、及び異常原因を示すデータからなる学習用データを用いて機械学習されている。出力層４１ｃは、入力層４１ａに入力された操業データに対する正常／異常の判定結果と異常判定時にはその異常原因を示すデータを出力する。

ここで、加熱炉２内でＯ_２濃度異常が発生した場合には、異常原因としては、例えば図２（ｂ）に示すように、加熱炉２内のＭガスの流量を計測するＭガス流量計の異常、加熱炉２内の空気の流量を計測する空気流量計の異常、加熱炉２内のＯ_２濃度を計測するＯ_２濃度計の異常、排ガスの切替弁のリーク、加熱炉２内に侵入する空気の増加、バーナタイルの破損等を例示できる。

出力装置５は、表示装置や印刷装置等の周知の出力装置によって構成されている。出力装置５は、異常原因特定装置４によって特定された異常原因を含む加熱炉２において発生した異常に関する情報をオペレータに報知する。

操業データＤＢ６は、図３に示すように、操業データ取得部３によって取得された操業データと、操業データに対する正常／異常の判定結果と、異常判定時にはその異常原因を示すデータと、を関連付けして記憶している。ここで、図３に示す操業データは、操業データの瞬時値又は一定時間内の平均値を用いており、互いに独立なデータである。これらの瞬時値又は一定時間内の平均値の操業データの１つ１つに対して正常又は異常の判定を与える。なお、事前に取得した操業データの正常又は異常の判定は過去の測定結果に基づいて特定の閾値や相関関係の乱れ等から行う。

機械学習部７は、情報処理装置によって構成され、ディープラーニング等の機械学習技術を利用して後述する機械学習処理を実行することにより、操業データＤＢ６内に格納されているデータを用いて異常原因特定モデル４１を機械学習させる。また、本実施形態では、機械学習部７は、過去に発生していない異常原因が発生した場合の操業データや所定数以上の操業データが得られていない異常原因に関する操業データを模擬データとして正常時の操業データから生成する模擬データ生成部７１を備えている。

〔機械学習処理〕

次に、図４，図５を参照して、本発明の一実施形態である機械学習処理について説明する。図４は、本発明の一実施形態である機械学習処理の流れを示すフローチャートである。図５は、操業データの関係性を説明するための図である。

図４に示すフローチャートは、新たな操業データが操業データＤＢ６に追加されたタイミング等の所定のタイミングで開始となり、機械学習処理はステップＳ１の処理に進む。

ステップＳ１の処理では、機械学習部７が、操業データが得られていない、又は、所定数以上の操業データが得られていない、異常原因があるか否かを判別する。判別の結果、そのような異常原因がある場合（ステップＳ１：Ｙｅｓ）、機械学習部７は、機械学習処理をステップＳ２の処理に進める。一方、そのような異常原因がない場合には（ステップＳ１：Ｎｏ）、機械学習部７は、機械学習処理をステップＳ３の処理に進める。

ステップＳ２の処理では、模擬データ生成部７１が、操業データが得られていない、又は、所定数以上の操業データが得られていない異常原因が発生した場合の操業データを模擬データとして生成する。詳しくは、操業データは互いに影響し合うので、模擬データ生成部７１は、加熱炉２内の物質収支及び／又は熱収支に基づいて操業データ間の関係を示す操業データ間モデルを作成し、作成した操業データ間モデルを用いて模擬データを生成する。なお、物質収支及び／又は熱収支の計算が困難である場合には、重回帰計算等の多変数解析技術を利用して模擬データを作成してもよい。

より具体的には、図５に示すように、加熱炉２内のＭガスの流量と空気の流量との間には相関関係があり、Ｍガス及び空気の流量が変化すると加熱炉２内のＯ_２濃度が変化する。そこで、まず、模擬データ生成部７１は、このような操業データの関係性を示す操業データ間モデルを作成する。次に、Ｍガス流量計異常を異常原因とする模擬データを作成する場合、模擬データ生成部７１は、Ｍガスの流量を正常時の流量より±１０％以上変化させる等して異常時のＭガスの流量を算出し、異常時のＭガスの流量を上述した操業データ間モデルに入力して他の操業データの異常値を算出する。この処理により、Ｍガス流量計異常を異常原因とした模擬データを作成できる。これにより、ステップＳ２の処理は完了し、機械学習処理はステップＳ３の処理に進む。

ステップＳ３の処理では、機械学習部７が、操業データと、操業データに対する正常／異常の判定結果と、異常判定時にはその異常原因を示すデータと、を用いて、異常原因特定装置４に格納されている異常原因特定モデル４１を機械学習させる。これにより、ステップＳ３の処理は完了し、一連の機械学習処理は終了する。

〔異常原因特定処理〕
次に、図６を参照して、本発明の一実施形態である異常原因特定処理について説明する。図６は、本発明の一実施形態である異常原因特定処理の流れを示すフローチャートである。

図６に示すフローチャートは、操業データ取得部３から異常原因特定装置４に操業データが出力されたタイミングで開始となり、異常原因特定処理はステップＳ１１の処理に進む。

ステップＳ１１の処理では、異常原因特定装置４が、操業データ取得部３から取得された操業データを取得する。これにより、ステップＳ１１の処理は完了し、異常原因特定処理はステップＳ１２の処理に進む。

ステップＳ１２の処理では、異常原因特定装置４が、ステップＳ１１の処理において取得した操業データを異常原因特定モデル４１に入力することにより、ステップＳ１１の処理において取得した操業データに対する正常／異常の判定結果と、異常判定時には異常原因に関するデータを取得する。これにより、ステップＳ１２の処理は完了し、異常原因特定処理はステップＳ１３の処理に進む。

ステップ１３の処理では、異常原因特定装置４が、ステップＳ１２の処理において異常原因特定モデル４１から出力された情報に基づいて、ステップＳ１１の処理において取得した操業データが正常時又は異常時のどちらのものであるのかを判別する。判別の結果、正常時の操業データである場合、異常原因特定装置４は、一連の異常原因特定処理を終了する。一方、異常時の操業データである場合には、異常原因特定装置４は、異常原因特定処理をステップＳ１４の処理に進める。

ステップＳ１４の処理では、異常原因特定装置４が、異常の判定結果とその異常原因に関するデータを出力装置５に出力する。これにより、ステップＳ１４の処理は完了し、一連の異常原因特定処理は終了する。

以上の説明から明らかなように、本発明の一実施形態である加熱炉の異常原因特定システム１では、異常原因特定装置４が、加熱炉２の操業データを入力変数、加熱炉２で発生した異常の原因を出力変数とするモデルであって、異常の原因に対応する操業データの実績がない又は所定数以上の操業データの実績が得られていない異常の原因については、正常時の実績の操業データに基づいて作成された模擬の操業データが用いられて機械学習された異常原因特定モデル４１に対して、操業データ取得部３が取得した操業データを入力することにより、加熱炉２で発生した異常の原因を特定するので、過去に発生していない異常原因も含めて異常原因を特定することができる。

〔実施例〕
本実施例では、加熱炉のＯ_２濃度異常の原因特定を行った。加熱炉のＯ_２濃度異常の原因としては、Ｍガス流量計異常、空気流量計異常、Ｏ_２濃度計異常、侵入空気増加、切替弁異常、バーナタイル破損があるが、これらの異常原因のうち、Ｍガス流量計異常以外の異常原因は過去に発生しておらず、実績の操業データが存在しないので、模擬データを生成した。また、Ｍガス流量計異常については、実績の操業データがあるが、模擬データの判定精度を確認するため、模擬データを生成して機械学習を行った。機械学習には、各異常原因の模擬データ及び正常時の操業データを用いた。この学習内容に対して、Ｍガス流量計異常発生時の実際の操業データを用いて判定を行った。結果、判定精度は１００％となり、模擬データを使用しても高精度で異常原因を判定可能であることが確認できた。

以上、本発明者らによってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。

１ 加熱炉の異常原因特定システム
２ 加熱炉
３ 操業データ取得部
４ 異常原因特定装置
５ 出力装置
６ 操業データデータベース（操業データＤＢ）
７ 機械学習部
４１ 異常原因特定モデル
７１ 模擬データ生成部

Claims (6)

1. 情報処理装置が加熱炉で発生した異常の原因を特定する加熱炉の異常原因特定方法であって、
   前記情報処理装置が、加熱炉の操業データを取得する取得ステップと、
   前記情報処理装置が、加熱炉の操業データを入力変数、加熱炉の異常の原因を出力変数とするモデルであって、異常の原因に対応する操業データの実績がない又は所定数以上の操業データの実績が得られていない異常の原因については、正常時の実績の操業データに基づいて作成された模擬の操業データが用いられて機械学習された異常原因特定モデルに対して、前記取得ステップにおいて取得された操業データを入力することにより、加熱炉で発生した異常の原因を特定する特定ステップと、
   を含むことを特徴とする加熱炉の異常原因特定方法。
2. 前記異常原因特定モデルは、ディープラーニングを用いて機械学習されることを特徴とする請求項１に記載の加熱炉の異常原因特定方法。
3. 加熱炉で発生した異常の原因を特定する加熱炉の異常原因特定装置であって、
   加熱炉の操業データを取得する取得手段と、
   加熱炉の操業データを入力変数、加熱炉の異常の原因を出力変数とするモデルであって、異常の原因に対応する操業データの実績がない又は所定数以上の操業データの実績が得られていない異常の原因については、正常時の実績の操業データに基づいて作成された模擬の操業データが用いられて機械学習された異常原因特定モデルに対して、前記取得手段が取得した操業データを入力することにより、加熱炉で発生した異常の原因を特定する特定手段と、
   を備えることを特徴とする加熱炉の異常原因特定装置。
4. 情報処理装置が、加熱炉の正常時の操業データに基づいて過去に実績がない異常の原因が発生した場合の加熱炉の操業データを模擬データとして作成するステップと、
   前記情報処理装置が、加熱炉の正常時の操業データと前記模擬データとを用いて、加熱炉の操業データを入力変数、加熱炉の異常の原因を出力変数とする異常原因特定モデルを機械学習させるステップと、
   を含むことを特徴とする機械学習方法。
5. 前記操業データを模擬データとして作成するステップにおいて、前記情報処理装置が、加熱炉内の物質収支及び／又は熱収支に基づいて操業データ間の関係を示す操業データ間モデルを作成すると共に、実績又は模擬の操業データを前記操業データ間モデルに適用して模擬データを作成することを特徴とする請求項４に記載の機械学習方法。
6. 請求項４又は５に記載の機械学習方法によって機械学習された、加熱炉の操業データを入力変数として入力し、該入力変数に対応する加熱炉の異常の原因を出力変数として取得する処理を情報処理装置に実行させることを特徴とする加熱炉の異常原因特定モデル。

Images