JPH10317024A - 高炉異常炉況判定システム - Google Patents
高炉異常炉況判定システムInfo
- Publication number
- JPH10317024A JPH10317024A JP12880097A JP12880097A JPH10317024A JP H10317024 A JPH10317024 A JP H10317024A JP 12880097 A JP12880097 A JP 12880097A JP 12880097 A JP12880097 A JP 12880097A JP H10317024 A JPH10317024 A JP H10317024A
- Authority
- JP
- Japan
- Prior art keywords
- blast furnace
- data
- sounding
- neural network
- max
- 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
- Manufacture Of Iron (AREA)
Abstract
(57)【要約】
【課題】 従来の高炉異常を判定する方法としては、高
炉に設けた各種センサからの信号に基づいて画像表示さ
れたデータをオペレータが目視し、オペレータが経験に
基づいて高炉異常を判定していたため、オペレータ毎の
ばらつきが生じたり誤判断が多くなっていた。 【解決手段】 本発明による高炉異常炉況判定システム
は、サウンジング深度時系列データからサウンジング形
状認識のための特徴量を作成し、この特徴量をニューラ
ルネットワーク部の入力としてサウンジング形状をパタ
ーン認識するニューラルネットワーク部(3)と、このニ
ューラルネットワーク部(3)の出力及び高炉の各センサ
からのデータに基づく加工データを入力としてスリップ
発生確率を判定するファジィシステム部(5)とからなる
構成である。
炉に設けた各種センサからの信号に基づいて画像表示さ
れたデータをオペレータが目視し、オペレータが経験に
基づいて高炉異常を判定していたため、オペレータ毎の
ばらつきが生じたり誤判断が多くなっていた。 【解決手段】 本発明による高炉異常炉況判定システム
は、サウンジング深度時系列データからサウンジング形
状認識のための特徴量を作成し、この特徴量をニューラ
ルネットワーク部の入力としてサウンジング形状をパタ
ーン認識するニューラルネットワーク部(3)と、このニ
ューラルネットワーク部(3)の出力及び高炉の各センサ
からのデータに基づく加工データを入力としてスリップ
発生確率を判定するファジィシステム部(5)とからなる
構成である。
Description
【０００１】
【発明の属する技術分野】本発明は、高炉異常炉況判定
システムに関し、特に、ニューラルネットワーク及びフ
ァジィシステムを利用し、溶銑温度やサウンジング深度
データなど高炉に設置されたセンサの情報を基に、高炉
の異常炉況判定を行うための新規な改良に関するもので
ある。
システムに関し、特に、ニューラルネットワーク及びフ
ァジィシステムを利用し、溶銑温度やサウンジング深度
データなど高炉に設置されたセンサの情報を基に、高炉
の異常炉況判定を行うための新規な改良に関するもので
ある。
【０００２】
【従来の技術】従来、高炉の異常炉況判定においては、
高炉に設けた各種センサからの信号を変換したチャート
の形状や画像表示のデータをオペレータが目視し、オペ
レータの経験に基づく知識によりオペレータが高炉のサ
ウンジング形状やスリップの発生確率を判断していた。
高炉に設けた各種センサからの信号を変換したチャート
の形状や画像表示のデータをオペレータが目視し、オペ
レータの経験に基づく知識によりオペレータが高炉のサ
ウンジング形状やスリップの発生確率を判断していた。
【０００３】
【発明が解決しようとする課題】従来のオペレータの目
視に基づく高炉炉況の判定方法は、オペレータの判断が
基準となるため、オペレータ毎にばらつきが生じたり誤
判断を行ったりするという欠点があり、効率のよい高炉
の操業を行うことが困難であった。
視に基づく高炉炉況の判定方法は、オペレータの判断が
基準となるため、オペレータ毎にばらつきが生じたり誤
判断を行ったりするという欠点があり、効率のよい高炉
の操業を行うことが困難であった。
【０００４】本発明は、以上のような課題を解決するた
めになされたもので、特に、ニューラルネットワーク及
びファジィシステムを利用し、溶銑温度やサウンジング
深度データなど高炉に設置されたセンサの情報を基に高
炉の異常炉況判定を行い、オペレータ毎のばらつきや誤
判断を防止するようにした高炉異常炉況判定システムを
提供することを目的とする。
めになされたもので、特に、ニューラルネットワーク及
びファジィシステムを利用し、溶銑温度やサウンジング
深度データなど高炉に設置されたセンサの情報を基に高
炉の異常炉況判定を行い、オペレータ毎のばらつきや誤
判断を防止するようにした高炉異常炉況判定システムを
提供することを目的とする。
【０００５】
【課題を解決するための手段】本発明による高炉異常炉
況判定システムは、着床・離床間に周期的に収集された
サウンジング深度時系列データからサウンジング形状認
識のための特徴量を作成し、この特徴量をニューラルネ
ットワークの入力としてサウンジング形状を演算してパ
ターン認識するサウンジング形状認識のニューラルネッ
トワーク部と、前記ニューラルネットワーク部の出力及
び高炉に設置されたセンサからのセンサデータに基づく
加工データを入力としてスリップが発生する確率を判定
するファジィシステム部とからなる構成である。
況判定システムは、着床・離床間に周期的に収集された
サウンジング深度時系列データからサウンジング形状認
識のための特徴量を作成し、この特徴量をニューラルネ
ットワークの入力としてサウンジング形状を演算してパ
ターン認識するサウンジング形状認識のニューラルネッ
トワーク部と、前記ニューラルネットワーク部の出力及
び高炉に設置されたセンサからのセンサデータに基づく
加工データを入力としてスリップが発生する確率を判定
するファジィシステム部とからなる構成である。
【０００６】さらに詳細には、データ数の異なるサウン
ジング深度時系列データパターンの認識を行う場合、時
系列データから作成した特徴量を入力するニューラルネ
ットワークを用いる構成である。
ジング深度時系列データパターンの認識を行う場合、時
系列データから作成した特徴量を入力するニューラルネ
ットワークを用いる構成である。
【０００７】さらに詳細には、データ数及び降下速度の
異なる前記サウンジング深度時系列データを正規化する
ことによりサウンジング形状のみの認識をする構成であ
る。
異なる前記サウンジング深度時系列データを正規化する
ことによりサウンジング形状のみの認識をする構成であ
る。
【０００８】さらに詳細には、サウンジング形状認識の
ための特徴量の作成は次式に基づいて求める構成であ
る。 ｖi＝ｘi+1−ｘi ａi＝ｖi+1−ｖi ｋ＝（ｎ−１）／（ｘ1−ｘn） ｖmax＝ｍａｘ（ｖ1，ｖ2，・・・，ｖn-1）＊ｋ ｖmin＝ｍｉｎ（ｖ1，ｖ2，・・・，ｖn-1）＊ｋ ｖstd＝ｌｏｇ（Σ（ｖi−ｖavc）2／（ｎ−１））＊ｋ ａavc＝（ａ1＋ａ2＋・・・＋ａn-2）／（ｎ−２）＊ｋ ａmax＝ｍａｘ（ａ1，ａ2，・・・，ａn-2）＊ｋ ａmin＝ｍｉｎ（ａ1，ａ2，・・・，ａn-2）＊ｋ ａstd＝ｌｏｇ（Σ（ａi−ａave）2／（ｎ−１））＊ｋ 但し、 ｘi：ｉ番目のサウンジング深度データ ｖi：ｉ番目の速度 ａi：ｉ番目の加速度 ｋ：正規化係数 ｎ：サウンジング深度データ数 ｖavc：速度平均 ｖmax：速度最大 ｖmin：速度最小 ｖstd：速度偏差 ａave：加速度平均 ａmax：加速度最大 ａmin：加速度最小 ａstd：加速度偏差
ための特徴量の作成は次式に基づいて求める構成であ
る。 ｖi＝ｘi+1−ｘi ａi＝ｖi+1−ｖi ｋ＝（ｎ−１）／（ｘ1−ｘn） ｖmax＝ｍａｘ（ｖ1，ｖ2，・・・，ｖn-1）＊ｋ ｖmin＝ｍｉｎ（ｖ1，ｖ2，・・・，ｖn-1）＊ｋ ｖstd＝ｌｏｇ（Σ（ｖi−ｖavc）2／（ｎ−１））＊ｋ ａavc＝（ａ1＋ａ2＋・・・＋ａn-2）／（ｎ−２）＊ｋ ａmax＝ｍａｘ（ａ1，ａ2，・・・，ａn-2）＊ｋ ａmin＝ｍｉｎ（ａ1，ａ2，・・・，ａn-2）＊ｋ ａstd＝ｌｏｇ（Σ（ａi−ａave）2／（ｎ−１））＊ｋ 但し、 ｘi：ｉ番目のサウンジング深度データ ｖi：ｉ番目の速度 ａi：ｉ番目の加速度 ｋ：正規化係数 ｎ：サウンジング深度データ数 ｖavc：速度平均 ｖmax：速度最大 ｖmin：速度最小 ｖstd：速度偏差 ａave：加速度平均 ａmax：加速度最大 ａmin：加速度最小 ａstd：加速度偏差
【０００９】
【発明の実施の形態】以下、図面と共に本発明による高
炉異常炉況判定システムの好適な実施の形態について説
明する。図１に示す本発明による高炉異常炉況判定シス
テムは、高炉に設けられた周知の各種センサ（図示せ
ず）から高炉データベース１内に着床・離床間に周期的
に収集されたサウンジング深度時系列データ１ａから特
徴量を作成するための特徴量作成部２、このサウンジン
グ形状を判定するためのニューラルネットワーク部３、
高炉データベース１内の前記サウンジング深度データ１
ａをファジィシステム５へ入力するための加工データへ
加工するためのデータ加工部４及び高炉のスリップ発生
危険度であるスリップ発生確率を判定するための前記フ
ァジィシステム部５から構成されている。
炉異常炉況判定システムの好適な実施の形態について説
明する。図１に示す本発明による高炉異常炉況判定シス
テムは、高炉に設けられた周知の各種センサ（図示せ
ず）から高炉データベース１内に着床・離床間に周期的
に収集されたサウンジング深度時系列データ１ａから特
徴量を作成するための特徴量作成部２、このサウンジン
グ形状を判定するためのニューラルネットワーク部３、
高炉データベース１内の前記サウンジング深度データ１
ａをファジィシステム５へ入力するための加工データへ
加工するためのデータ加工部４及び高炉のスリップ発生
危険度であるスリップ発生確率を判定するための前記フ
ァジィシステム部５から構成されている。
【００１０】前記特徴量作成部２は、高炉炉頂部の炉円
周方向９０度間隔で４点設置された周知のサウンジング
装置（図示せず）の、着床から離床間に１５秒周期で収
集されたサウンジング深度データから、ニューラルネッ
トワーク部３の入力として利用するための特徴量を作成
する。この特徴量の作成は４つのサウンジング装置につ
いてそれぞれダンプ毎に行われる。この特徴量はサウン
ジングの形状の特徴を表すためのデータであり、データ
数の異なる時系列データによるパターンをニューラルネ
ットワーク部３によって演算認識させるためのものであ
る。ここでは速度最大、速度最小、速度偏差、加速度平
均、加速度最大、加速度最小及び加速度偏差の７データ
を作成する。特徴量の作成は、まず、１５秒周期で収集
されたサウンジング深度データから各点の速度及び加速
度を計算する。次に各点の速度及び加速度からサウンジ
ング毎の速度最大、速度最小、速度偏差、加速度平均、
加速度最大、加速度最小、加速度偏差を求める。最後に
データ数及び降下速度の異なるサウンジング深度時系列
データからなるパターンからその形状のみに着目するた
め正規化係数を掛け、ニューラルネットワーク部３への
入力用の特徴量とする。
周方向９０度間隔で４点設置された周知のサウンジング
装置（図示せず）の、着床から離床間に１５秒周期で収
集されたサウンジング深度データから、ニューラルネッ
トワーク部３の入力として利用するための特徴量を作成
する。この特徴量の作成は４つのサウンジング装置につ
いてそれぞれダンプ毎に行われる。この特徴量はサウン
ジングの形状の特徴を表すためのデータであり、データ
数の異なる時系列データによるパターンをニューラルネ
ットワーク部３によって演算認識させるためのものであ
る。ここでは速度最大、速度最小、速度偏差、加速度平
均、加速度最大、加速度最小及び加速度偏差の７データ
を作成する。特徴量の作成は、まず、１５秒周期で収集
されたサウンジング深度データから各点の速度及び加速
度を計算する。次に各点の速度及び加速度からサウンジ
ング毎の速度最大、速度最小、速度偏差、加速度平均、
加速度最大、加速度最小、加速度偏差を求める。最後に
データ数及び降下速度の異なるサウンジング深度時系列
データからなるパターンからその形状のみに着目するた
め正規化係数を掛け、ニューラルネットワーク部３への
入力用の特徴量とする。
【００１１】すなわち、このサウンジング形状認識のた
めの特徴量の作成は次式について求める。 ｖi＝ｘi+1−ｘi ａi＝ｖi+1−ｖi ｋ＝（ｎ−１）／（ｘ1−ｘn） ｖmax＝ｍａｘ（ｖ1，ｖ2，・・・，ｖn-1）＊ｋ ｖmin＝ｍｉｎ（ｖ1，ｖ2，・・・，ｖn-1）＊ｋ ｖstd＝ｌｏｇ（Σ（ｖi−ｖavc）2／（ｎ−１））＊ｋ ａavc＝（ａ1＋ａ2＋・・・＋ａn-2）／（ｎ−２）＊ｋ ａmax＝ｍａｘ（ａ1，ａ2，・・・，ａn-2）＊ｋ ａmin＝ｍｉｎ（ａ1，ａ2，・・・，ａn-2）＊ｋ ａstd＝ｌｏｇ（Σ（ａi−ａave）2／（ｎ−１））＊ｋ 但し、 ｘi：ｉ番目のサウンジング深度データ ｖi：ｉ番目の速度 ａi：ｉ番目の加速度 ｋ：正規化係数 ｎ：サウンジング深度データ数 ｖavc：速度平均 ｖmax：速度最大 ｖmin：速度最小 ｖstd：速度偏差 ａave：加速度平均 ａmax：加速度最大 ａmin：加速度最小 ａstd：加速度偏差
めの特徴量の作成は次式について求める。 ｖi＝ｘi+1−ｘi ａi＝ｖi+1−ｖi ｋ＝（ｎ−１）／（ｘ1−ｘn） ｖmax＝ｍａｘ（ｖ1，ｖ2，・・・，ｖn-1）＊ｋ ｖmin＝ｍｉｎ（ｖ1，ｖ2，・・・，ｖn-1）＊ｋ ｖstd＝ｌｏｇ（Σ（ｖi−ｖavc）2／（ｎ−１））＊ｋ ａavc＝（ａ1＋ａ2＋・・・＋ａn-2）／（ｎ−２）＊ｋ ａmax＝ｍａｘ（ａ1，ａ2，・・・，ａn-2）＊ｋ ａmin＝ｍｉｎ（ａ1，ａ2，・・・，ａn-2）＊ｋ ａstd＝ｌｏｇ（Σ（ａi−ａave）2／（ｎ−１））＊ｋ 但し、 ｘi：ｉ番目のサウンジング深度データ ｖi：ｉ番目の速度 ａi：ｉ番目の加速度 ｋ：正規化係数 ｎ：サウンジング深度データ数 ｖavc：速度平均 ｖmax：速度最大 ｖmin：速度最小 ｖstd：速度偏差 ａave：加速度平均 ａmax：加速度最大 ａmin：加速度最小 ａstd：加速度偏差
【００１２】図２はニューラルネットワーク部３のネッ
トワーク構成を示す図である。ニューラルネットワーク
部３は、入力層６、中間層７、出力層８各々１層からな
る周知の階層型ニューラルネットワークであり、各々７
ノード、６ノード、５ノードのノードを持つ。従って、
図３はニューラルネットワーク部３によって分類する５
つのケースを示す図であり、サウンジングの形状を正
常、異常１、異常２、異常３及び異常４の５ケースに分
類する。異常１は急激な降下が２カ所以上存在するも
の、異常２は急激な降下が１カ所存在するもの、異常３
は降下速度が変化しているもの、異常４は降下速度が不
安定であるもの、正常は降下速度が一定となるものであ
る。この５ケースはスリップ危険度判定ファジィシステ
ムの判定用入力データとして有効であるものを抽出し決
定した。
トワーク構成を示す図である。ニューラルネットワーク
部３は、入力層６、中間層７、出力層８各々１層からな
る周知の階層型ニューラルネットワークであり、各々７
ノード、６ノード、５ノードのノードを持つ。従って、
図３はニューラルネットワーク部３によって分類する５
つのケースを示す図であり、サウンジングの形状を正
常、異常１、異常２、異常３及び異常４の５ケースに分
類する。異常１は急激な降下が２カ所以上存在するも
の、異常２は急激な降下が１カ所存在するもの、異常３
は降下速度が変化しているもの、異常４は降下速度が不
安定であるもの、正常は降下速度が一定となるものであ
る。この５ケースはスリップ危険度判定ファジィシステ
ムの判定用入力データとして有効であるものを抽出し決
定した。
【００１３】データ加工部４は、高炉データベース１内
に収集された、高炉に設置された各種センサ（図示せ
ず）からのデータ及びニューラルネットワーク部３の出
力結果を、ファジィシステム部５に入力するための加工
データ４ａに加工する。この加工データ４ａは溶銑温度
や送風圧力などのセンサ情報の所定時間内のデータから
最小二乗法により傾きを求め傾きデータとし、所定時間
内のデータの平均値を求め絶対値データとした。また、
所定時間内のデータの最大値と最小値の差を求めばらつ
きデータとした。
に収集された、高炉に設置された各種センサ（図示せ
ず）からのデータ及びニューラルネットワーク部３の出
力結果を、ファジィシステム部５に入力するための加工
データ４ａに加工する。この加工データ４ａは溶銑温度
や送風圧力などのセンサ情報の所定時間内のデータから
最小二乗法により傾きを求め傾きデータとし、所定時間
内のデータの平均値を求め絶対値データとした。また、
所定時間内のデータの最大値と最小値の差を求めばらつ
きデータとした。
【００１４】ファジィシステム部５は、図５に示すよう
に、入力側の条件部メンバシッブ関数、ファジィルール
（判定因子）出力側の結論部メンバシップ関数からな
り、各メンバシップ関数の形状及びファジィルールはオ
ペレータの判断に基づいたものとし、実操業データによ
る検証を行い決定した。従って、着床・離床間に周期的
に収集されたサウンジング深度時系列データ１ａからサ
ウンジング形状認識のための特徴量を作成し、この特徴
量をニューラルネットワーク部３に入力してサウンジン
グ形状を演算して図３のパターンとして認識すると共
に、前記ニューラルネットワーク部３の出力３ａ及び高
炉に設置されたセンサからのセンサデータに基づく加工
データ４ａを入力してスリップが発生する確率をファジ
ィシステム部５で判定することができ、具体的には、図
４のように、スリップ危険度の判定結果としては、溶銑
温度、風圧、炉頂ガス温度、シャフト圧力、ガス利用
率、貯銑さい量、装入ペース、抜熱、サウンジング形状
により総合判定を行うことができる。
に、入力側の条件部メンバシッブ関数、ファジィルール
（判定因子）出力側の結論部メンバシップ関数からな
り、各メンバシップ関数の形状及びファジィルールはオ
ペレータの判断に基づいたものとし、実操業データによ
る検証を行い決定した。従って、着床・離床間に周期的
に収集されたサウンジング深度時系列データ１ａからサ
ウンジング形状認識のための特徴量を作成し、この特徴
量をニューラルネットワーク部３に入力してサウンジン
グ形状を演算して図３のパターンとして認識すると共
に、前記ニューラルネットワーク部３の出力３ａ及び高
炉に設置されたセンサからのセンサデータに基づく加工
データ４ａを入力してスリップが発生する確率をファジ
ィシステム部５で判定することができ、具体的には、図
４のように、スリップ危険度の判定結果としては、溶銑
温度、風圧、炉頂ガス温度、シャフト圧力、ガス利用
率、貯銑さい量、装入ペース、抜熱、サウンジング形状
により総合判定を行うことができる。
【００１５】
【発明の効果】本発明による高炉異常炉況判定システム
は以上のように構成されているため、次のような効果を
得ることができる。すなわち、スリップ発生危険度判定
に関するオペレータの知識をニューラルネットワーク部
及びファジィシステム部に取り込み計算機による高炉炉
況判定ができるのでオペレータ毎の判定ばらつきやオペ
レータの誤判定を防止でき、高効率の高炉操業を行うこ
とができる。
は以上のように構成されているため、次のような効果を
得ることができる。すなわち、スリップ発生危険度判定
に関するオペレータの知識をニューラルネットワーク部
及びファジィシステム部に取り込み計算機による高炉炉
況判定ができるのでオペレータ毎の判定ばらつきやオペ
レータの誤判定を防止でき、高効率の高炉操業を行うこ
とができる。
【図１】本発明による高炉異常炉況判定システムを示す
ブロック図である。
ブロック図である。
【図２】ニューラルネットワーク部のネットワーク構成
を示す構成図である。
を示す構成図である。
【図３】ニューラルネットワーク部で分類するサウンジ
ング形状認識パターンを示すパターン図である。
ング形状認識パターンを示すパターン図である。
【図４】本発明におけるスリップ危険度の判定結果を示
す画面表示を示す説明図である。
す画面表示を示す説明図である。
１ 高炉データベース ２ 特徴量作成部 ３ ニューラルネットワーク部 ４ データ加工部 ５ ファジィシステム部 ６ 入力量 ７ 中間層 ８ 出力層
フロントページの続き (72)発明者 菅原 直也 広島県呉市昭和町11番１号 日新製鋼株式 会社呉製鉄所内 (72)発明者 伊藤 博文 広島県呉市昭和町11番１号 日新製鋼株式 会社呉製鉄所内 (72)発明者 大坪 省三 広島県呉市昭和町11番１号 日新製鋼株式 会社呉製鉄所内 (72)発明者 高路 勝彦 広島県呉市昭和町11番１号 日新製鋼株式 会社呉製鉄所内 (72)発明者 池上 靖幸 茨城県日立市石名坂町１−33−15−２ (72)発明者 田口 元広 茨城県ひたちなか市堀口162−１ (72)発明者 片山 恭紀 茨城県水戸市見和１−449−60 (72)発明者 吉田 正人 茨城県日立市大みか町５丁目２番１号 株 式会社日立製作所大みか工場内 (72)発明者 鈴木 康之 茨城県日立市大みか町５丁目２番１号 株 式会社日立製作所大みか工場内
Claims (4)
- 【請求項１】 着床・離床間に周期的に収集されたサウ
ンジング深度時系列データからサウンジング形状認識の
ための特徴量を作成し、この特徴量をニューラルネット
ワークの入力としてサウンジング形状を演算してパター
ン認識するサウンジング形状認識のニューラルネットワ
ーク部(3)と、前記ニューラルネットワーク部(3)の出力
及び高炉に設置されたセンサからのセンサデータに基づ
く加工データ(4a)を入力としてスリップが発生する確率
を判定するファジィシステム部(5)とからなることを特
徴とする高炉異常炉況判定システム。 - 【請求項２】 データ数の異なるサウンジング深度時系
列データパターンの認識を行う場合、時系列データから
作成した特徴量を入力するニューラルネットワークを用
いることを特徴とする請求項１記載の高炉異常炉況判定
システム。 - 【請求項３】 データ数及び降下速度の異なる前記サウ
ンジング深度時系列データを正規化することによりサウ
ンジング形状のみの認識をすることを特徴とする請求項
１記載の高炉異常炉況判定システム。 - 【請求項４】 前記サウンジング形状認識のための前記
特徴量の作成は次式に基づいて求めることを特徴とする
請求項１ないし３の何れかに記載の高炉異常炉況判定シ
ステム。 ｖi＝ｘi+1−ｘi ａi＝ｖi+1−ｖi ｋ＝（ｎ−１）／（ｘ1−ｘn） ｖmax＝ｍａｘ（ｖ1，ｖ2，・・・，ｖn-1）＊ｋ ｖmin＝ｍｉｎ（ｖ1，ｖ2，・・・，ｖn-1）＊ｋ ｖstd＝ｌｏｇ（Σ（ｖi−ｖavc）2／（ｎ−１））＊ｋ ａavc＝（ａ1＋ａ2＋・・・＋ａn-2）／（ｎ−２）＊ｋ ａmax＝ｍａｘ（ａ1，ａ2，・・・，ａn-2）＊ｋ ａmin＝ｍｉｎ（ａ1，ａ2，・・・，ａn-2）＊ｋ ａstd＝ｌｏｇ（Σ（ａi−ａave）2／（ｎ−１））＊ｋ 但し、 ｘi：ｉ番目のサウンジング深度データ ｖi：ｉ番目の速度 ａi：ｉ番目の加速度 ｋ：正規化係数 ｎ：サウンジング深度データ数 ｖavc：速度平均 ｖmax：速度最大 ｖmin：速度最小 ｖstd：速度偏差 ａave：加速度平均 ａmax：加速度最大 ａmin：加速度最小 ａstd：加速度偏差
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12880097A JPH10317024A (ja) | 1997-05-19 | 1997-05-19 | 高炉異常炉況判定システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12880097A JPH10317024A (ja) | 1997-05-19 | 1997-05-19 | 高炉異常炉況判定システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH10317024A true JPH10317024A (ja) | 1998-12-02 |
Family
ID=14993754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12880097A Pending JPH10317024A (ja) | 1997-05-19 | 1997-05-19 | 高炉異常炉況判定システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH10317024A (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100399822B1 (ko) * | 1999-12-30 | 2003-09-29 | 주식회사 포스코 | 고로설비의 이상 유무 판단 시스템 |
| CN102915027A (zh) * | 2012-11-16 | 2013-02-06 | 武汉钢铁(集团)公司 | 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 |
| CN103014204A (zh) * | 2012-12-10 | 2013-04-03 | 武汉钢铁(集团)公司 | 基于模式识别和专家系统的高炉布料优化方法及系统 |
| CN103439999A (zh) * | 2013-08-23 | 2013-12-11 | 武汉钢铁(集团)公司 | 根据冷却壁温度变化进行高炉异常炉温控制的方法 |
| CN110045757A (zh) * | 2019-04-26 | 2019-07-23 | 西安科技大学 | 一种大采高液压支架模糊自适应智能供液控制方法 |
| CN114645105A (zh) * | 2022-04-12 | 2022-06-21 | 攀钢集团攀枝花钢铁研究院有限公司 | 钒钛矿高炉炉况稳定性评价方法 |
-
1997
- 1997-05-19 JP JP12880097A patent/JPH10317024A/ja active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100399822B1 (ko) * | 1999-12-30 | 2003-09-29 | 주식회사 포스코 | 고로설비의 이상 유무 판단 시스템 |
| CN102915027A (zh) * | 2012-11-16 | 2013-02-06 | 武汉钢铁(集团)公司 | 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 |
| CN103014204A (zh) * | 2012-12-10 | 2013-04-03 | 武汉钢铁(集团)公司 | 基于模式识别和专家系统的高炉布料优化方法及系统 |
| CN103014204B (zh) * | 2012-12-10 | 2015-11-04 | 武汉钢铁(集团)公司 | 基于模式识别和专家系统的高炉布料优化方法及系统 |
| CN103439999A (zh) * | 2013-08-23 | 2013-12-11 | 武汉钢铁(集团)公司 | 根据冷却壁温度变化进行高炉异常炉温控制的方法 |
| CN103439999B (zh) * | 2013-08-23 | 2015-05-06 | 武汉钢铁(集团)公司 | 根据冷却壁温度变化进行高炉异常炉温控制的方法 |
| CN110045757A (zh) * | 2019-04-26 | 2019-07-23 | 西安科技大学 | 一种大采高液压支架模糊自适应智能供液控制方法 |
| CN110045757B (zh) * | 2019-04-26 | 2022-03-18 | 西安科技大学 | 一种大采高液压支架模糊自适应智能供液控制方法 |
| CN114645105A (zh) * | 2022-04-12 | 2022-06-21 | 攀钢集团攀枝花钢铁研究院有限公司 | 钒钛矿高炉炉况稳定性评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | A control chart pattern recognition system using a statistical correlation coefficient method | |
| CN100595710C (zh) | 数据处理方法，数据处理设备，诊断方法和诊断设备 | |
| Zhao et al. | A fuzzy system for concrete bridge damage diagnosis | |
| JP3009149B2 (ja) | パターンデータ処理装置及びプロセス計測情報処理装置及び画像処理装置及び画像認識装置 | |
| JPH049843B2 (ja) | ||
| JPH10317024A (ja) | 高炉異常炉況判定システム | |
| CN106600076A (zh) | 一种转塔式rto废气处理设备的监控数据分析与预警方法 | |
| Song et al. | Intelligent diagnosis method for machinery by sequential auto-reorganization of histogram | |
| CN111862558A (zh) | 一种火灾探测信号的智能处理方法 | |
| CN113485301B (zh) | 自动驾驶汽车控制系统的预期功能安全性能的量化评价方法 | |
| CN113253113B (zh) | 一种动力电池一致性故障的预测方法 | |
| CN116383606B (zh) | 一种分布式医疗设备的恒流温度采集方法及系统 | |
| JP3567073B2 (ja) | 時系列データ予測方法および装置 | |
| Li et al. | A Deep Learning–Based Diagnosis Model Driven by Tuyere Images Big Data for Iron‐Making Blast Furnaces | |
| CN111209573A (zh) | 一种基于鼠标位移轨迹的访问请求安全感知方法 | |
| CN115730255A (zh) | 基于迁移学习和多源信息融合的电机故障诊断分析方法 | |
| JPH06208568A (ja) | 故障診断支援装置 | |
| CN114582083A (zh) | 一种隧道监控多传感器数据融合火灾预警方法 | |
| Ravi et al. | Remaining serviceable life indicator of bearing | |
| JP6614623B1 (ja) | 不明水検出装置、不明水検出方法、プログラム及び不明水検出システム | |
| JPH0743352A (ja) | 学習型異常診断アルゴリズム自動構築方法およびその装置 | |
| JPH07219626A (ja) | プラント制御装置及びトンネル換気制御装置 | |
| JPH05180713A (ja) | ケーブル張力測定方法及びその装置 | |
| CN115879643B (zh) | 建筑施工数智化宏观安全控制方法和系统 | |
| JPH0652250A (ja) | 機能自動生成装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Effective date: 20040302 Free format text: JAPANESE INTERMEDIATE CODE: A02 |