JPWO2020170849A1 - 操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置 - Google Patents
操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置 Download PDFInfo
- Publication number
- JPWO2020170849A1 JPWO2020170849A1 JP2020546514A JP2020546514A JPWO2020170849A1 JP WO2020170849 A1 JPWO2020170849 A1 JP WO2020170849A1 JP 2020546514 A JP2020546514 A JP 2020546514A JP 2020546514 A JP2020546514 A JP 2020546514A JP WO2020170849 A1 JPWO2020170849 A1 JP WO2020170849A1
- Authority
- JP
- Japan
- Prior art keywords
- operation result
- learning model
- operating conditions
- learning
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000004519 manufacturing process Methods 0.000 claims abstract description 45
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 37
- 229910052760 oxygen Inorganic materials 0.000 claims description 37
- 239000001301 oxygen Substances 0.000 claims description 37
- 229910000831 Steel Inorganic materials 0.000 claims description 34
- 239000010959 steel Substances 0.000 claims description 34
- 238000007664 blowing Methods 0.000 claims description 27
- 239000007789 gas Substances 0.000 claims description 25
- 238000010187 selection method Methods 0.000 claims 1
- 239000002436 steel type Substances 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 9
- 238000012417 linear regression Methods 0.000 description 8
- 238000003723 Smelting Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 5
- 229910000655 Killed steel Inorganic materials 0.000 description 4
- 238000005261 decarburization Methods 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 229910000975 Carbon steel Inorganic materials 0.000 description 2
- 229910000669 Chrome steel Inorganic materials 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000010962 carbon steel Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000006477 desulfuration reaction Methods 0.000 description 2
- 230000023556 desulfurization Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000005422 blasting Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B3/00—Hearth-type furnaces, e.g. of reverberatory type; Tank furnaces
- F27B3/10—Details, accessories, or equipment peculiar to hearth-type furnaces
- F27B3/28—Arrangement of controlling, monitoring, alarm or the like devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0003—Monitoring the temperature or a characteristic of the charge and using it as a controlling value
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0006—Monitoring the characteristics (composition, quantities, temperature, pressure) of at least one of the gases of the kiln atmosphere and using it as a controlling value
- F27D2019/0009—Monitoring the pressure in an enclosure or kiln zone
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0096—Arrangements of controlling devices involving simulation means, e.g. of the treating or charging step
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
- Vertical, Hearth, Or Arc Furnaces (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
操業結果予測方法は、工業プロセスの複数の操業条件から工業プロセスの操業結果を予測する方法であり、操業結果を予測する際の説明変数として、複数の操業条件のうち特定のキーとなる操業条件を用いるか否かに応じて、複数の学習モデルの中から特定の学習モデルを選択するモデル選択ステップと、モデル選択ステップで選択した学習モデルに基づいて、操業結果を予測する予測ステップと、を含む。
Description
本発明は、操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置に関する。
鉄鋼業等の製造業において、工場の電力需給を把握することで電力価格に応じた運用によって買電を削減したり、工場における発電電力の余剰分を電力会社へ売電し、電力系統へ供給したりする等の管理が実施されている。
このような電力の管理を正確に行うためには、各工場における将来の電力を事前に予測しておく必要がある。例えば特許文献１，２では、スクラップ等の原材料を溶解、成分調整および昇温するために使用されるアーク炉に必要な投入電力量を決定する方法が開示されている。
特許文献１に記載された方法では、溶鋼の成分濃度から必要な投入電力量を算出し、加えて、溶鋼の昇温が必要な場合には、基準出鋼温度との差によって生じる電力量を加減している。しかしながら、溶鋼の昇温目標量が事前に分からない場合があり、その場合には他の変数から電力量を予測する必要がある。
また、特許文献２に記載された方法では、熱収支および物質収支の計算に基づいて、溶鋼の成分調整や昇温に必要な熱量を正確に算出している。しかしながら、特許文献２に記載された方法では、溶鋼温度、排ガス温度、冷却水温度等の種々の温度を予め実測しているため、これらを事前に把握することは困難である。
本発明は、上記に鑑みてなされたものであって、工業プロセスの操業結果を高精度に予測することができる操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置を提供することを目的とする。
上述した課題を解決し、目的を達成するために、本発明に係る操業結果予測方法は、工業プロセスの複数の操業条件から前記工業プロセスの操業結果を予測する操業結果予測方法であって、前記操業結果を予測する際の説明変数として、前記複数の操業条件のうち特定のキーとなる操業条件を用いるか否かに応じて、複数の学習モデルの中から特定の学習モデルを選択するモデル選択ステップと、前記モデル選択ステップで選択した学習モデルに基づいて、操業結果を予測する予測ステップと、を含む。
また、本発明に係る操業結果予測方法は、上記発明において、前記複数の学習モデルは、前記特定のキーとなる操業条件を含み、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類されていない第一の教師データから作成された第一の学習モデルと、前記特定のキーとなる操業条件を含まず、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類された第二の教師データを作成する第二の学習モデルと、を含み、前記モデル選択ステップは、前記説明変数として前記特定のキーとなる操業条件を用いる場合は前記第一の学習モデルを選択し、前記説明変数として前記特定のキーとなる操業条件を用いない場合は前記第二の学習モデルを選択する。
また、本発明に係る操業結果予測方法は、上記発明において、前記工業プロセスは、製鉄所内のアークプロセスであり、前記操業結果は、前記アークプロセスのバッチ操業における使用電力であり、前記複数の操業条件は、少なくとも昇温目標量、予定処理時間および鋼種情報を含む。
また、本発明に係る操業結果予測方法は、上記発明において、前記工業プロセスは、製鉄所内の転炉プロセスであり、前記操業結果は、前記転炉プロセスのバッチ操業における発生ガスであり、前記複数の操業条件は、少なくとも予定吹錬酸素量、予定処理時間および吹錬形態を含む。
上述した課題を解決し、目的を達成するために、本発明に係る学習モデルの学習方法は、工業プロセスの複数の操業条件から前記工業プロセスの操業結果を予測する際に用いる学習モデルの学習方法であって、前記複数の操業条件のうち特定のキーとなる操業条件を含み、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類されていない第一の教師データを作成する第一のデータ作成ステップと、前記特定のキーとなる操業条件を含まず、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類された第二の教師データを作成する第二のデータ作成ステップと、前記第一の教師データに基づいて、前記工業プロセスの操業結果を予測する第一の学習モデルを作成する第一のモデル作成ステップと、前記第二の教師データに基づいて、前記工業プロセスの操業結果を予測する第二の学習モデルを作成する第二のモデル作成ステップと、を含む。
また、本発明に係る学習モデルの学習方法は、上記発明において、前記工業プロセスは、製鉄所内のアークプロセスであり、前記操業結果は、前記アークプロセスのバッチ操業における使用電力であり、前記複数の操業条件は、少なくとも昇温目標量、予定処理時間および鋼種情報を含む。
また、本発明に係る学習モデルの学習方法は、上記発明において、前記工業プロセスは、製鉄所内の転炉プロセスであり、前記操業結果は、前記転炉プロセスのバッチ操業における発生ガスであり、前記複数の操業条件は、少なくとも予定吹錬酸素量、予定処理時間および吹錬形態を含む。
上述した課題を解決し、目的を達成するために、本発明に係る操業結果予測装置は、工業プロセスの複数の操業条件から前記工業プロセスの操業結果を予測する操業結果予測装置であって、前記操業結果を予測する際の説明変数として、前記複数の操業条件のうち特定のキーとなる操業条件を用いるか否かに応じて、複数の学習モデルの中から特定の学習モデルを選択するモデル選択手段と、前記モデル選択手段で選択した学習モデルに基づいて、操業結果を予測する予測手段と、を備える。
上述した課題を解決し、目的を達成するために、本発明に係る学習モデルの学習装置は、工業プロセスの複数の操業条件から前記工業プロセスの操業結果を予測する際に用いる学習モデルの学習装置であって、前記複数の操業条件のうち特定のキーとなる操業条件を含み、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類されていない第一の教師データを作成する第一のデータ作成手段と、前記特定のキーとなる操業条件を含まず、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類された第二の教師データを作成する第二のデータ作成手段と、前記第一の教師データに基づいて、前記工業プロセスの操業結果を予測する第一の学習モデルを作成する第一のモデル作成手段と、前記第二の教師データに基づいて、前記工業プロセスの操業結果を予測する第二の学習モデルを作成する第二のモデル作成手段と、を備える。
本発明によれば、相関関係がある操業条件（説明変数）のうち、事前に把握可能な操業条件に応じて予測精度の高い学習モデルを選択して予測を行うため、工業プロセスの操業結果を高精度に予測することができる。
本発明の実施形態に係る操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置（以下、「学習装置」という）について、図面を参照しながら説明する。
［実施形態１］
（操業結果予測装置）
本発明の実施形態１に係る操業結果予測装置および学習装置の構成について、図１を参照しながら説明する。操業結果予測装置は、工業プロセスの複数の操業条件から当該工業プロセスの操業結果を予測する装置である。本実施形態では、製鉄所内のアークプロセスにおいて、複数の操業条件から、アークプロセスのバッチ操業における使用電力を予測する場合の例について説明する。
（操業結果予測装置）
本発明の実施形態１に係る操業結果予測装置および学習装置の構成について、図１を参照しながら説明する。操業結果予測装置は、工業プロセスの複数の操業条件から当該工業プロセスの操業結果を予測する装置である。本実施形態では、製鉄所内のアークプロセスにおいて、複数の操業条件から、アークプロセスのバッチ操業における使用電力を予測する場合の例について説明する。
なお、アークプロセスとは、溶鋼の一次精錬工程に引き続いて行われる工程であり、溶鋼をアーク放電によって加熱して脱硫等の成分調整を行う工程である。アークプロセスでは、前工程から受け取った溶鋼の温度ばらつきを考慮して昇温し、また、鋼種によって目標成分値が異なり成分調整が異なるため、これらに要する処理時間も異なる場合がある。このアークプロセスは、製鋼工程の中でも特に電力を消費する工程であり、昇温や成分調整の処理によって電力消費が変動するため、使用電力を精度良く予測することが求められている。
アークプロセスを計画する際の複数の操業条件としては、例えば昇温目標量、予定処理時間、処理待ち時間および鋼種情報が挙げられる。これらの操業条件のうちの昇温目標量については、操業の状況によってデータがある場合と無い場合とがある。すなわち、前工程（一次精錬工程）が適切に行われている場合、当該前工程の結果に基づいてアークプロセスの計画を立案することができるため、昇温目標量についても把握することが可能である。一方、前工程が適切に行われていない場合、当該前工程の結果に基づいてアークプロセスの計画を立案することができないため、昇温目標量の把握も困難となる。
操業結果予測装置１は、パーソナルコンピュータやワークステーション等の汎用の情報処理装置によって実現されるものであり、入力部１０と、データベース（ＤＢ）２０と、演算部３０と、表示部４０と、を備えている。
入力部１０は、演算部３０に対する入力手段であり、例えばキーボード、マウスポインタ、テンキー等の入力装置によって実現される。データベース２０には、アークプロセスにおける過去の操業データ（実績データ）が保存されている。
演算部３０は、例えばＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。演算部３０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。
また、演算部３０は、プログラムの実行を通じて、データ作成部（データ作成手段）３１、モデル作成部（モデル作成手段）３２、モデル選択部（モデル選択手段）３３および予測部（予測手段）３４として機能する。なお、本実施形態に係る学習装置は、操業結果予測装置１の構成のうち、モデル選択部３３および予測部３４を除いた構成により実現される。
データ作成部３１は、データベース２０に保存された過去の操業データに基づいて、モデル作成部３２におけるモデルの作成で用いる教師データを作成する。データ作成部３１は、具体的には第一の教師データと第二の教師データとからなる二種類の教師データを作成する。なお、学習に用いる教師データは、なるべく設備条件が近い操業データから作成することが望ましい。そのため、データ作成部３１は、ある程度限定された期間内（例えば過去二ヶ月分等）の操業データに基づいて教師データを作成することが望ましい。
第一の教師データは、アークプロセスの複数の操業条件のうち、特定のキーとなる操業条件を含み、かつ当該特定のキーとなる操業条件に関連した操業条件によって分類されていない教師データのことを示している。前記した「特定のキーとなる操業条件」とは、本実施形態では、アークプロセスにおける昇温目標量のことを示している。第一の教師データは、例えば下記の表１に示すように、複数の操業条件（昇温目標量および予定処理時間）と、当該複数の操業条件でアークプロセスを実施した際の使用電力と、の組み合わせからなるデータである。なお、同表における「鋼番」は、アークプロセスにおける処理番号を示している。
第二の教師データは、アークプロセスの複数の操業条件のうち、特定のキーとなる操業条件を含まず、かつ当該特定のキーとなる操業条件に関連した操業条件によって分類された教師データのことを示している。前記した「特定のキーとなる操業条件に関連した操業条件」とは、本実施形態では鋼種情報のことを示している。この鋼種情報の鋼種としては、炭素鋼、Ａｌキルド鋼、高張力鋼、Ｓｉキルド鋼、高クロム鋼およびステンレス鋼等が挙げられる。
第二の教師データは、例えば下記の表２に示すように、操業条件（予定処理時間）と、当該操業条件でアークプロセスを実施した際の使用電力と、の組み合わせが鋼種ごとに分類されたデータである。
モデル作成部３２は、データ作成部３１によって作成された第一の教師データ（表１参照）を学習することにより、第一の学習モデルを作成する。また、モデル作成部３２は、データ作成部３１によって作成された第二の教師データ（表２参照）を学習することにより、第二の学習モデルを作成する。
モデル作成部３２は、学習の手法として回帰分析を用いる。また、回帰分析の手法としては、例えば線形回帰の一種である最小二乗法、部分的最小二乗法または正則化つき線形回帰、あるいは、回帰木の一種であるランダムフォレスト、勾配ブースティング、あるいは、非線形回帰の一種であるニューラルネットワーク、サポートベクター回帰、等を用いることができる。
モデル選択部３３は、アークプロセスの操業結果（使用電力）を予測する際の説明変数として、複数の操業条件のうち特定のキーとなる操業条件（昇温目標量）を用いるか否かに応じて、複数の学習モデルの中から特定の学習モデルを選択する。すなわち、モデル選択部３３は、説明変数として特定のキーとなる操業条件を用いる場合は、第一の学習モデルを選択し、説明変数として特定のキーとなる操業条件を用いない場合は、第二の学習モデルを選択する。
予測部３４は、モデル選択部３３によって選択された学習モデルに基づいて、アークプロセスの操業結果（使用電力）を予測する。予測部３４は、具体的には、説明変数の予定値（例えば昇温目標量や予定処理時間）を入力することにより、使用電力の予測値を算出する。
（学習モデルの学習方法）
本実施形態に係る学習モデルの学習方法について、図２および図３を参照しながら説明する。なお、学習モデルの学習方法は、演算部３０のデータ作成部３１およびモデル作成部３２が主体となって実施される。
本実施形態に係る学習モデルの学習方法について、図２および図３を参照しながら説明する。なお、学習モデルの学習方法は、演算部３０のデータ作成部３１およびモデル作成部３２が主体となって実施される。
まず、データ作成部３１は、教師データの作成に必要な操業データをデータベース２０から読み込む（ステップＳ１、データ読込ステップ）。続いて、データ作成部３１は、読み込んだ操業データに基づいて、教師データを作成する（ステップＳ２、データ作成ステップ）。続いて、モデル作成部３２は、教師データを学習することにより、学習モデルを作成する（ステップＳ３、モデル作成ステップ）。
ここで、前記したデータ作成ステップ（ステップＳ２）は、具体的には図３に示したフローに沿って実施される。まず、データ作成部３１は、データベース２０から読み込んだ操業データの中に昇温目標量が含まれているか否かを判定する（ステップＳ２１）。昇温目標量が含まれていると判定した場合（ステップＳ２１でＹｅｓ）、データ作成部３１は、説明変数として昇温目標量および予定処理時間を選択し（ステップＳ２２）、前記した表１に示すような、鋼種情報で分類されていない教師データ（第一の教師データ、表１参照）を作成する（ステップＳ２３）。
一方、データベース２０から読み込んだ操業データの中に昇温目標量が含まれていないと判定した場合（ステップＳ２１でＮｏ）、データ作成部３１は、説明変数として予定処理時間を選択し（ステップＳ２４）、前記した表２に示すような、鋼種情報で分類された教師データ（第二の教師データ、表２参照）を作成する（ステップＳ２５）。なお、ステップＳ２１における昇温目標量の有無の判定は、例えばＮａＮ等のフラグによって判定する。
（操業結果予測方法）
本実施形態に係る操業結果予測方法について、図４を参照しながら説明する。なお、操業結果予測方法は、演算部３０のモデル選択部３３および予測部３４が主体となって実施される。
本実施形態に係る操業結果予測方法について、図４を参照しながら説明する。なお、操業結果予測方法は、演算部３０のモデル選択部３３および予測部３４が主体となって実施される。
まず、モデル選択部３３は、アークプロセスの操業結果（使用電力）を予測する際の説明変数に昇温目標値が含まれているか否かを判定する（ステップＳ４１、判定ステップ）。昇温目標量が含まれていると判定した場合（ステップＳ４１でＹｅｓ）、モデル選択部３３は、鋼種情報で分類されていない学習モデル（第一の学習モデル）を選択し（ステップＳ４２、モデル選択ステップ）、昇温目標量および予定処理時間を当該学習モデルに入力することにより、使用電力を予測する（ステップＳ４３、予測ステップ）。
一方、アークプロセスの操業結果（使用電力）を予測する際の説明変数に昇温目標値が含まれていないと判定した場合（ステップＳ４１でＮｏ）、モデル選択部３３は、鋼種情報で分類された学習モデル（第二の学習モデル）を選択し（ステップＳ４４、モデル選択ステップ）、予定処理時間を当該学習モデルに入力することにより、使用電力を予測する（ステップＳ４５、予測ステップ）。
以上説明したような本実施形態に係る操業結果予測装置および操業結果予測方法によれば、相関関係がある操業条件（説明変数）のうち、事前に把握可能な操業条件に応じて予測精度の高い学習モデルを選択して予測を行うため、工業プロセスの操業結果を高精度に予測することができる。例えば操業結果予測装置および操業結果予測方法を製鉄所内のアークプロセスに適用した場合、キーとなる操業条件である昇温目標量を説明変数として利用できない場合、鋼種情報で分類された教師データ（第二の教師データ）に基づいて作成された学習モデル（第二の学習モデル）を選択し、使用電力を予測する。これにより、アークプロセスにおける使用電力を高精度に予測することができる。
また、本実施形態に係る学習モデルの学習装置および学習方法によれば、相関関係がある操業条件（説明変数）のうち、事前に把握可能な操業条件に応じて複数の学習モデルを作成するため、事前に把握可能な操業条件に応じて、工業プロセスの操業結果を高精度に予測することができる。
［実施形態２］
（操業結果予測装置）
本発明の実施形態２に係る操業結果予測装置および学習装置の構成は、図１と同様である。操業結果予測装置は、工業プロセスの複数の操業条件から当該工業プロセスの操業結果を予測する装置である。本実施形態では、製鉄所内の転炉プロセスにおいて、複数の操業条件から、転炉プロセスのバッチ操業における発生ガスを予測する場合の例について説明する。
（操業結果予測装置）
本発明の実施形態２に係る操業結果予測装置および学習装置の構成は、図１と同様である。操業結果予測装置は、工業プロセスの複数の操業条件から当該工業プロセスの操業結果を予測する装置である。本実施形態では、製鉄所内の転炉プロセスにおいて、複数の操業条件から、転炉プロセスのバッチ操業における発生ガスを予測する場合の例について説明する。
なお、転炉プロセスとは、鉄鉱石を高炉で溶解させ、脱硫等の予備処理を与えた溶銑を溶鋼へ転じる一次精錬工程であり、溶銑をスクラップ等とともに装入し、目標成分値を満たすよう、酸素を吹き付けて脱炭や脱りん精錬等を行う工程である。同じ処理時間であっても、脱炭と脱りんとでは、脱炭のほうがガス発生量は大きくなる。また、同じ脱炭であっても、吹錬形態によって処理が異なるためガス発生量が異なる。転炉プロセスは、製鋼工程の中でも特にガスが発生する工程であり、この発生ガスを使って効率的に発電するためには、発生ガスを精度良く予測することが求められている。そのためには処理内容を操業条件として踏まえる必要がある。
転炉プロセスを計画する際の複数の操業条件としては、例えば予定吹錬酸素量、予定処理時間、および吹錬形態が挙げられる。これらの操業条件のうちの予定吹錬酸素量については、操業の状況によってデータがある場合と無い場合とがある。すなわち、吹錬酸素量は、転炉吹錬直前および転炉吹錬中に計算されて決定される。それらは、スタティックコントロールおよびダイナミックコントロールと呼ばれる。従って、一つ前の転炉吹錬が終了するまで、次吹錬の吹錬酸素量の把握は困難となる。
データ作成部３１で用いる第一の教師データは、転炉プロセスの複数の操業条件のうち、特定のキーとなる操業条件を含み、かつ当該特定のキーとなる操業条件に関連した操業条件によって分類されていない教師データのことを示している。前記した「特定のキーとなる操業条件」とは、本実施形態では、転炉プロセスにおける予定吹錬酸素量のことを示している。第一の教師データは、例えば下記の表３に示すように、複数の操業条件（予定吹錬酸素量および予定処理時間）と、当該複数の操業条件で転炉プロセスを実施した際の発生ガスと、の組み合わせからなるデータである。なお、同表における「鋼番」は、転炉プロセスにおける処理番号を示している。
データ作成部３１で用いる第二の教師データは、転炉プロセスの複数の操業条件のうち、特定のキーとなる操業条件を含まず、かつ当該特定のキーとなる操業条件に関連した操業条件によって分類された教師データのことを示している。前記した「特定のキーとなる操業条件に関連した操業条件」とは、本実施形態では吹錬形態のことを示している。この吹錬形態は、溶銑予備処理の内容に応じて割り振られる。
第二の教師データは、例えば下記の表４に示すように、操業条件（予定処理時間）と、当該操業条件で転炉プロセスを実施した際の発生ガスと、の組み合わせが吹錬形態ごとに分類されたデータである。
モデル作成部３２は、データ作成部３１によって作成された第一の教師データ（表３参照）を学習することにより、第一の学習モデルを作成する。また、モデル作成部３２は、データ作成部３１によって作成された第二の教師データ（表４参照）を学習することにより、第二の学習モデルを作成する。
モデル作成部３２は、学習の手法として回帰分析を用いる。また、回帰分析の手法としては、例えば線形回帰の一種である最小二乗法、部分的最小二乗法または正則化つき線形回帰、あるいは、回帰木の一種であるランダムフォレスト、勾配ブースティング、あるいは、非線形回帰の一種であるニューラルネットワーク、サポートベクター回帰、等を用いることができる。
モデル選択部３３は、転炉プロセスの操業結果（発生ガス）を予測する際の説明変数として、複数の操業条件のうち特定のキーとなる操業条件（予定吹錬酸素量）を用いるか否かに応じて、複数の学習モデルの中から特定の学習モデルを選択する。すなわち、モデル選択部３３は、説明変数として特定のキーとなる操業条件を用いる場合は、第一の学習モデルを選択し、説明変数として特定のキーとなる操業条件を用いない場合は、第二の学習モデルを選択する。
予測部３４は、モデル選択部３３によって選択された学習モデルに基づいて、転炉プロセスの操業結果（発生ガス）を予測する。予測部３４は、具体的には、説明変数の予定値（例えば予定吹錬酸素量や予定処理時間）を入力することにより、発生ガスの予測値を算出する。
（学習モデルの学習方法）
本実施形態に係る学習モデルの学習方法について、図２および図５を参照しながら説明する。なお、学習モデルの学習方法は、演算部３０のデータ作成部３１およびモデル作成部３２が主体となって実施される。学習モデルの学習方法は、図２のステップＳ１〜Ｓ３の処理を行う。
本実施形態に係る学習モデルの学習方法について、図２および図５を参照しながら説明する。なお、学習モデルの学習方法は、演算部３０のデータ作成部３１およびモデル作成部３２が主体となって実施される。学習モデルの学習方法は、図２のステップＳ１〜Ｓ３の処理を行う。
ここで、前記したデータ作成ステップ（ステップＳ２）は、具体的には図５に示したフローに沿って実施される。まず、データ作成部３１は、データベース２０から読み込んだ操業データの中に予定吹錬酸素量が含まれているか否かを判定する（ステップＳ５１）。予定吹錬酸素量が含まれていると判定した場合（ステップＳ５１でＹｅｓ）、データ作成部３１は、説明変数として予定吹錬酸素量および予定処理時間を選択し（ステップＳ５２）、前記した表３に示すような、吹錬形態で分類されていない教師データ（第一の教師データ、表３参照）を作成する（ステップＳ５３）。
一方、データベース２０から読み込んだ操業データの中に予定吹錬酸素量が含まれていないと判定した場合（ステップＳ５１でＮｏ）、データ作成部３１は、説明変数として予定処理時間を選択し（ステップＳ５４）、前記した表４に示すような、吹錬形態で分類された教師データ（第二の教師データ、表４参照）を作成する（ステップＳ５５）。なお、ステップＳ５１における予定吹錬酸素量の有無の判定は、例えばＮａＮ等のフラグによって判定する。
（操業結果予測方法）
本実施形態に係る操業結果予測方法について、図６を参照しながら説明する。なお、操業結果予測方法は、演算部３０のモデル選択部３３および予測部３４が主体となって実施される。
本実施形態に係る操業結果予測方法について、図６を参照しながら説明する。なお、操業結果予測方法は、演算部３０のモデル選択部３３および予測部３４が主体となって実施される。
まず、モデル選択部３３は、転炉プロセスの操業結果（発生ガス）を予測する際の説明変数に予定吹錬酸素量が含まれているか否かを判定する（ステップＳ６１、判定ステップ）。予定吹錬酸素量が含まれていると判定した場合（ステップＳ６１でＹｅｓ）、モデル選択部３３は、吹錬形態で分類されていない学習モデル（第一の学習モデル）を選択し（ステップＳ６２、モデル選択ステップ）、予定吹錬酸素量および予定処理時間を当該学習モデルに入力することにより、発生ガスを予測する（ステップＳ６３、予測ステップ）。
一方、転炉プロセスの操業結果（発生ガス）を予測する際の説明変数に予定吹錬酸素量が含まれていないと判定した場合（ステップＳ６１でＮｏ）、モデル選択部３３は、吹錬形態で分類された学習モデル（第二の学習モデル）を選択し（ステップＳ６４、モデル選択ステップ）、予定処理時間を当該学習モデルに入力することにより、発生ガスを予測する（ステップＳ６５、予測ステップ）。
以上説明したような本実施形態に係る操業結果予測装置および操業結果予測方法によれば、相関関係がある操業条件（説明変数）のうち、事前に把握可能な操業条件に応じて予測精度の高い学習モデルを選択して予測を行うため、工業プロセスの操業結果を高精度に予測することができる。例えば操業結果予測装置および操業結果予測方法を製鉄所内の転炉プロセスに適用した場合、キーとなる操業条件である予定吹錬酸素量を説明変数として利用できない場合、吹錬形態で分類された教師データ（第二の教師データ）に基づいて作成された学習モデル（第二の学習モデル）を選択し、発生ガスを予測する。これにより、転炉プロセスにおける発生ガスを高精度に予測することができる。
また、本実施形態に係る学習モデルの学習装置および学習方法によれば、相関関係がある操業条件（説明変数）のうち、事前に把握可能な操業条件に応じて複数の学習モデルを作成するため、事前に把握可能な操業条件に応じて、工業プロセスの操業結果を高精度に予測することができる。
実施形態１に係る操業結果予測方法の実施例について、図７を参照しながら説明する。本実施例では、以下のＡ〜Ｃの学習モデルを作成し、各学習モデルの精度検証を行った。なお、以下のＢ，Ｃは本発明例に相当し、以下のＡは比較例に相当する。
Ａ：昇温目標量を説明変数として含まず、かつ鋼種情報によって分類されていない教師データを学習させた学習モデル
Ｂ：昇温目標量を説明変数として含まず、かつ鋼種情報によって分類された教師データ（第二の教師データ）を学習させた学習モデル（第二の学習モデル）
Ｃ：昇温目標量を説明変数として含み、かつ鋼種情報によって分類されていない教師データ（第一の教師データ）を学習させた学習モデル（第一の学習モデル）
Ｂ：昇温目標量を説明変数として含まず、かつ鋼種情報によって分類された教師データ（第二の教師データ）を学習させた学習モデル（第二の学習モデル）
Ｃ：昇温目標量を説明変数として含み、かつ鋼種情報によって分類されていない教師データ（第一の教師データ）を学習させた学習モデル（第一の学習モデル）
本実施例では、過去二ヶ月間の操業データに基づいて各学習モデルを作成した。また、各学習モデルを作成する際に、正則化付き線形回帰の一種であるＬａｓｓｏ回帰を用いた。また、目的変数は、鋼番ごとの使用電力量とし、説明変数の候補は、鋼番ごとの昇温目標量、予定処理時間、処理待ち時間および鋼種情報とした。更に、鋼種情報は、炭素鋼、Ａｌキルド鋼、高張力鋼、Ｓｉキルド鋼、高クロム鋼、ステンレス鋼の中から割り振りを行った。また、各学習モデルの精度検証では、予測値が１００％当たる理想的な状況を想定し、各変数とも予定値ではなく実績値を用いた。
精度検証で得られた誤差の比較結果を図７に示す。精度指標とした誤差は、予定処理時間のみを用い、昇温目標量および鋼種情報を用いない場合のＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ：二乗平均平方根誤差）を１００として算出した。
図７に示すように、説明変数に昇温目標値を含む学習モデルＣの予測結果が最も良い。昇温目標値は、使用電力との相関が高いことが明らかであるため、当然の結果と言える。これに対して、昇温目標値が使用できないケースで、鋼種による分類をしていない学習モデルＡの予測結果は、学習モデルＣの予測結果に対して、予測誤差の精度が３０％程度悪い結果となっている。またこれに対して、昇温目標値が使用できない場合に、昇温目標値と関連が深いと考えられる鋼種情報でデータを分類して、昇温目標値を使わずに学習させた学習モデルＢの予測結果は、学習モデルＡの予測結果に対して、予測誤差の精度が１０％以上改善している。
以上のように、複数の操業条件のうちのキーとなる操業条件である説明変数（ここでは昇温目標量）が使用可能でない場合には、単に昇温目標量を省いた学習モデルを使用するのではなく、昇温目標量と関連があると想定される説明変数（ここでは鋼種情報）で分類した、異なる学習モデルとの予測誤差を評価し、予測誤差が改善されると想定される場合には、当該鋼種情報で分類した学習モデルを使用することにより、学習モデルの予測誤差を改善させることができる。
実施形態２に係る操業結果予測方法の実施例について、図８を参照しながら説明する。本実施例では、以下のＤ〜Ｆの学習モデルを作成し、各学習モデルの精度検証を行った。なお、以下のＥ，Ｆは本発明例に相当し、以下のＤは比較例に相当する。
Ｄ：予定吹錬酸素量を説明変数として含まず、かつ吹錬形態によって分類されていない教師データを学習させた学習モデル
Ｅ：予定吹錬酸素量を説明変数として含まず、かつ吹錬形態によって分類された教師データ（第二の教師データ）を学習させた学習モデル（第二の学習モデル）
Ｆ：予定吹錬酸素量を説明変数として含み、かつ吹錬形態によって分類されていない教師データ（第一の教師データ）を学習させた学習モデル（第一の学習モデル）
Ｅ：予定吹錬酸素量を説明変数として含まず、かつ吹錬形態によって分類された教師データ（第二の教師データ）を学習させた学習モデル（第二の学習モデル）
Ｆ：予定吹錬酸素量を説明変数として含み、かつ吹錬形態によって分類されていない教師データ（第一の教師データ）を学習させた学習モデル（第一の学習モデル）
本実施例では、過去３００吹錬の操業データに基づいて各学習モデルを作成した。また、各学習モデルを作成する際に、正則化付き線形回帰の一種であるＬａｓｓｏ回帰を用いた。また、目的変数は、１吹錬積算の発生ガス量とし、説明変数の候補は、１吹錬積算の予定吹錬酸素量、予定処理時間、吹錬形態とした。更に、吹錬形態は、溶銑予備処理の内容に応じて割り振った。また、各学習モデルの精度検証では、予測値が１００％当たる理想的な状況を想定し、各変数とも予定値ではなく実績値を用いた。
精度検証で得られた誤差の比較結果を図８に示す。精度指標とした誤差は、予定処理時間のみを用い、予定吹錬酸素量および吹錬形態を用いない場合のＲＭＳＥを１００として算出した。
図８に示すように、説明変数に予定吹錬酸素量を含む学習モデルＦの予測結果が最も良い。予定吹錬酸素量は、発生ガスとの相関が高いことが明らかであるため、当然の結果と言える。これに対して、予定吹錬酸素量が使用できないケースで、吹錬形態による分類をしていない学習モデルＤの予測結果は、学習モデルＦの予測結果に対して、予測誤差の精度が１９％程度悪い結果となっている。またこれに対して、予定吹錬酸素量が使用できない場合に、予定吹錬酸素量と関連が深いと考えられる吹錬形態でデータを分類して、予定吹錬酸素量を使わずに学習させた学習モデルＥの予測結果は、学習モデルＤの予測結果に対して、予測誤差の精度が１２％程度改善している。
以上のように、複数の操業条件のうちのキーとなる操業条件である説明変数（ここでは予定吹錬酸素量）が使用可能でない場合には、単に予定吹錬酸素量を省いた学習モデルを使用するのではなく、予定吹錬酸素量と関連があると想定される説明変数（ここでは吹錬形態）で分類した、異なる学習モデルとの予測誤差を評価し、予測誤差が改善されると想定される場合には、当該吹錬形態で分類した学習モデルを使用することにより、学習モデルの予測誤差を改善させることができる。
以上、本発明に係る操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。
１ 操業結果予測装置
１０ 入力部
２０ データベース（ＤＢ）
３０ 演算部
３１ データ作成部（データ作成手段）
３２ モデル作成部（モデル作成手段）
３３ モデル選択部（モデル選択手段）
３４ 予測部（予測手段）
４０ 表示部
１０ 入力部
２０ データベース（ＤＢ）
３０ 演算部
３１ データ作成部（データ作成手段）
３２ モデル作成部（モデル作成手段）
３３ モデル選択部（モデル選択手段）
３４ 予測部（予測手段）
４０ 表示部
Claims (9)
- 工業プロセスの複数の操業条件から前記工業プロセスの操業結果を予測する操業結果予測方法であって、
前記操業結果を予測する際の説明変数として、前記複数の操業条件のうち特定のキーとなる操業条件を用いるか否かに応じて、複数の学習モデルの中から特定の学習モデルを選択するモデル選択ステップと、
前記モデル選択ステップで選択した学習モデルに基づいて、操業結果を予測する予測ステップと、
を含む操業結果予測方法。 - 前記複数の学習モデルは、
前記特定のキーとなる操業条件を含み、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類されていない第一の教師データから作成された第一の学習モデルと、
前記特定のキーとなる操業条件を含まず、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類された第二の教師データを作成する第二の学習モデルと、
を含み、
前記モデル選択ステップは、
前記説明変数として前記特定のキーとなる操業条件を用いる場合は前記第一の学習モデルを選択し、
前記説明変数として前記特定のキーとなる操業条件を用いない場合は前記第二の学習モデルを選択する、
請求項１に記載の操業結果予測方法。 - 前記工業プロセスは、製鉄所内のアークプロセスであり、
前記操業結果は、前記アークプロセスのバッチ操業における使用電力であり、
前記複数の操業条件は、少なくとも昇温目標量、予定処理時間および鋼種情報を含む、
請求項１または請求項２に記載の操業結果予測方法。 - 前記工業プロセスは、製鉄所内の転炉プロセスであり、
前記操業結果は、前記転炉プロセスのバッチ操業における発生ガスであり、
前記複数の操業条件は、少なくとも予定吹錬酸素量、予定処理時間および吹錬形態を含む、
請求項１または請求項２に記載の操業結果予測方法。 - 工業プロセスの複数の操業条件から前記工業プロセスの操業結果を予測する際に用いる学習モデルの学習方法であって、
前記複数の操業条件のうち特定のキーとなる操業条件を含み、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類されていない第一の教師データを作成する第一のデータ作成ステップと、
前記特定のキーとなる操業条件を含まず、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類された第二の教師データを作成する第二のデータ作成ステップと、
前記第一の教師データに基づいて、前記工業プロセスの操業結果を予測する第一の学習モデルを作成する第一のモデル作成ステップと、
前記第二の教師データに基づいて、前記工業プロセスの操業結果を予測する第二の学習モデルを作成する第二のモデル作成ステップと、
を含む学習モデルの学習方法。 - 前記工業プロセスは、製鉄所内のアークプロセスであり、
前記操業結果は、前記アークプロセスのバッチ操業における使用電力であり、
前記複数の操業条件は、少なくとも昇温目標量、予定処理時間および鋼種情報を含む、
請求項５に記載の学習モデルの学習方法。 - 前記工業プロセスは、製鉄所内の転炉プロセスであり、
前記操業結果は、前記転炉プロセスのバッチ操業における発生ガスであり、
前記複数の操業条件は、少なくとも予定吹錬酸素量、予定処理時間および吹錬形態を含む、
請求項５に記載の学習モデルの学習方法。 - 工業プロセスの複数の操業条件から前記工業プロセスの操業結果を予測する操業結果予測装置であって、
前記操業結果を予測する際の説明変数として、前記複数の操業条件のうち特定のキーとなる操業条件を用いるか否かに応じて、複数の学習モデルの中から特定の学習モデルを選択するモデル選択手段と、
前記モデル選択手段で選択した学習モデルに基づいて、操業結果を予測する予測手段と、
を備える操業結果予測装置。 - 工業プロセスの複数の操業条件から前記工業プロセスの操業結果を予測する際に用いる学習モデルの学習装置であって、
前記複数の操業条件のうち特定のキーとなる操業条件を含み、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類されていない第一の教師データを作成する第一のデータ作成手段と、
前記特定のキーとなる操業条件を含まず、かつ前記特定のキーとなる操業条件に関連した操業条件によって分類された第二の教師データを作成する第二のデータ作成手段と、
前記第一の教師データに基づいて、前記工業プロセスの操業結果を予測する第一の学習モデルを作成する第一のモデル作成手段と、
前記第二の教師データに基づいて、前記工業プロセスの操業結果を予測する第二の学習モデルを作成する第二のモデル作成手段と、
を備える学習モデルの学習装置。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019027509 | 2019-02-19 | ||
| JP2019027509 | 2019-02-19 | ||
| PCT/JP2020/004738 WO2020170849A1 (ja) | 2019-02-19 | 2020-02-07 | 操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2020170849A1 true JPWO2020170849A1 (ja) | 2021-03-11 |
| JP6954479B2 JP6954479B2 (ja) | 2021-10-27 |
Family
ID=72143889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020546514A Active JP6954479B2 (ja) | 2019-02-19 | 2020-02-07 | 操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置 |
Country Status (6)
| Country | Link |
|---|---|
| EP (1) | EP3929516A4 (ja) |
| JP (1) | JP6954479B2 (ja) |
| KR (1) | KR102579633B1 (ja) |
| CN (1) | CN113454413B (ja) |
| BR (1) | BR112021016447A2 (ja) |
| WO (1) | WO2020170849A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116324323A (zh) * | 2020-09-18 | 2023-06-23 | 株式会社Uacj | 生成预测熔化炉的能量效率的学习完毕预测模型的方法、预测熔化炉的能量效率的方法以及计算机程序 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5161408A (en) * | 1974-11-26 | 1976-05-28 | Nippon Kokan Kk | Seikoyoaakurono yorakuhanteiho |
| JPH06307766A (ja) * | 1993-04-21 | 1994-11-01 | Nippon Steel Corp | 製鋼用アーク炉の電力投入制御方法 |
| JPH08273826A (ja) * | 1995-03-31 | 1996-10-18 | Nisshin Steel Co Ltd | 電気炉の最適目標総送電量の演算方法および電気炉設備 |
| JP2012004181A (ja) * | 2010-06-14 | 2012-01-05 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
| WO2015146026A1 (ja) * | 2014-03-28 | 2015-10-01 | 日本電気株式会社 | モデル選択システム、モデル選択方法およびプログラムを記憶する記録媒体 |
| JP2018045559A (ja) * | 2016-09-16 | 2018-03-22 | 富士通株式会社 | 情報処理装置、情報処理方法およびプログラム |
| JP2018147280A (ja) * | 2017-03-07 | 2018-09-20 | 株式会社日立ソリューションズ | データ分析装置及びデータ分析方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS637766A (ja) * | 1986-06-26 | 1988-01-13 | Toyohiko Nishimura | 焼きそば等の麺類寿司及びその製造方法 |
| JP5535775B2 (ja) | 2010-06-04 | 2014-07-02 | 新日鉄住金エンジニアリング株式会社 | 製鋼用アーク炉の電力投入制御方法 |
| CN102373310B (zh) * | 2011-10-19 | 2013-06-12 | 北京科技大学 | 一种指导转炉补吹过程操作的方法 |
| DE102012224184A1 (de) * | 2012-12-21 | 2014-06-26 | Sms Siemag Ag | Verfahren zur Vorhersage, Steuerung und/oder Regelung von Stahlwerksprozessen |
| CN103882176B (zh) * | 2014-03-25 | 2015-09-30 | 东北大学 | 一种基于数据驱动的转炉炼钢过程在线动态控制方法 |
| JP6856023B2 (ja) * | 2015-09-30 | 2021-04-07 | 日本電気株式会社 | 最適化システム、最適化方法および最適化プログラム |
| CN105807741B (zh) * | 2016-03-09 | 2018-08-07 | 北京科技大学 | 一种工业生产流程预测方法 |
| CN105714014A (zh) * | 2016-03-30 | 2016-06-29 | 本钢板材股份有限公司 | 转炉氧枪/加料/温度制度综合简化模型系统及操作方法 |
| KR102065455B1 (ko) * | 2016-07-14 | 2020-01-13 | 닛폰세이테츠 가부시키가이샤 | 용강 중 인 농도 추정 방법 및 전로 취련 제어 장치 |
| JP6897260B2 (ja) * | 2017-04-14 | 2021-06-30 | 日本製鉄株式会社 | 溶鋼中りん濃度推定方法、転炉吹錬制御装置、プログラム及び記録媒体 |
-
2020
- 2020-02-07 CN CN202080014961.1A patent/CN113454413B/zh active Active
- 2020-02-07 WO PCT/JP2020/004738 patent/WO2020170849A1/ja unknown
- 2020-02-07 EP EP20759314.6A patent/EP3929516A4/en active Pending
- 2020-02-07 BR BR112021016447A patent/BR112021016447A2/pt unknown
- 2020-02-07 JP JP2020546514A patent/JP6954479B2/ja active Active
- 2020-02-07 KR KR1020217026129A patent/KR102579633B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5161408A (en) * | 1974-11-26 | 1976-05-28 | Nippon Kokan Kk | Seikoyoaakurono yorakuhanteiho |
| JPH06307766A (ja) * | 1993-04-21 | 1994-11-01 | Nippon Steel Corp | 製鋼用アーク炉の電力投入制御方法 |
| JPH08273826A (ja) * | 1995-03-31 | 1996-10-18 | Nisshin Steel Co Ltd | 電気炉の最適目標総送電量の演算方法および電気炉設備 |
| JP2012004181A (ja) * | 2010-06-14 | 2012-01-05 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
| WO2015146026A1 (ja) * | 2014-03-28 | 2015-10-01 | 日本電気株式会社 | モデル選択システム、モデル選択方法およびプログラムを記憶する記録媒体 |
| JP2018045559A (ja) * | 2016-09-16 | 2018-03-22 | 富士通株式会社 | 情報処理装置、情報処理方法およびプログラム |
| JP2018147280A (ja) * | 2017-03-07 | 2018-09-20 | 株式会社日立ソリューションズ | データ分析装置及びデータ分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113454413A (zh) | 2021-09-28 |
| WO2020170849A1 (ja) | 2020-08-27 |
| JP6954479B2 (ja) | 2021-10-27 |
| EP3929516A4 (en) | 2022-04-20 |
| BR112021016447A2 (pt) | 2021-11-09 |
| KR102579633B1 (ko) | 2023-09-15 |
| CN113454413B (zh) | 2023-06-27 |
| KR20210116578A (ko) | 2021-09-27 |
| EP3929516A1 (en) | 2021-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A dynamic analytics method based on multistage modeling for a BOF steelmaking process | |
| CN109447346B (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
| Matino et al. | Forecasting blast furnace gas production and demand through echo state neural network-based models: Pave the way to off-gas optimized management | |
| CN113239482B (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
| Matino et al. | Quantification of energy and environmental impacts in uncommon electric steelmaking scenarios to improve process sustainability | |
| JP6954479B2 (ja) | 操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置 | |
| CN111020118B (zh) | 一种基于粒子群优化案例推理的rh终点温度预测方法 | |
| Dock et al. | Time-and component-resolved energy system model of an electric steel mill | |
| Tang et al. | An estimation of distribution algorithm with resampling and local improvement for an operation optimization problem in steelmaking process | |
| JP2005036289A (ja) | モデルパラメータ決定方法及びそのプログラム，モデル予測方法及びそのプログラム | |
| Liu et al. | A novel dynamic operation optimization method based on multiobjective deep reinforcement learning for steelmaking process | |
| JP5821656B2 (ja) | 生石灰濃度予測装置及び吹錬制御方法 | |
| Sorsa et al. | Data-driven multivariate analysis of basic oxygen furnace used in steel industry | |
| JP2008007828A (ja) | 脱燐制御方法および装置 | |
| WO2021210290A1 (ja) | エネルギー需給運用ガイダンス装置および製鉄所内のエネルギー需給運用方法 | |
| JP2004059954A (ja) | 転炉吹錬制御方法 | |
| Tsai et al. | The exponential grey forecasting model for CO2 emissions in Taiwan | |
| Cai et al. | Optimization of composition of heat-treated chromium white cast iron casting by phosphate graphite mold | |
| Terpák et al. | The Mathematical Model for Indirect Measurement of Carbon Concentration in the Steelmaking Process and its Utilization in Process Control | |
| Bag | ANN based prediction of blast furnace parameters | |
| JP2004059955A (ja) | 転炉吹錬制御方法 | |
| Xue et al. | Prediction of Converter Tapping Weight Based on Principal Component Analysis–Whale Optimization Algorithm–Backpropagation Algorithm Neural Network Model | |
| Saxena | Energy Management and Monitoring Systems | |
| Huang et al. | Greedy kernel components acting on ANFIS to predict BOF steelmaking endpoint | |
| Zhikharev et al. | Artificial Intelligence and Machine Learning In Metallurgy. Part 2. Application Examples |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200904 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200904 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20201002 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210105 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210225 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210525 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210618 |
|
| 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: 20210831 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210913 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6954479 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |