JPH09304376A - コークス強度予測装置 - Google Patents
コークス強度予測装置Info
- Publication number
- JPH09304376A JPH09304376A JP11646296A JP11646296A JPH09304376A JP H09304376 A JPH09304376 A JP H09304376A JP 11646296 A JP11646296 A JP 11646296A JP 11646296 A JP11646296 A JP 11646296A JP H09304376 A JPH09304376 A JP H09304376A
- Authority
- JP
- Japan
- Prior art keywords
- coke
- strength
- neural network
- coke strength
- operating conditions
- 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.)
- Pending
Links
Landscapes
- Coke Industry (AREA)
Abstract
(57)【要約】
【課題】 複数の銘柄原料を配合して生成されるコーク
スの強度を配合炭特性および操業条件に基づいて予測す
るコークス強度予測装置を提供する。 【解決手段】 最新の配合炭特性および最新の操業条件
がパラメータとして入力される入力層、複数の中間層、
および該中間層の出力からコークスのクラスとして出力
する出力層を有する操業分類ニューラルネットワーク７
と、分類学習データ管理装置５と、前記操業分類ニュー
ラルネットワークの重みを学習して更新する第１の学習
処理装置６と、複数の強度推定モデルを有し、最新の配
合炭特性および最新の操業条件に対応するコークス強度
の予測値を線形回帰式とこの推定値を補完する補完ニュ
ーラルネットワークを用いて演算する品質推定部９と、
を有するコークス強度予測装置。
スの強度を配合炭特性および操業条件に基づいて予測す
るコークス強度予測装置を提供する。 【解決手段】 最新の配合炭特性および最新の操業条件
がパラメータとして入力される入力層、複数の中間層、
および該中間層の出力からコークスのクラスとして出力
する出力層を有する操業分類ニューラルネットワーク７
と、分類学習データ管理装置５と、前記操業分類ニュー
ラルネットワークの重みを学習して更新する第１の学習
処理装置６と、複数の強度推定モデルを有し、最新の配
合炭特性および最新の操業条件に対応するコークス強度
の予測値を線形回帰式とこの推定値を補完する補完ニュ
ーラルネットワークを用いて演算する品質推定部９と、
を有するコークス強度予測装置。
Description
【０００１】
【発明の属する技術分野】本発明は、複数の銘柄原料を
配合して生成されるコークスの強度を配合炭特性および
操業条件に基づいて予測するコークス強度予測装置に関
するものである。
配合して生成されるコークスの強度を配合炭特性および
操業条件に基づいて予測するコークス強度予測装置に関
するものである。
【０００２】
【従来の技術】コークス生成の際の配合原料の銘柄構成
は年間を通して不定期に変更される。また、コークス品
質に対して、特異な影響を与える銘柄もある。そのた
め、最新の操業条件において生成されるコークス強度に
バラツキがあるのは避けられない。しかしながら、高炉
が要求するコークス製品強度を保証するために、より安
定した高い強度を保持する必要がある。このようなこと
から、生成以前にコークスの強度を精度良く予測する方
法が望まれている。
は年間を通して不定期に変更される。また、コークス品
質に対して、特異な影響を与える銘柄もある。そのた
め、最新の操業条件において生成されるコークス強度に
バラツキがあるのは避けられない。しかしながら、高炉
が要求するコークス製品強度を保証するために、より安
定した高い強度を保持する必要がある。このようなこと
から、生成以前にコークスの強度を精度良く予測する方
法が望まれている。
【０００３】コークスの強度の制御は、配合および乾留
情報から生成されるコークスの強度（ドラム強度）を予
測し、その予測値に基づいて配合調整することにより行
われる。従来、このコークス強度の予測は、数１に示す
ような重回帰式を使用して行っていた。回帰式は、複数
の原料配合比を基に配合炭特性を算出し、その配合され
た配合炭を用いてコークスを生成する過程における操業
条件を基に統計的な回帰分析を行うことにより作成され
ている。使用される配合炭特性および操業条件は、一意
ではないが、おおよそ表１で示すような項目が利用され
ている。
情報から生成されるコークスの強度（ドラム強度）を予
測し、その予測値に基づいて配合調整することにより行
われる。従来、このコークス強度の予測は、数１に示す
ような重回帰式を使用して行っていた。回帰式は、複数
の原料配合比を基に配合炭特性を算出し、その配合され
た配合炭を用いてコークスを生成する過程における操業
条件を基に統計的な回帰分析を行うことにより作成され
ている。使用される配合炭特性および操業条件は、一意
ではないが、おおよそ表１で示すような項目が利用され
ている。
【０００４】
【数１】
【０００５】
【表１】
【０００６】
【発明が解決しようとする課題】しかし、重回帰式によ
るコークス強度予測方法では、現在の原料コスト低減に
対するニーズを満足できる精度は得られていない。その
原因は以下のように考えられる。
るコークス強度予測方法では、現在の原料コスト低減に
対するニーズを満足できる精度は得られていない。その
原因は以下のように考えられる。
【０００７】（１）重回帰式パラメータの変動 図５および６に、重回帰式によるコークス強度予測値と
実績値の関係を示す。図中のプロットは配合炭水分（以
下、ＴＭという）と配合炭特性の一つである最大流動度
（以下、ＭＦという）を、ＴＭ＜９．０％＆ＭＦ＜２５
０ddpmの条件に合うものを〇印、この条件以外のものを
■印により分類したものである。図５と図６は重回帰式
の係数パラメータを変えたもので、操業条件の変化に応
じた回帰式の係数が存在することが分かる。従って、一
つの重回帰式で図５と図６の両方を満足させることは難
しい。
実績値の関係を示す。図中のプロットは配合炭水分（以
下、ＴＭという）と配合炭特性の一つである最大流動度
（以下、ＭＦという）を、ＴＭ＜９．０％＆ＭＦ＜２５
０ddpmの条件に合うものを〇印、この条件以外のものを
■印により分類したものである。図５と図６は重回帰式
の係数パラメータを変えたもので、操業条件の変化に応
じた回帰式の係数が存在することが分かる。従って、一
つの重回帰式で図５と図６の両方を満足させることは難
しい。
【０００８】（２）非線形特性の影響 図７にコークス強度に影響を与える因子であるＭＦとド
ラム強度（ＤＩ）の関係を示す。この図からＭＦとＤＩ
には非線形特性があることが分かる。コークス強度と因
果性がある操業因子は、ＭＦ以外も広い範囲では、非線
形特性を有することが分かっており、これらの特性を線
形回帰式で表現するには限界がある。
ラム強度（ＤＩ）の関係を示す。この図からＭＦとＤＩ
には非線形特性があることが分かる。コークス強度と因
果性がある操業因子は、ＭＦ以外も広い範囲では、非線
形特性を有することが分かっており、これらの特性を線
形回帰式で表現するには限界がある。
【０００９】また、本出願人は、「配合炭特性および操
業条件をパラメータとして入力し、コークスのクラスを
出力する分類用ニューラルネットワークと、コークスの
クラスに対応して複数設けられ、配合炭特性および操業
条件をパラメータとして入力してコークスの強度を出力
する推定用ニューラルネットワークによりコークス強度
予測する方法」を出願（Ｈ７年１２月１５日、特願平７
−３２７０３７号）した。しかし、この方法は、前記の
重回帰式によるコークス強度予測方法よりも精度が向上
するが、未だ満足できる精度に至っていない。
業条件をパラメータとして入力し、コークスのクラスを
出力する分類用ニューラルネットワークと、コークスの
クラスに対応して複数設けられ、配合炭特性および操業
条件をパラメータとして入力してコークスの強度を出力
する推定用ニューラルネットワークによりコークス強度
予測する方法」を出願（Ｈ７年１２月１５日、特願平７
−３２７０３７号）した。しかし、この方法は、前記の
重回帰式によるコークス強度予測方法よりも精度が向上
するが、未だ満足できる精度に至っていない。
【００１０】本発明は、上記のような問題を解決しコー
クスの強度予測の精度を一層向上させることのできるコ
ークス強度予測装置を提供することを目的とする。
クスの強度予測の精度を一層向上させることのできるコ
ークス強度予測装置を提供することを目的とする。
【００１１】
【課題を解決するための手段】本発明は上記目的を、以
下の装置によって達成する。
下の装置によって達成する。
【００１２】第１の装置は、最新の配合炭特性および最
新の操業条件がパラメータとして入力される入力層、該
入力層の出力値に重みを掛けたものを演算して出力する
複数の中間層、および該中間層の複数の出力に重みが掛
けられた複数の値に演算処理を施し、該演算結果をコー
クスのクラスとして出力する出力層を有する操業分類ニ
ューラルネットワークと、配合炭特性および操業条件と
それに対応したクラスとを分類情報として管理する分類
学習データ管理装置と、前記分類学習データ管理装置の
配合炭特性および操業条件を前記操業分類ニューラルネ
ットワークに与えて得られる出力値と前記分類学習デー
タ管理装置のクラスとから前記操業分類ニューラルネッ
トワークの重みを学習して更新する第１の学習処理装置
と、前記操業分類ニューラルネットワークから出力され
るコークスのクラスに対応した複数の強度推定モデルを
有し、最新の配合炭特性および最新の操業条件に対応す
るコークス強度の予測値を線形回帰式とこの推定値を補
完する補完ニューラルネットワークを用いて演算する品
質推定部と、を有するコークス強度予測装置である。
新の操業条件がパラメータとして入力される入力層、該
入力層の出力値に重みを掛けたものを演算して出力する
複数の中間層、および該中間層の複数の出力に重みが掛
けられた複数の値に演算処理を施し、該演算結果をコー
クスのクラスとして出力する出力層を有する操業分類ニ
ューラルネットワークと、配合炭特性および操業条件と
それに対応したクラスとを分類情報として管理する分類
学習データ管理装置と、前記分類学習データ管理装置の
配合炭特性および操業条件を前記操業分類ニューラルネ
ットワークに与えて得られる出力値と前記分類学習デー
タ管理装置のクラスとから前記操業分類ニューラルネッ
トワークの重みを学習して更新する第１の学習処理装置
と、前記操業分類ニューラルネットワークから出力され
るコークスのクラスに対応した複数の強度推定モデルを
有し、最新の配合炭特性および最新の操業条件に対応す
るコークス強度の予測値を線形回帰式とこの推定値を補
完する補完ニューラルネットワークを用いて演算する品
質推定部と、を有するコークス強度予測装置である。
【００１３】第２の装置は、第１の装置に、さらに、配
合炭特性および操業条件とコークス強度とコークス強度
から線形回帰式を用いた予測値を差し引いた補正コーク
ス強度とを対応させた強度情報を前記コークスのクラス
毎に管理する品質推定データ管理装置と、配合炭特性お
よび操業条件を前記品質推定部の強度推定モデルに与え
て得られるコークス強度予測値と、前記品質推定データ
管理装置から得られたコークス強度の実績値の誤差から
前記品質推定部の補完ニューラルネットワークの重みを
学習して更新する第２の学習処理装置とを附加したコー
クス強度予測装置である。
合炭特性および操業条件とコークス強度とコークス強度
から線形回帰式を用いた予測値を差し引いた補正コーク
ス強度とを対応させた強度情報を前記コークスのクラス
毎に管理する品質推定データ管理装置と、配合炭特性お
よび操業条件を前記品質推定部の強度推定モデルに与え
て得られるコークス強度予測値と、前記品質推定データ
管理装置から得られたコークス強度の実績値の誤差から
前記品質推定部の補完ニューラルネットワークの重みを
学習して更新する第２の学習処理装置とを附加したコー
クス強度予測装置である。
【００１４】
【発明の実施の形態】本発明の実施の形態を図面に基づ
いて以下に説明する。図１は、本発明の実施形態のコー
クス強度予測装置の構成を示すブロック図である。図に
おいて、配合炭特性調整部３は、各国から輸入された種
々の特性を持つ個別原料の特性を測定し、配合比に基づ
いて配合炭特性（ＲO ，ＭＦ，カナダ炭等）を算出す
る。
いて以下に説明する。図１は、本発明の実施形態のコー
クス強度予測装置の構成を示すブロック図である。図に
おいて、配合炭特性調整部３は、各国から輸入された種
々の特性を持つ個別原料の特性を測定し、配合比に基づ
いて配合炭特性（ＲO ，ＭＦ，カナダ炭等）を算出す
る。
【００１５】最新操業条件設定部２は、複数の個別原料
が配合された配合炭からコークスを製造する際、どのよ
うな操業条件（ＮＣＴ；火落時間、ＳＴ；置時間、Ｆ
Ｔ；乾留温度等）で製造するかを設定する。そして、そ
の操業条件を操業分類ニューラルネットワーク７に入力
する。
が配合された配合炭からコークスを製造する際、どのよ
うな操業条件（ＮＣＴ；火落時間、ＳＴ；置時間、Ｆ
Ｔ；乾留温度等）で製造するかを設定する。そして、そ
の操業条件を操業分類ニューラルネットワーク７に入力
する。
【００１６】操業分類ニューラルネットワーク７は、最
新操業条件設定部２からの操業条件および配合炭特性調
整部３からの配合炭特性をパラメータとして入力し、コ
ークスのクラス（カテゴリー）を求めて出力する。
新操業条件設定部２からの操業条件および配合炭特性調
整部３からの配合炭特性をパラメータとして入力し、コ
ークスのクラス（カテゴリー）を求めて出力する。
【００１７】品質推定部８は、コークスのクラスに対応
する図２に示す線形回帰式とこの推定値を補完する補完
ニューラルネットワークから構成された複数の強度推定
モデルから構成されている。そして、操業分類ニューラ
ルネットワーク７からのコークスのクラスの品質推定モ
デルに、操業分類ニューラルネットワーク７からの操業
条件および配合炭特性調整部３からの配合炭特性をパラ
メータとして入力し、そのときの操業条件および配合炭
特性において生成されるコークス強度の予測値を出力す
る。
する図２に示す線形回帰式とこの推定値を補完する補完
ニューラルネットワークから構成された複数の強度推定
モデルから構成されている。そして、操業分類ニューラ
ルネットワーク７からのコークスのクラスの品質推定モ
デルに、操業分類ニューラルネットワーク７からの操業
条件および配合炭特性調整部３からの配合炭特性をパラ
メータとして入力し、そのときの操業条件および配合炭
特性において生成されるコークス強度の予測値を出力す
る。
【００１８】従来の重回帰式にはコークス強度に対する
影響因子の中で特に支配的と考えられいるＲO ，ＭＦ，
T.In 等の特性が用いられていた。本強度推定モデルで
は、これらの特性の他に、配合炭を構成する個別銘柄炭
間の特性のバラツキや溶融温度帯域の重複程度を表す情
報（ＣＶ(Ro)やSyn(MF) ）と、配合炭銘柄比率（カナダ
炭配合比や豪州炭配合比を追加することにより銘柄構成
変動による影響を考慮している。
影響因子の中で特に支配的と考えられいるＲO ，ＭＦ，
T.In 等の特性が用いられていた。本強度推定モデルで
は、これらの特性の他に、配合炭を構成する個別銘柄炭
間の特性のバラツキや溶融温度帯域の重複程度を表す情
報（ＣＶ(Ro)やSyn(MF) ）と、配合炭銘柄比率（カナダ
炭配合比や豪州炭配合比を追加することにより銘柄構成
変動による影響を考慮している。
【００１９】例えば、配合炭のＲO （石炭化度の指標）
を線形回帰式を用いた予測の入力項目とする場合は、線
形回帰式で線形予測ＤＩ値を求め、一方、配合炭特性の
ＲOを除いた配合炭特性（ＭＦ，T.In，−３ｍｍ，ＣＶ
(Ro)，Syn(MF),カナダ炭配合比）および操業条件（ＮＣ
Ｔ，ＳＴ）を入力項目とする補完ニューラルネットワー
クから非線形補正ＤＩ分値を求める。そして、線形予測
ＤＩ値に非線形補正ＤＩ分値を加算した値を予測ＤＩと
するものである。
を線形回帰式を用いた予測の入力項目とする場合は、線
形回帰式で線形予測ＤＩ値を求め、一方、配合炭特性の
ＲOを除いた配合炭特性（ＭＦ，T.In，−３ｍｍ，ＣＶ
(Ro)，Syn(MF),カナダ炭配合比）および操業条件（ＮＣ
Ｔ，ＳＴ）を入力項目とする補完ニューラルネットワー
クから非線形補正ＤＩ分値を求める。そして、線形予測
ＤＩ値に非線形補正ＤＩ分値を加算した値を予測ＤＩと
するものである。
【００２０】表１のデータは、配合炭特性や操業条件を
変更する毎に実績データ収集部４を介して操業実績とし
て収集される。
変更する毎に実績データ収集部４を介して操業実績とし
て収集される。
【００２１】分類学習データ管理装置５は、過去の配合
炭特性データとそれらの配合炭に対する操業実績データ
を収集管理し、同時に各々の配合炭を以て生成されたコ
ークスの分類実績データ（クラス）を管理する。また、
初期の学習データは、過去のデータを回帰分析し、配合
炭特性および操業条件の変動の少ないデータ群に分類す
ることにより作成される。この分類学習データ管理装置
５は、表１のデータを管理する。分類学習データ管理装
置５は、分割された領域をクラス、これに対応する配合
炭特性および操業条件をセットで記憶する。また、操業
分類ニューラルネットワーク７で選択された品質推定部
８の強度推定モデルで予測したコークス強度（予測Ｄ
Ｉ）が実績値と比較して精度が悪い場合に、他の強度推
定モデルの中に精度良く予測できるものがあれば、的中
するクラスと配合炭特性および操業条件を分類学習デー
タ管理装置５に追加する。
炭特性データとそれらの配合炭に対する操業実績データ
を収集管理し、同時に各々の配合炭を以て生成されたコ
ークスの分類実績データ（クラス）を管理する。また、
初期の学習データは、過去のデータを回帰分析し、配合
炭特性および操業条件の変動の少ないデータ群に分類す
ることにより作成される。この分類学習データ管理装置
５は、表１のデータを管理する。分類学習データ管理装
置５は、分割された領域をクラス、これに対応する配合
炭特性および操業条件をセットで記憶する。また、操業
分類ニューラルネットワーク７で選択された品質推定部
８の強度推定モデルで予測したコークス強度（予測Ｄ
Ｉ）が実績値と比較して精度が悪い場合に、他の強度推
定モデルの中に精度良く予測できるものがあれば、的中
するクラスと配合炭特性および操業条件を分類学習デー
タ管理装置５に追加する。
【００２２】第１の学習処理装置６は、分類学習データ
管理装置５の分類情報（配合炭特性および操業条件）に
基づいて操業分類ニューラルネットワークの重みを学習
して更新を行い、操業分類ニューラルネットワークの入
力値とコークスのクラスの関係が実際のものと一致する
ようにして置く。
管理装置５の分類情報（配合炭特性および操業条件）に
基づいて操業分類ニューラルネットワークの重みを学習
して更新を行い、操業分類ニューラルネットワークの入
力値とコークスのクラスの関係が実際のものと一致する
ようにして置く。
【００２３】品質推定データ管理装置９は、配合炭特性
および操業条件とコークス強度とを対応させた強度情報
を管理する。この品質推定データ管理装置９は、分類学
習データ管理装置５で分類された全配合炭特性および操
業条件についての操業実績データを分類されたクラス毎
に、配合炭特性および操業条件と実績コークス強度と補
正コークス強度とのセットの形で記憶する。
および操業条件とコークス強度とを対応させた強度情報
を管理する。この品質推定データ管理装置９は、分類学
習データ管理装置５で分類された全配合炭特性および操
業条件についての操業実績データを分類されたクラス毎
に、配合炭特性および操業条件と実績コークス強度と補
正コークス強度とのセットの形で記憶する。
【００２４】第２の学習処理装置１０は、品質推定デー
タ管理装置９の強度情報から線形回帰式を用いた予測値
を差し引いた補正コークス強度を用い、強度推定モデル
の補完ニューラルネットワークの重みを学習して、その
更新を行い、強度推定モデルの補完ニューラルネットワ
ークパラメータ（配合炭特性および操業条件）とコーク
ス強度の関係が実際のものと一致するようにして置く。
コークス強度（ＤＩ）予測値は、コークス強度が測定さ
れるごとに実績値と比較され、予測に失敗した場合、学
習データを修正する。すなわち、品質推定部８の中から
的中する強度推定モデルを探し、的中するモデルが存在
する場合、そのクラスと操業条件データをセットで、操
業分類ニューラルネットワークの分類学習データ管理装
置５に追加し学習する。ここで、強度推定モデルの中に
的中するものが無い場合は、原因追求のためのオフライ
ン解析用データとして保存し、解析の結果を分類学習デ
ータ管理装置５または品質推定データ管理装置９に追加
する。
タ管理装置９の強度情報から線形回帰式を用いた予測値
を差し引いた補正コークス強度を用い、強度推定モデル
の補完ニューラルネットワークの重みを学習して、その
更新を行い、強度推定モデルの補完ニューラルネットワ
ークパラメータ（配合炭特性および操業条件）とコーク
ス強度の関係が実際のものと一致するようにして置く。
コークス強度（ＤＩ）予測値は、コークス強度が測定さ
れるごとに実績値と比較され、予測に失敗した場合、学
習データを修正する。すなわち、品質推定部８の中から
的中する強度推定モデルを探し、的中するモデルが存在
する場合、そのクラスと操業条件データをセットで、操
業分類ニューラルネットワークの分類学習データ管理装
置５に追加し学習する。ここで、強度推定モデルの中に
的中するものが無い場合は、原因追求のためのオフライ
ン解析用データとして保存し、解析の結果を分類学習デ
ータ管理装置５または品質推定データ管理装置９に追加
する。
【００２５】実績データ収集部４は、最新操業条件設定
部２からの情報、配合炭調整部３からの情報およびコー
クス炉１で製造したコークスの実績コークス強度を収集
し、整理して、分類学習データ管理装置５および品質推
定データ管理装置９に送信する。
部２からの情報、配合炭調整部３からの情報およびコー
クス炉１で製造したコークスの実績コークス強度を収集
し、整理して、分類学習データ管理装置５および品質推
定データ管理装置９に送信する。
【００２６】次に、図１のコークス強度予測装置の動作
を説明する。第１の学習処理装置６および第２の学習処
理装置１０は、上述のように、操業分類ニューラルネッ
トワーク７および品質推定部８の持つ内部状態値を学習
して更新して置くものとする。操業分類ニューラルネッ
トワーク７は、最新の操業条件および配合炭特性が入力
されてくると、それらの入力値から推定されるコークス
のクラスを出力するように動作し、コークスの分類装置
として機能する。そして、品質推定部８は、操業分類ニ
ューラルネットワーク７によって分類されたコークスの
クラスに対応した強度推定モデルが選択される。選択さ
れた強度推定モデルに、操業条件設定部２からの操業条
件データおよび配合炭特性調整部３からの配合炭特性デ
ータを入力し、その入力値に対応したコークス強度を出
力するように動作する。このように、全体として、コー
クス強度予測装置として機能していく。そして、次のよ
うな演算処理により、測定誤差の影響が最小限に抑えら
れ、精度の高いコークス強度の予測が実行される。
を説明する。第１の学習処理装置６および第２の学習処
理装置１０は、上述のように、操業分類ニューラルネッ
トワーク７および品質推定部８の持つ内部状態値を学習
して更新して置くものとする。操業分類ニューラルネッ
トワーク７は、最新の操業条件および配合炭特性が入力
されてくると、それらの入力値から推定されるコークス
のクラスを出力するように動作し、コークスの分類装置
として機能する。そして、品質推定部８は、操業分類ニ
ューラルネットワーク７によって分類されたコークスの
クラスに対応した強度推定モデルが選択される。選択さ
れた強度推定モデルに、操業条件設定部２からの操業条
件データおよび配合炭特性調整部３からの配合炭特性デ
ータを入力し、その入力値に対応したコークス強度を出
力するように動作する。このように、全体として、コー
クス強度予測装置として機能していく。そして、次のよ
うな演算処理により、測定誤差の影響が最小限に抑えら
れ、精度の高いコークス強度の予測が実行される。
【００２７】操業分類ニューラルネットワーク７および
品質推定部８のニューラルネットワークの学習処理にお
いて、最初に、入力側提示教師信号を与えるときに出力
される出力信号 ypj（ pは教師信号の識別記号、j は出
力層の識別信号である。）と、その出力信号 ypj のと
るべき信号値である出力側提示教師信号値 dpj との差
分値［ dpj− ypj］を算出し、次に、 αpj＝ ypj（１− ypj）( dpj− ypj ) を算出し、続いて、 δｗji(t) ＝εΣαpj ypj＋ζδｗji( ｔ−１） 但し、ｔ：学習回数 ypj：ｉ層の出力信号 に従って、ｉ層−ｊ層間の内部状態値の更新量δｗ
ji(t) を算出する。続いて算出したαpjを用いて、まず
最初に、 βpj＝ yph（１− yph）Σαpjδｗij( ｔ−１） yph：ｈ層の出力信号 に従って、ｈ層−ｉ層間の内部状態値の更新量δｗ
ih（ｔ）を算出する。
品質推定部８のニューラルネットワークの学習処理にお
いて、最初に、入力側提示教師信号を与えるときに出力
される出力信号 ypj（ pは教師信号の識別記号、j は出
力層の識別信号である。）と、その出力信号 ypj のと
るべき信号値である出力側提示教師信号値 dpj との差
分値［ dpj− ypj］を算出し、次に、 αpj＝ ypj（１− ypj）( dpj− ypj ) を算出し、続いて、 δｗji(t) ＝εΣαpj ypj＋ζδｗji( ｔ−１） 但し、ｔ：学習回数 ypj：ｉ層の出力信号 に従って、ｉ層−ｊ層間の内部状態値の更新量δｗ
ji(t) を算出する。続いて算出したαpjを用いて、まず
最初に、 βpj＝ yph（１− yph）Σαpjδｗij( ｔ−１） yph：ｈ層の出力信号 に従って、ｈ層−ｉ層間の内部状態値の更新量δｗ
ih（ｔ）を算出する。
【００２８】そして、この算出された更新量δｗ
ij（ｔ），δｗih（ｔ）に従って、次の更新サイクルの
ための内部状態値 ｗji(t) ＝ｗji（ｔ−１）＋δｗji（ｔ） ｗih(t) ＝ｗih（ｔ−１）＋δｗih（ｔ） を決定していく方法を繰り返していくことにより、教師
信号の入出力信号関係が実現できるように内部状態値を
学習していくことで実行されることになる。
ij（ｔ），δｗih（ｔ）に従って、次の更新サイクルの
ための内部状態値 ｗji(t) ＝ｗji（ｔ−１）＋δｗji（ｔ） ｗih(t) ＝ｗih（ｔ−１）＋δｗih（ｔ） を決定していく方法を繰り返していくことにより、教師
信号の入出力信号関係が実現できるように内部状態値を
学習していくことで実行されることになる。
【００２９】
【実施例】数２は、品質推定部における線形回帰式であ
る。ａを８．３８６８、ｂを１．０３８として線形予測
ＤＩを求めた。また、非線形補正ΔＤＩは、実績ＤＩか
らそれに対応するＲｏを用いた。線形予測ＤＩを差し引
いた値を学習データとして学習した補完ニューラルネッ
トワークを用いて求めた。図３は、本発明装置によるＤ
Ｉ予測値（ｂ）と従来方法（重回帰式）によるＤＩ予測
値（ａ）の予測精度の機能比較を示したものである。操
業分類ニューラルネットワーク７の入力層に操業条件項
目の中から３項目選定し、学習データが充分集まった１
２クラスに分けて学習した。図において、Ｎはデータ
数、Ｘm は予測ＤＩの誤差（Ｘ＝｜予測ＤＩ−実績ＤＩ
｜）の中央値、σは標準偏差である。操業データ（学習
データを除く）を用いて従来方法と比較した結果、本発
明装置のバラツキは、従来方法の１／２以下となった。
る。ａを８．３８６８、ｂを１．０３８として線形予測
ＤＩを求めた。また、非線形補正ΔＤＩは、実績ＤＩか
らそれに対応するＲｏを用いた。線形予測ＤＩを差し引
いた値を学習データとして学習した補完ニューラルネッ
トワークを用いて求めた。図３は、本発明装置によるＤ
Ｉ予測値（ｂ）と従来方法（重回帰式）によるＤＩ予測
値（ａ）の予測精度の機能比較を示したものである。操
業分類ニューラルネットワーク７の入力層に操業条件項
目の中から３項目選定し、学習データが充分集まった１
２クラスに分けて学習した。図において、Ｎはデータ
数、Ｘm は予測ＤＩの誤差（Ｘ＝｜予測ＤＩ−実績ＤＩ
｜）の中央値、σは標準偏差である。操業データ（学習
データを除く）を用いて従来方法と比較した結果、本発
明装置のバラツキは、従来方法の１／２以下となった。
【００３０】
【数２】
【００３１】また、図４に、実績ＤＩ，本発明装置によ
る予測ＤＩおよび従来方法（重回帰式）による予測ＤＩ
の推移を示した。これは、銘柄構成が豪州炭に集中した
ときのデータを検証したものであるが、従来方法の予測
ＤＩは、銘柄構成による影響を受け、実績ＤＩよりもか
なり低く推移しているのに対して、本発明装置による予
測ＤＩは、実績ＤＩに近似した値で推移している。
る予測ＤＩおよび従来方法（重回帰式）による予測ＤＩ
の推移を示した。これは、銘柄構成が豪州炭に集中した
ときのデータを検証したものであるが、従来方法の予測
ＤＩは、銘柄構成による影響を受け、実績ＤＩよりもか
なり低く推移しているのに対して、本発明装置による予
測ＤＩは、実績ＤＩに近似した値で推移している。
【００３２】
【発明の効果】本発明装置は、操業分類ニューラルネッ
トワークによって配合炭特性および操業条件に基づいて
コークスのクラスを求め、線形回帰式とその推定値を補
完する補完ニューラルネットワークからなる複数の強度
推定モデルを有する品質推定部で前記コークスのクラス
に対応した強度推定モデルによりコークス強度を求めて
出力し、操業分類ニューラルネットワークおよび品質推
定部の強度推定モデルの重みを実績コークス強度情報に
基づいて学習し更新していくようにしたので、配合炭特
性を測定したときの誤差があっても、その測定誤差によ
る影響を最小限に抑えながらコークス強度を高精度に予
測することができる。これにより、重回帰式のみによる
従来方法の予測誤差を半分以下にすることができる。
トワークによって配合炭特性および操業条件に基づいて
コークスのクラスを求め、線形回帰式とその推定値を補
完する補完ニューラルネットワークからなる複数の強度
推定モデルを有する品質推定部で前記コークスのクラス
に対応した強度推定モデルによりコークス強度を求めて
出力し、操業分類ニューラルネットワークおよび品質推
定部の強度推定モデルの重みを実績コークス強度情報に
基づいて学習し更新していくようにしたので、配合炭特
性を測定したときの誤差があっても、その測定誤差によ
る影響を最小限に抑えながらコークス強度を高精度に予
測することができる。これにより、重回帰式のみによる
従来方法の予測誤差を半分以下にすることができる。
【図１】本発明の実施の形態のコークス強度予測装置の
構成を示すブロック図である。
構成を示すブロック図である。
【図２】本発明装置に係る品質推定部の強度推定モデル
の構成図である。
の構成図である。
【図３】本発明装置によるコークス強度の予測誤差と従
来方法による予測誤差の比較を示すヒストグラムであ
る。
来方法による予測誤差の比較を示すヒストグラムであ
る。
【図４】コークス強度の実績値、本発明装置によるコー
クス強度予測値および従来方法によるコークス強度予測
値の推移を示すグラフである。
クス強度予測値および従来方法によるコークス強度予測
値の推移を示すグラフである。
【図５】従来方法によるコークス強度予測値とコークス
強度の実績値の関係を示す相関図である。
強度の実績値の関係を示す相関図である。
【図６】従来方法によるコークス強度予測値とコークス
強度の実績値の関係を示す他の相関図である。
強度の実績値の関係を示す他の相関図である。
【図７】配合炭の最大流動度とコークス強度ＤＩ30 15の
関係を示すグラフである。
関係を示すグラフである。
１ コークス炉 ２ 最新操業条件設定部 ３ 配合炭特性調整部 ４ 実績データ収集部 ５ 分類学習データ管理装置 ６ 第１の学習処理装置 ７ 操業分類ニューラルネットワーク ８ 品質推定部 ９ 品質推定データ管理装置 １０ 第２の学習処理装置
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 福島 康博 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
Claims (2)
- 【請求項１】 最新の配合炭特性および最新の操業条件
がパラメータとして入力される入力層、該入力層の出力
値に重みを掛けたものを演算して出力する複数の中間
層、および該中間層の複数の出力に重みが掛けられた複
数の値に演算処理を施し、該演算結果をコークスのクラ
スとして出力する出力層を有する操業分類ニューラルネ
ットワークと、 配合炭特性および操業条件とそれに対応したクラスとを
分類情報として管理する分類学習データ管理装置と、 前記分類学習データ管理装置の配合炭特性および操業条
件を前記操業分類ニューラルネットワークに与えて得ら
れる出力値と前記分類学習データ管理装置のクラスとか
ら前記操業分類ニューラルネットワークの重みを学習し
て更新する第１の学習処理装置と、 前記操業分類ニューラルネットワークから出力されるコ
ークスのクラスに対応した複数の強度推定モデルを有
し、最新の配合炭特性および最新の操業条件に対応する
コークス強度の予測値を線形回帰式とこの推定値を補完
する補完ニューラルネットワークを用いて演算する品質
推定部と、を有することを特徴とするコークス強度予測
装置。 - 【請求項２】 配合炭特性および操業条件とコークス強
度とを対応させた強度情報を前記コークスのクラス毎に
管理する品質推定データ管理装置と、 配合炭特性および操業条件を前記品質推定部の強度推定
モデルに与えて得られるコークス強度予測値と、前記品
質推定データ管理装置から得られたコークス強度の実績
値の誤差から前記品質推定部の補完ニューラルネットワ
ークの重みを学習して更新する第２の学習処理装置とを
有する請求項１記載のコークス強度予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11646296A JPH09304376A (ja) | 1996-05-10 | 1996-05-10 | コークス強度予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11646296A JPH09304376A (ja) | 1996-05-10 | 1996-05-10 | コークス強度予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09304376A true JPH09304376A (ja) | 1997-11-28 |
Family
ID=14687718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP11646296A Pending JPH09304376A (ja) | 1996-05-10 | 1996-05-10 | コークス強度予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09304376A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004510222A (ja) * | 2000-07-19 | 2004-04-02 | シエル・インターナシヨネイル・リサーチ・マーチヤツピイ・ベー・ウイ | オンライン較正プロセス |
| JP2007333402A (ja) * | 2006-06-12 | 2007-12-27 | Chugoku Electric Power Co Inc:The | 炭種性状評価フィードバックシステム |
| CN105823863A (zh) * | 2016-03-28 | 2016-08-03 | 华北电力大学（保定） | 一种基于恒温热重分析的煤质在线工业分析测量方法 |
| JPWO2021002108A1 (ja) * | 2019-07-03 | 2021-01-07 |
-
1996
- 1996-05-10 JP JP11646296A patent/JPH09304376A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004510222A (ja) * | 2000-07-19 | 2004-04-02 | シエル・インターナシヨネイル・リサーチ・マーチヤツピイ・ベー・ウイ | オンライン較正プロセス |
| JP2007333402A (ja) * | 2006-06-12 | 2007-12-27 | Chugoku Electric Power Co Inc:The | 炭種性状評価フィードバックシステム |
| CN105823863A (zh) * | 2016-03-28 | 2016-08-03 | 华北电力大学（保定） | 一种基于恒温热重分析的煤质在线工业分析测量方法 |
| JPWO2021002108A1 (ja) * | 2019-07-03 | 2021-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Boehm et al. | The long and short (run) of trade elasticities | |
| CN111160425A (zh) | 一种基于神经网络的烤烟舒适性分类评价方法 | |
| Zhang et al. | Group decision making based on multiplicative consistency-and-consensus preference analysis for incomplete q-rung orthopair fuzzy preference relations | |
| CN109447167B (zh) | 一种基于非负矩阵分解的智能卷烟配方维护方法 | |
| CN102982466A (zh) | 一种基于用户活跃度的评分预测方法 | |
| Jiang et al. | Real-time moisture control in sintering process using offline–online NARX neural networks | |
| Cumbul | Stackelberg versus Cournot oligopoly with private information | |
| CN111339478A (zh) | 基于改进模糊层次分析法的气象数据质量评估方法 | |
| CN108268979B (zh) | 一种基于演化模糊关联规则的中厚板质量预测方法 | |
| CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
| JPH09304376A (ja) | コークス強度予測装置 | |
| Ordieres-Meré et al. | Comparison of models created for the prediction of the mechanical properties of galvanized steel coils | |
| Li et al. | Dual ensemble online modeling for dynamic estimation of hot metal silicon content in blast furnace system | |
| Chou et al. | Does inattentiveness matter for DSGE modeling? An empirical investigation | |
| Kortmann et al. | Application and comparison of different identification schemes under industrial conditions | |
| CN115661549A (zh) | 一种基于预测置信度的细粒度分类去噪训练方法 | |
| CN116629918A (zh) | 一种基于跨境电商的用户消费预测方法及系统 | |
| KR100328937B1 (ko) | 신경망을이용한전로취련예측방법 | |
| JPH09165579A (ja) | コークス強度推定装置 | |
| CN114691987A (zh) | 基于时间感知和时间关联规则的物品推荐方法及系统 | |
| Cobb | Site rent, air quality, and the demand for amenities | |
| JP2002236119A (ja) | 鋼材の材質推定装置 | |
| Wang et al. | An integrated multi criteria group decision-making model applying fuzzy TOPSIS-CRITIC method with unknown weight information | |
| CN113361200A (zh) | 一种基于群体共识的信息不确定性灰色群体决策方法 | |
| CN107357805B (zh) | 基于相似度判别法的近红外光谱物质含量索引方法及装置 |