JPH06147759A - 計装システム - Google Patents
計装システムInfo
- Publication number
- JPH06147759A JPH06147759A JP29445492A JP29445492A JPH06147759A JP H06147759 A JPH06147759 A JP H06147759A JP 29445492 A JP29445492 A JP 29445492A JP 29445492 A JP29445492 A JP 29445492A JP H06147759 A JPH06147759 A JP H06147759A
- Authority
- JP
- Japan
- Prior art keywords
- rotary kiln
- output
- neural network
- instrumentation system
- firing state
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000013016 learning Effects 0.000 claims abstract description 8
- 229910000831 Steel Inorganic materials 0.000 claims abstract 2
- 239000010959 steel Substances 0.000 claims abstract 2
- 238000010304 firing Methods 0.000 claims description 26
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 14
- 229910052742 iron Inorganic materials 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract 1
- 239000004568 cement Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000011449 brick Substances 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
Landscapes
- Curing Cements, Concrete, And Artificial Stone (AREA)
- Muffle Furnaces And Rotary Kilns (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】ベテランオペレータのパターン認識に匹敵する
判別を自動的に行う。 【構成】ロータリーキルン1の鉄皮温度を長手方向に沿
って複数箇所計測し、その計測値をニューラルネットワ
ーク7に入力して該キルン内の焼成状態を判別する。こ
のネットワークは、該キルン内の焼成状態の特徴的な類
型に関し、各類型の典型的な温度パターンPを入力層に
入力し、同時にその類型を示す識別信号を教師信号とし
て、繰り返し学習を行っている。
判別を自動的に行う。 【構成】ロータリーキルン1の鉄皮温度を長手方向に沿
って複数箇所計測し、その計測値をニューラルネットワ
ーク7に入力して該キルン内の焼成状態を判別する。こ
のネットワークは、該キルン内の焼成状態の特徴的な類
型に関し、各類型の典型的な温度パターンPを入力層に
入力し、同時にその類型を示す識別信号を教師信号とし
て、繰り返し学習を行っている。
Description
【0001】
【産業上の利用分野】この発明は、計装システムに関す
るもので、特に、ロータリキルン内の焼成状態を自動的
に判別する計装システムに関するものである。
るもので、特に、ロータリキルン内の焼成状態を自動的
に判別する計装システムに関するものである。
【0002】
【従来の技術】ロータリキルンでセメント原料を焼成す
る場合には、バーナのフレームの長さやコーチングの脱
着状態等がセメント製品の品質に大きな影響を与える。
そのため、バーナに供給する空気や油の量を制御して正
常な焼成状態を維持しなければならない。ところが、ロ
−タリキルンは煉瓦で内張りされた鉄製円筒体なので、
該キルン内の焼成状態を外側から目視することはできな
い。
る場合には、バーナのフレームの長さやコーチングの脱
着状態等がセメント製品の品質に大きな影響を与える。
そのため、バーナに供給する空気や油の量を制御して正
常な焼成状態を維持しなければならない。ところが、ロ
−タリキルンは煉瓦で内張りされた鉄製円筒体なので、
該キルン内の焼成状態を外側から目視することはできな
い。
【0003】そこで、従来、この焼成状態は、ロ−タリ
キルンに設け焼点温度計や落口温度計の計測値、又は、
ロータリキルンの駆動力の計測値、に基づいてそれぞれ
判断されている。
キルンに設け焼点温度計や落口温度計の計測値、又は、
ロータリキルンの駆動力の計測値、に基づいてそれぞれ
判断されている。
【0004】しかし、いずれの方法も一点計測であり、
ロータリキルンの運転にとって重要なロータリキルンの
長手方向の焼成状態の類型(フレームパターン)を識別
することが不可能であるので、焼成状態の正確な判断は
困難である。
ロータリキルンの運転にとって重要なロータリキルンの
長手方向の焼成状態の類型(フレームパターン)を識別
することが不可能であるので、焼成状態の正確な判断は
困難である。
【0005】そこで、この問題を解決するため、ロータ
リキルンの長手方向に沿った温度センサの計測値により
温度パターンを求めるとともに、この温度パターンに基
いてベテランオペレータがフレームパターンの判断をし
ている。
リキルンの長手方向に沿った温度センサの計測値により
温度パターンを求めるとともに、この温度パターンに基
いてベテランオペレータがフレームパターンの判断をし
ている。
【0006】
【発明が解決しようとする課題】しかし、従来例の焼成
状態の判断方法ではベテランオペレータのパターン認識
能力に依存しているので、スキルのない人間にはフレー
ムパターンの良し悪し等の正確な判別は不可能である。
状態の判断方法ではベテランオペレータのパターン認識
能力に依存しているので、スキルのない人間にはフレー
ムパターンの良し悪し等の正確な判別は不可能である。
【0007】この発明は、上記事情に鑑み、温度センサ
の計測値からベテランオペレータのパターン認識に匹敵
する判別を自動的に行える様にすることを目的とする。
の計測値からベテランオペレータのパターン認識に匹敵
する判別を自動的に行える様にすることを目的とする。
【0008】
【課題を解決するための手段】この発明は、ロータリキ
ルンの鉄皮温度を長手方向に沿って複数箇所計測し、そ
の計測値をニューラルネットワークの入力層に入力し、
その出力層の出力によりロータリキルン内の焼成状態を
判別する計装システムであって、該ニューラルネットワ
ークが、ロータリキルン内の焼成状態の特徴的な類型に
関し、各類型の典型的な温度パターンを入力層に入力
し、同時にその類型を示す識別信号を教師信号として、
繰り返し学習を行うこと、により前記目的を達成しよう
とするものである。
ルンの鉄皮温度を長手方向に沿って複数箇所計測し、そ
の計測値をニューラルネットワークの入力層に入力し、
その出力層の出力によりロータリキルン内の焼成状態を
判別する計装システムであって、該ニューラルネットワ
ークが、ロータリキルン内の焼成状態の特徴的な類型に
関し、各類型の典型的な温度パターンを入力層に入力
し、同時にその類型を示す識別信号を教師信号として、
繰り返し学習を行うこと、により前記目的を達成しよう
とするものである。
【0009】
【作用】温度センサのリアルタイムの計測値が、ニュー
ラルネットワークの入力層に入力され、温度パターンが
形成されると、ニューラルネットワークは、この温度パ
ターンに基いてベテランオペレータの如く焼成状態の類
型を判断し、その判断を出力層から出力する。
ラルネットワークの入力層に入力され、温度パターンが
形成されると、ニューラルネットワークは、この温度パ
ターンに基いてベテランオペレータの如く焼成状態の類
型を判断し、その判断を出力層から出力する。
【0010】
【実施例】この発明の実施例を添付図面により説明す
る。セメントロータリキルン1は、筒状鉄皮2の内面
に、耐火断熱煉瓦3を張設した回転焼成窯であり、例え
ば、直径5m、長さ90mに形成されている。この鉄皮
2の長さ方向に沿って所定間隔、例えば、2m間隔で温
度測定4できるようにスキャン型の温度センサ5が配設
されている。この温度センサ5は、ニューロコンピュー
タ6接続されている。
る。セメントロータリキルン1は、筒状鉄皮2の内面
に、耐火断熱煉瓦3を張設した回転焼成窯であり、例え
ば、直径5m、長さ90mに形成されている。この鉄皮
2の長さ方向に沿って所定間隔、例えば、2m間隔で温
度測定4できるようにスキャン型の温度センサ5が配設
されている。この温度センサ5は、ニューロコンピュー
タ6接続されている。
【0011】ニューロコンピュータ6には、ニューラル
ネットワーク7とディスプレイ装置8とが設けられてい
る。ニューラルネットワ−ク7は、前記各温度センサ4
の出力情報を入力するニューロンN1からなる入力層1
0と、前記焼成状態の認識結果を出力値として出力する
ニューロンN3からなる出力層12と、前記入力層10
と出力層12との間に接続され複数のニューロンN2か
らなる中間層11とからなる。このネットワーク7は、
ロータリーキルン1内の焼成状態の特徴的な類型とそれ
に対応する典型的な複数の温度パターンとが学習記憶さ
れており、学習したデータについてだけでなく、未知の
入力値に対しても学習したデータに基ずいた出力値の予
測が可能となる。従って、ベテランオペレータと同等の
レベルで焼成状態を判別できる様になる。
ネットワーク7とディスプレイ装置8とが設けられてい
る。ニューラルネットワ−ク7は、前記各温度センサ4
の出力情報を入力するニューロンN1からなる入力層1
0と、前記焼成状態の認識結果を出力値として出力する
ニューロンN3からなる出力層12と、前記入力層10
と出力層12との間に接続され複数のニューロンN2か
らなる中間層11とからなる。このネットワーク7は、
ロータリーキルン1内の焼成状態の特徴的な類型とそれ
に対応する典型的な複数の温度パターンとが学習記憶さ
れており、学習したデータについてだけでなく、未知の
入力値に対しても学習したデータに基ずいた出力値の予
測が可能となる。従って、ベテランオペレータと同等の
レベルで焼成状態を判別できる様になる。
【0012】次に、本実施例の作動について説明する。
ベテランオペレータが、ロータリキルン1の焼成状態の
特徴的な幾つかの類型を抽出する。この類型はフレーム
の長さやコーチング状態等の事項を基準にして決定され
る。そして、予めキルン運転中に生じた温度パターンを
プリントアウトし、ベテランオペレータが前記類型に対
応する典型的な温度パターンを数列ずつ用意し、繰り返
し学習を行なわせる。
ベテランオペレータが、ロータリキルン1の焼成状態の
特徴的な幾つかの類型を抽出する。この類型はフレーム
の長さやコーチング状態等の事項を基準にして決定され
る。そして、予めキルン運転中に生じた温度パターンを
プリントアウトし、ベテランオペレータが前記類型に対
応する典型的な温度パターンを数列ずつ用意し、繰り返
し学習を行なわせる。
【0013】更に具体的に述べると、幾つかの類型とし
て5つの類型を選び、この5つの焼成状態の類型に対
し、各類型に属する典型的な温度データDに基づく温度
パターンPを入力層12に入力する。この温度パターン
Pは、例えば、フレームFの長さやコーチングの着脱等
が標準状態である時には、図4に示す様な温度パターン
Pとなる。
て5つの類型を選び、この5つの焼成状態の類型に対
し、各類型に属する典型的な温度データDに基づく温度
パターンPを入力層12に入力する。この温度パターン
Pは、例えば、フレームFの長さやコーチングの着脱等
が標準状態である時には、図4に示す様な温度パターン
Pとなる。
【0014】これと同時に温度パターンPに対応する焼
成状態の類型をベテランオペレータが自己の知識と経験
に基き判別する。判別された類型に対応する識別信号を
教師信号Tとして、ニューラルネットワーク7の出力層
12に与え、繰り返し学習を行わせて学習を完了させ
る。これにより学習したデータについてだけでなく、未
知の入力値に対しても学習したデータに基ずいた出力値
の予測が可能となる。
成状態の類型をベテランオペレータが自己の知識と経験
に基き判別する。判別された類型に対応する識別信号を
教師信号Tとして、ニューラルネットワーク7の出力層
12に与え、繰り返し学習を行わせて学習を完了させ
る。これにより学習したデータについてだけでなく、未
知の入力値に対しても学習したデータに基ずいた出力値
の予測が可能となる。
【0015】学習完了後のニューラルネットワーク7の
入力層10にロータリキルン1の鉄皮温度データSをリ
アルタイムに入力すると、ニューラルネットワーク7は
温度パターンPから現在の焼成状態の類型を判別すると
ともにその判別信号を出力層12からディスプレイ装置
8に出力する。そうすると、ディスプレイ装置8に現在
の焼成状態が、フレームの長さ70%良好、30mの位
置に30%のコーチング等の如く数値で表示される。
入力層10にロータリキルン1の鉄皮温度データSをリ
アルタイムに入力すると、ニューラルネットワーク7は
温度パターンPから現在の焼成状態の類型を判別すると
ともにその判別信号を出力層12からディスプレイ装置
8に出力する。そうすると、ディスプレイ装置8に現在
の焼成状態が、フレームの長さ70%良好、30mの位
置に30%のコーチング等の如く数値で表示される。
【0016】
【発明の効果】この発明は上記の様に構成したので、ロ
ータリキルン内の焼成状態を自動的に、しかもベテラン
オペレータと同等の正確さで判断することができる。
ータリキルン内の焼成状態を自動的に、しかもベテラン
オペレータと同等の正確さで判断することができる。
【図1】本発明の実施例を示す斜視図である。
【図2】ニューラルネットワークの学習時の状態を示す
図である。
図である。
【図3】ニューラルネットワークの計測時の状態を示す
図である。
図である。
【図4】温度パターンを示す図である。
1 ロータリキルン 2 鉄皮 5 温度センサ 6 ニューロコンピュータ 7 ニューラルネットワーク
Claims (4)
- 【請求項1】ロータリキルンの鉄皮温度を計測する温度
センサと、該キルン内の焼成状態を認識する判別手段
と、を備えた計装システムであって、該判別手段が前記
温度センサの出力情報の組を入力とし、ニューラルネッ
トワ−クによりロータリキルンの焼成状態を認識するこ
とを特徴とする計装システム。 - 【請求項2】ニューラルネットワ−クが、前記温度セン
サの出力情報を入力するニューロンからなる入力層と、
前記焼成状態の認識結果を出力値として出力するニュー
ロンからなる出力層と、前記入力層と出力層との間に接
続され複数のニューロンからなる中間層とからなること
を特徴とする計装システム。 - 【請求項3】ロータリキルンの鉄皮温度を長手方向に沿
って複数箇所計測し、その計測値をニューラルネットワ
ークの入力層に入力し、その出力層の出力によりロータ
リキルン内の焼成状態を判別する計装システムであっ
て、該ニューラルネットワークが、ロータリキルン内の
焼成状態の特徴的な類型に関し、各類型の典型的な温度
パターンを該入力層に入力し、同時にその類型を示す識
別信号を教師信号として、繰り返し学習が行われている
ことを特徴とする計装システム。 - 【請求項4】焼成状態の類型が、数値表示されることを
特徴とする請求項3記載の計装システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP29445492A JP3362231B2 (ja) | 1992-11-02 | 1992-11-02 | 計装システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP29445492A JP3362231B2 (ja) | 1992-11-02 | 1992-11-02 | 計装システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH06147759A true JPH06147759A (ja) | 1994-05-27 |
JP3362231B2 JP3362231B2 (ja) | 2003-01-07 |
Family
ID=17807994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP29445492A Expired - Fee Related JP3362231B2 (ja) | 1992-11-02 | 1992-11-02 | 計装システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3362231B2 (ja) |
-
1992
- 1992-11-02 JP JP29445492A patent/JP3362231B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP3362231B2 (ja) | 2003-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6837848B2 (ja) | 診断装置 | |
CN108614032B (zh) | 一种基于改进神经网络的混凝土内部钢筋无损检测系统及控制方法 | |
CN105925750A (zh) | 一种基于神经网络的炼钢终点预测方法 | |
ATE86073T1 (de) | Vorrichtung und verfahren zum kneten von teig. | |
US20050137995A1 (en) | Method for regulating a thermodynamic process by means of neural networks | |
JP3362231B2 (ja) | 計装システム | |
US3622140A (en) | Continuous heat treating line | |
JP2512328B2 (ja) | 高炉パタ―ンデ―タの自動判定システム | |
JPH0674876A (ja) | 設備診断方法及び装置 | |
KR101858860B1 (ko) | 고로 노열 제어 장치 | |
JP2506485B2 (ja) | 高炉装入物分布制御方法 | |
JPH0652474A (ja) | プラント監視装置 | |
JPH07271983A (ja) | バーナ燃焼フレームの形状認識システム | |
JP2506486B2 (ja) | 高炉装入物分布制御方法 | |
JPH01287419A (ja) | プロセス監視装置 | |
JPH05204407A (ja) | プロセスの特性予測方法ならびにその予測方法を用いたプロセスの監視方法およびプロセスの制御方法 | |
JP3121924B2 (ja) | ガス識別方法とガス識別装置 | |
JPH04152241A (ja) | 設備または製品の異常監視装置 | |
JPH1060510A (ja) | 高炉異常炉況予知方法 | |
JPH06150178A (ja) | 異常警報システム | |
KR100197715B1 (ko) | 퍼지원리를 이용한 세정도 판별방법 | |
JPS59221583A (ja) | 竪型炉の炉内状況監視法 | |
CN117311265A (zh) | 一种基于双温度测点的数控机床主轴热误差预测方法 | |
JPH03118430A (ja) | サーモグラフィ装置の表示方法 | |
CN115901522A (zh) | 一种烧结矿FeO含量在线检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees |