KR100361095B1 - How to create a diagnosis rule for blast furnace_ - Google Patents
How to create a diagnosis rule for blast furnace_ Download PDFInfo
- Publication number
- KR100361095B1 KR100361095B1 KR10-1998-0059179A KR19980059179A KR100361095B1 KR 100361095 B1 KR100361095 B1 KR 100361095B1 KR 19980059179 A KR19980059179 A KR 19980059179A KR 100361095 B1 KR100361095 B1 KR 100361095B1
- Authority
- KR
- South Korea
- Prior art keywords
- blast furnace
- rule
- generating
- fuzzy
- operation data
- Prior art date
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
- C21B7/24—Test rods or other checking 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
- F27D2021/0007—Monitoring the pressure
-
- 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
- F27D21/0014—Devices for monitoring temperature
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 고로공정에서의 노내부의 상태를 진단하기 위한 규칙의 형태로 만들어진 지식을 생성하는 고로 진단용 규칙 생성 방법에 관한 것으로, 고로에 입력된 조업 데이터를 예비 처리하고 상기 조업 데이터를 예비 처리한 후 히스토그램에 의한 퍼지 소속함수를 생성하는 단계와, 상기 생성된 소속함수의 기반으로 퍼지 결정 트리를 생성하는 단계와, 상기 단계 수행 후 자동 규칙 생성용 특징 변수를 입력받아 고로 진단용 규칙을 생성하는 단계와, 상기 생산된 규칙을 고로 조업 지식 베이스에 일시 저장한 후 운전자에게 전달하는 단계를 포함하는 것을 그 특징으로 한다.The present invention relates to a method for generating a blast furnace diagnostic rule for generating knowledge made in the form of a rule for diagnosing the state of the inside of the furnace in the blast furnace process, and preprocessing the operation data input to the blast furnace and preprocessing the operation data Generating a fuzzy membership function based on a histogram, generating a fuzzy decision tree based on the generated membership function, and generating a blast furnace diagnostic rule by receiving a feature variable for automatic rule generation after performing the step. And temporarily storing the produced rule in the blast furnace operating knowledge base and transmitting the result to the driver.
이상에서와 같이 본 발명은, 수집된 조업 데이터로부터 새로운 조업 규칙을 자동으로 생성함으로서 보다 진보되고 고로의 특성에 부합하는 고로 조업을 수행함에 따라 고로의 생산성을 향상시키고 고로의 진단 및 안정된 조업을 할 수 있는 효과가 제공된다.As described above, the present invention, by automatically generating a new operation rule from the collected operation data to perform the blast furnace operation more advanced and consistent with the characteristics of the blast furnace to improve the productivity of the blast furnace, and to perform blast furnace diagnosis and stable operation The effect is provided.
Description
본 발명은 고로공정에서의 노내부의 상태를 진단하기 위한 규칙의 형태로 만들어진 지식을 생성하는 고로 진단용 규칙 생성 방법에 관한 것으로, 특히 고로의 조업방침이 시시각각으로 변하는 경우에 새로운 조업 규칙을 자동으로 생성하는 시스템을 구현함으로써 안정된 고로 조업을 수행할 수 있게 하는 고로 진단용 규칙 생성 방법에 관한 것이다.The present invention relates to a method for generating a blast furnace diagnostic rule for generating knowledge made in the form of a rule for diagnosing the state of the furnace in the blast furnace process, in particular when a new operation rule is automatically changed when the operation policy of the blast furnace is changed from time to time. The present invention relates to a method for generating a blast furnace diagnostic rule for implementing a stable blast furnace operation by implementing a generating system.
일반적으로 고로는 복잡한 반응 설비로서 해석적 모델을 위하여 많은 연구가 되어 왔으나 해석적 모델이 많은 한계를 가지고 있고, 고로에 대한 측정도 고온으로 인하여 제한될 수밖에 없으므로 고로에 대한 정확한 모델을 만드는 것이 매우 어렵다.In general, blast furnaces have been studied for analytic models as a complex reaction facility, but the analytical models have many limitations, and the measurement of blast furnaces has to be limited due to high temperatures, making it difficult to make accurate models for blast furnaces. .
또한 고로의 노화 등으로 인하여 고로의 특성 자체가 시간에 따라 변하므로 고로에 대한 모델의 정확도를 높이는 것도 매우 어려울 뿐 아니라 고로에 대한 조업은 이론적 모델용을 참고로 하여 조업자의 경험적 지식을 이용함으로서 운행된다.In addition, because the characteristics of the blast furnace itself changes with time due to the aging of the blast furnace, it is very difficult to improve the accuracy of the blast furnace model, and the operation of the blast furnace is operated by using the empirical knowledge of the operator with reference to the theoretical model. do.
또한 고로를 최적의 상태로 운행하기 위해서는 고로에 대한 조업자의 경험적 지식을 습득하는 것이 매우 필요하다.In addition, in order to operate the blast furnace in the optimal state, it is very necessary to acquire the empirical knowledge of the operator about the blast furnace.
또한 고로의 특성이 시간에 따라 변하되고 따라서 조업자의 지식도 계속적으로 변하므로 조업자의 지식을 지속적으로 습득하여 기존의 지식을 보완해야할 필요가 있다.In addition, because the characteristics of the blast furnace changes over time, and therefore the knowledge of the operator is constantly changing, it is necessary to continuously acquire the knowledge of the operator to supplement the existing knowledge.
그리고 타 제철소의 방법으로는 신일본 제철의 "고로 프로세스 입체 감시 장치"(JP 92177082)등이 있다. 그러나 이러한 고로 프로세스 입체 감시 장치는 고로 입력 데이터를 전반적으로 볼 수 있는 시스템을 구현하여 감시 및 진단을 하는 장치로서, 이는 데이터만 제시할 뿐 고로 진단을 위한 정보는 제시하지 않고 있다.Other steel mills include the new blast furnace process stereoscopic monitoring system (JP 92177082). However, such a blast furnace process stereoscopic monitoring device is a device for monitoring and diagnosing the blast furnace input data as a whole, and it presents only data and does not provide information for blast furnace diagnosis.
따라서 본 발명은 상기와 같은 종래의 제반 문제점을 해결하고자 이루어진 것으로서, 그 목적은 조업자로부터 직접적으로 지식을 수집하는 대신 고로 조업의 데이터를 수집하고 수집된 조업 데이터로부터 새로운 조업 규칙을 자동으로 생성함으로서 보다 진보되고 고로의 특성에 부합하는 고로 조업을 수행함에 따라 고로의 생산성을 향상시키고 고로의 진단 및 안정된 조업을 할 수 있게 한 고로 진단용 규칙 생성 방법을 제공하는데 있다.Accordingly, the present invention was made to solve the above-mentioned conventional problems, and its object is to collect data of blast furnace operation and to automatically generate new operation rules from collected operation data instead of collecting knowledge directly from operators. The more advanced and blast furnace operation in accordance with the characteristics of the blast furnace to improve the productivity of the blast furnace, and to provide a method for generating blast furnace diagnostic rules that enable stable operation of the blast furnace.
상기의 목적을 달성하고자 본 발명의 고로 진단용 규칙 생성 방법은, 고로의 온도 및 압력 등의 조업 데이터를 입력받는 고로공정의 퍼지 규칙 생성 시스템에 있어서, 상기 고로에 입력된 조업 데이터를 예비 처리하고 상기 조업 데이터를 예비 처리한 후 히스토그램에 의한 퍼지 소속함수를 생성하는 단계와, 상기 생성된 소속함수의 기반으로 퍼지 결정 트리를 생성하는 단계와, 상기 단계 수행 후 자동 규칙 생성용 특징 변수를 입력받아 고로 진단용 규칙을 생성하는 단계와, 상기 생산된 규칙을 고로 조업 지식 베이스에 일시 저장한 후 운전자에게 전달하는 단계를 포함하는 것을 그 특징으로 한다.In order to achieve the above object, the method for generating a blast furnace diagnostic rule of the present invention is a fuzzy rule generation system of a blast furnace process that receives operation data such as temperature and pressure of a blast furnace, and preliminarily processes the operation data input to the blast furnace. Generating a fuzzy membership function based on the histogram after preliminary processing of the operation data, generating a fuzzy decision tree based on the generated membership function, and receiving feature variables for automatic rule generation after performing the step. Generating a diagnostic rule, and temporarily storing the produced rule in the blast furnace operating knowledge base and then delivering the generated rule to a driver.
도 1은 본 발명에 의한 고로 진단용 규칙 생성 시스템의 구성도.1 is a block diagram of a blast furnace diagnostic rule generation system according to the present invention.
도 2는 본 발명에 따른 고로 진단용 규칙 생성 방법의 신호 흐름도.2 is a signal flow diagram of a method for generating a blast furnace diagnostic rule according to the present invention.
도면의 주요 부분에 대한 부호의 설명Explanation of symbols for the main parts of the drawings
100:고로(Blast Furnace) 200:프로세스 컴퓨터100: Blast Furnace 200: Process computer
300:PLC(Programable Logic Computer)300: PLC (Programmable Logic Computer)
400:퍼지 규칙 자동 생성 시스템400: automatic purge rule generation system
본 발명의 바람직한 실시예에 대하여 상세히 설명하기로 한다.Preferred embodiments of the present invention will be described in detail.
이 바람직한 실시예를 통해 본 발명의 목적, 특징 및 이점을 보다 잘 이해할 수 있게 된다.This preferred embodiment enables a better understanding of the objects, features and advantages of the present invention.
이하, 첨부한 도면을 참조하여 본 발명에 의한 고로 진단용 규칙 생성 방법의 바람직한 실시예를 상세히 설명하기로 한다.Hereinafter, with reference to the accompanying drawings will be described in detail a preferred embodiment of the method for generating a blast furnace diagnostic rule according to the present invention.
도 1은 본 발명에 의한 고로 진단용 규칙 생성 시스템의 구성도로서, 이에 도시된 바와 같이 온도, 압력 등의 1분 주기 데이터와 장입물 분포 및 PCI 실적 데이터를 출력하는 고로(100)와, 상기 고로(100)에서 출력되는 온도, 압력 등의 데이터를 입력받는 프로세스 컴퓨터(200)와, 상기 고로(100)에서 출력되는 장입물 분포 및 PCI 실적 데이터를 입력받는 원료처리용 PLC(300)와, 상기 프로세스 컴퓨터(200)와 PLC(300)로부터 출력되는 데이터를 입력받아 고로 네트워크를 통해 운전자에게 전달하는 퍼지 규칙 자동 생성 시스템(400)으로 구성되어 있다.1 is a block diagram of the blast furnace diagnostic rule generation system according to the present invention, the blast furnace 100 for outputting 1-minute cycle data, such as temperature, pressure, and the like, and the distribution of PCI load data, and the blast furnace A process computer 200 for receiving data such as temperature and pressure output from the 100, a raw material processing PLC 300 for receiving charge distribution and PCI performance data output from the blast furnace 100, and It is composed of a fuzzy rule automatic generation system 400 that receives the data output from the process computer 200 and the PLC 300 and delivers the data to the driver through the blast furnace network.
도 2는 본 발명에 따른 고로 진단용 규칙 생성 방법의 신호 흐름도로서, 이에 도시한 바와 같이 고로의 온도 및 압력 등의 조업 데이터를 입력받는 고로공정의 퍼지 규칙 생성 시스템에 있어서, 상기 고로에 입력된 조업 데이터(ST10)를 예비 처리(ST20)하고 상기 조업 데이터를 예비 처리한 후 히스토그램에 의한 퍼지 소속함수를 생성하는 단계(ST30)와, 상기 생성된 소속함수의 기반으로 퍼지 결정 트리를 생성하는 단계(ST40)와, 상기 단계 수행 후 자동 규칙 생성용 특징 변수를 입력(ST50)받아 고로 진단용 규칙을 생성하는 단계(ST60)와, 상기 생산된 규칙을 고로 조업 지식 베이스에 일시 저장(ST70)한 후 운전자에게 전달하는 단계(ST80)로 이루어진다.Figure 2 is a signal flow diagram of the method for generating a blast furnace diagnostic rule according to the present invention, in the purge rule generation system of the blast furnace process receives the operation data, such as the temperature and pressure of the blast furnace, as shown in the operation input to the blast furnace Preprocessing the data ST10 and preprocessing the operation data, and generating a fuzzy membership function by a histogram (ST30); and generating a fuzzy decision tree based on the generated membership function ( ST40), after receiving the automatic rule generation feature variable after performing the step (ST50) to generate a blast furnace diagnostic rule (ST60), and temporarily storing the produced rule in the blast furnace operation knowledge base (ST70) It passes to the step (ST80).
이와 같이 구성된 본 발명의 실시예에 따른 작용효과를 도 1 과 도 2를 참조하여 상세히 설명한다.Effects of the embodiment of the present invention configured as described above will be described in detail with reference to FIGS. 1 and 2.
먼저, 고로 규칙 생성 시스템을 구현하기 위하여 고로 공정 컴퓨터인 프로세스 컴퓨터(200)는 고로(100)의 온도, 압력 등의 1분 주기 데이터를 입력받고 원료처리용 PLC(300)는 고로(100)의 장입물 분포 및 PCI 실적 데이터를 각각 입력 받는다.First, in order to implement the blast furnace rule generation system, the process computer 200, which is a blast furnace process computer, receives one minute period data such as temperature and pressure of the blast furnace 100, and the raw material processing PLC 300 receives the blast furnace 100. Enter the load distribution and PCI performance data respectively.
따라서 프로세스 컴퓨터(200)와 원료처리용 PLC(300)에 입력된 데이터는 고로 네트워크를 통하여 퍼지 규칙 자동 생성 시스템(400)에 입력되고 따라서 퍼지 규칙 자동 생성 시스템(400)은 그에 입력된 데이터의 결과를 운전자에게 전달한다.Therefore, the data input to the process computer 200 and the raw material processing PLC 300 is input to the fuzzy rule automatic generation system 400 through the blast furnace network, and thus the fuzzy rule automatic generation system 400 is a result of the data input thereto. To the driver.
상기의 동작과정을 도 2를 참조하여 좀더 상세히 설명하기로 한다.The above operation process will be described in more detail with reference to FIG. 2.
퍼지 규칙 자동 생성 시스템(400)은 그에 입력된 조업 데이터(ST10)를 예비 처리(ST20)한 후 퍼지 소속 함수를 생성(ST30)한다.The fuzzy rule automatic generation system 400 preliminarily processes the operation data ST10 input thereto (ST20) and then generates a fuzzy membership function (ST30).
여기서 퍼지 소속 함수는 원소가 퍼지 집합에 소속되는 정도를 나타내기 때문에 패턴의 확률적 분포와 관계가 있다.The fuzzy membership function is related to the probability distribution of the pattern because it represents the degree to which the element belongs to the fuzzy set.
어떤 구간에서 패턴이 존재할 확률이 높다면 그 구간에 존재하는 패턴의 소속 정도도 높아야 한다. 그러므로 패턴의 확률적 분포를 소속함수에 반영하기 위하여 히스토그램에 의한 퍼지 소속함수를 생성한다.If there is a high probability that a pattern exists in a section, the degree of belonging to the pattern in that section should be high. Therefore, we generate fuzzy membership function by histogram to reflect the probability distribution of pattern in membership function.
그의 과정은 첫째 각 클래스의 특징 별로 히스토그램을 작성한다. 연속적인 값을 가지는 특징의 경우 양자화하여 히스토그램을 작성한다.His process first builds histograms for the characteristics of each class. For features with continuous values, the histogram is quantized.
히스토그램은 패턴의 확률적 분포를 표현하고 있지만 패턴의 수가 작은 경우에는 정확한 확률적 분포를 표현하고 있다고 보기 어려우므로 히스토그램을 평활화(smoothing)하여 보다 정확한 확률적 분포를 표현하도록 하였다.The histogram expresses the probability distribution of the pattern, but when the number of patterns is small, it is difficult to express the exact probability distribution. Therefore, the histogram is smoothed to express the more accurate probability distribution.
그리고 수학식1은 히스토그램을 평활화하기 위한 것이고 이를 Ns번 수행하면 삼각형 형태의 퍼지 소속함수를 변화시킨다.Equation 1 is for smoothing the histogram, and if it is performed Ns times, the fuzzy membership function in the triangular form is changed.
한편 단계(ST30)에서 생성한 소속함수의 기반으로 퍼지 결정 트리를 생성(ST40)한다.Meanwhile, a fuzzy decision tree is generated based on the membership function generated in step ST30 (ST40).
여기서 퍼지 결정 트리는 단말노드, 비단말노드, 링크로 구성되어 있다. 비단말 노드는 분기를 위한 특징을 가지고 있고 단밀노드는 클래스 명과 CF를 가지고 있다.The fuzzy decision tree is composed of a terminal node, a non-terminal node, and a link. Non-terminal nodes have features for branching, and single nodes have class names and CFs.
노드와 노드 사이를 연결하는 링크는 특징에 대한 퍼지 소속 함수이다. 퍼지 결정 트리 생성을 위한 알고리즘은 기존의 무질소도와 E-Score의 계산에 퍼지 개념을 결합함으로서 이루어진다.The link between nodes is the fuzzy membership function of the feature. The algorithm for fuzzy decision tree generation is achieved by combining the fuzzy concept with the calculation of the existing nitrogen freeness and E-Score.
그리고 결정트리의 루트노드에서 i 번째 노드까지의 퍼지 소속함수가 구정하는 부공간에 대한 j 번째 훈련 데이터의 소속 정도는 수학식2와 같이 정의 된다.The degree of belonging of the j th training data for the subspace defined by the fuzzy membership function from the root node of the decision tree to the i th node is defined as in Equation 2.
수학식2에서 Fseti는 결정트리의 루트 노드에서 i번째 노드까지의 집합에 대한 집합이며 djf는 j번째 훈련 데이터에서 소속함수j에 대한 특징값이다.In Equation 2, Fseti is a set of sets from the root node to the i-th node of the decision tree, and djf is a feature value of the belonging function j in the j-th training data.
그리고 무질소도와 E-Score를 계산하는데 있어서 데이터가 부공간에 속하는 정도를 수학식2의 Mij를 이용하여 계산한다.And in calculating nitrogen freeness and E-Score, the degree to which the data belongs to the subspace is calculated using Mij of Equation 2.
상기에서 기술한 것을 실시예를 들어 설명하면, 표 1은 자동 규칙 생성용 특징(Feature)변수를 나타낸 도표로서, 예를 들어 측정온도와 압력 데이터의 상승 지속성, 하강 지속성 등에 의하여 퍼지 규칙 생성 시스템에 적용한 결과이다. 그리고 표 1에서 괄호( )안의 숫자는 규칙의 신뢰도를 나타낸다.Referring to the embodiment described above by way of example, Table 1 is a table showing a feature variable for automatic rule generation, for example, in the purge rule generation system according to the rising and falling persistence of the measured temperature and pressure data, etc. It is the result of application. In Table 1, the numbers in parentheses indicate the reliability of the rule.
표1Table 1
한편 단계(ST40)수행후 고로 진단용 규칙 생성단계(ST60)에서는 운전자에게 친숙한 용어로 되어 있는 자동 규칙 생성용 특징(Feature)변수를 입력(ST60)받아 고로 진단용 규칙을 생성(ST60)하고, 생성한 규칙을 고로 조업 지식 베이스에 일시 저장(ST70)한 후 운전자에게 전달(ST80)한다.On the other hand, after performing step ST40, the step of generating a blast furnace diagnostic rule (ST60) receives a feature variable for automatic rule generation (ST60), which is a term familiar to the driver, to generate a blast furnace diagnostic rule (ST60), and generates The rule is temporarily stored in the operation knowledge base (ST70) and then forwarded to the driver (ST80).
이와 같이 본 발명은, 정기적으로 수집된 고로 조업에 대한 데이터를 이용하여 퍼지 규칙 생성 방법을 적용함으로써 자동으로 규칙을 생성하는 것이 가능하다.As described above, the present invention can automatically generate a rule by applying a fuzzy rule generation method using data collected on a blast furnace operation regularly.
이러한 자동 규칙 생성 방법에 의한 지식 수집 방법은 고로와 같이 시변성을 가져서 지속적으로 지식을 갱신해야하는 시스템의 경우 매루 경제적이고 효율적인 방법으로 지식을 수집하는 것이 가능하다.The knowledge gathering method by the automatic rule generation method can collect knowledge in every economic and efficient way in the case of a system that needs to be continuously updated with time-varying characteristics such as a blast furnace.
또한 퍼지 규칙 생성 방법을 통하여 생성된 규칙은 기존에 알려진 규칙일 수도 있고, 기존에 알려진 규칙보다 세부적인 규칙일 수도 있다. 또한 고로와 같이 복잡한 시스템을 효율적으로 표현하기 위해서 퍼지 규칙을 사용한다.In addition, a rule generated through the fuzzy rule generation method may be a previously known rule or may be a detailed rule than a previously known rule. Fuzzy rules are also used to efficiently represent complex systems such as blast furnaces.
퍼지는 퍼지 언어 변수들의 결합으로 이루어지는 퍼지 규칙을 이용하여 몇 개의 명제들로부터 어떤 하나의 퍼지 명제를 이끌어낼 수 있는 연역 추론 방법으로 크다, 작다, 높다, 낮다와 같은 언어적으로 모호한 정보를 쉽게 표현할 수 있는 것이 가능하다.Fuzzy is a deductive reasoning method that can derive any one fuzzy proposition from several propositions using fuzzy rules consisting of a combination of fuzzy linguistic variables and can easily express linguistically ambiguous information such as large, small, high, or low. It is possible to be.
또한 데이터로부터 퍼지 규칙을 생성함으로써 언어적인 표현을 사용할 수 있으므로 이해하기가 매우 용이하다.It is also very easy to understand because you can use linguistic expressions by creating fuzzy rules from the data.
또한 기존의 생성 규칙(production rule)이 특징측에 평행하게 패턴 공간을 분활함으로써 복잡한 패턴을 표현하기 어려움에 비해, 퍼지 규칙은 특징 측에 평행하지 않게 패턴 공간을 분활할 수 있으므로 복잡한 패턴도 용이하게 표현할 수 있는 것이 가능하다.In addition, the conventional production rule divides the pattern space parallel to the feature side, so that it is difficult to express a complex pattern, whereas the fuzzy rule can divide the pattern space not parallel to the feature side, thereby facilitating complex patterns. It is possible to express.
이상에서와 같이, 본 실시예에 의하면, 수집된 조업 데이터로부터 새로운 조업 규칙을 자동으로 생성함으로서 보다 진보되고 고로의 특성에 부합하는 고로 조업을 수행함에 따라 고로의 생산성을 향상시키고 고로의 진단 및 안정된 조업을 할 수 있게 하는 효과가 있다.As described above, according to the present embodiment, by automatically generating a new operation rule from the collected operation data to perform more advanced and blast furnace operation according to the characteristics of the blast furnace to improve the productivity of the blast furnace and to diagnose and stabilize the blast furnace It has the effect of being able to operate.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-1998-0059179A KR100361095B1 (en) | 1998-12-28 | 1998-12-28 | How to create a diagnosis rule for blast furnace_ |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-1998-0059179A KR100361095B1 (en) | 1998-12-28 | 1998-12-28 | How to create a diagnosis rule for blast furnace_ |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20000042887A KR20000042887A (en) | 2000-07-15 |
| KR100361095B1 true KR100361095B1 (en) | 2003-01-24 |
Family
ID=19566140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR10-1998-0059179A KR100361095B1 (en) | 1998-12-28 | 1998-12-28 | How to create a diagnosis rule for blast furnace_ |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100361095B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5964705A (en) * | 1982-10-01 | 1984-04-12 | Nippon Kokan Kk <Nkk> | Method of detecting condition of blast furnace |
| JPH02301504A (en) * | 1989-05-16 | 1990-12-13 | Kobe Steel Ltd | Predicting system for furnace heat in blast furnace |
| JPH08295912A (en) * | 1995-04-27 | 1996-11-12 | Kawasaki Steel Corp | Method for controlling temperature of furnace top gas in blast furnace |
| KR100286670B1 (en) * | 1996-09-02 | 2001-05-02 | 이구택 | Apparatus and method for diagnosing heat level of blast furnace using expert system |
-
1998
- 1998-12-28 KR KR10-1998-0059179A patent/KR100361095B1/en not_active IP Right Cessation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5964705A (en) * | 1982-10-01 | 1984-04-12 | Nippon Kokan Kk <Nkk> | Method of detecting condition of blast furnace |
| JPH02301504A (en) * | 1989-05-16 | 1990-12-13 | Kobe Steel Ltd | Predicting system for furnace heat in blast furnace |
| JPH08295912A (en) * | 1995-04-27 | 1996-11-12 | Kawasaki Steel Corp | Method for controlling temperature of furnace top gas in blast furnace |
| KR100286670B1 (en) * | 1996-09-02 | 2001-05-02 | 이구택 | Apparatus and method for diagnosing heat level of blast furnace using expert system |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20000042887A (en) | 2000-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Turksen et al. | An approximate analogical reasoning approach based on similarity measures | |
| Wang et al. | On the optimization of fuzzy decision trees | |
| JP2821189B2 (en) | Learning type decision support system | |
| Guh | Simultaneous process mean and variance monitoring using artificial neural networks | |
| EP0768584B1 (en) | Method for monitoring a machine or plant | |
| CN107092743B (en) | Blast furnace smelting process data-driven modeling method based on rule assistance | |
| Sato | Evaluation of the first-passage time probability to a square root boundary for the Wiener process | |
| Nie et al. | Rule-based modeling: Fast construction and optimal manipulation | |
| CN106649479A (en) | Probability graph-based transformer state association rule mining method | |
| CN111784537B (en) | Power distribution network state parameter monitoring method and device and electronic equipment | |
| US5623579A (en) | Automated method for the systematic interpretation of resonance peaks in spectrum data | |
| Yao et al. | Multivariate time-series prediction in industrial processes via a deep hybrid network under data uncertainty | |
| Yao et al. | Model-based deep transfer learning method to fault detection and diagnosis in nuclear power plants | |
| KR100361095B1 (en) | How to create a diagnosis rule for blast furnace_ | |
| Zio et al. | A fuzzy decision tree method for fault classification in the steam generator of a pressurized water reactor | |
| CN115712874A (en) | Thermal energy power system fault diagnosis method and device based on time series characteristics | |
| Khetarpal et al. | Power quality disturbance classification taking into consideration the loss of data during pre-processing of disturbance signal | |
| Mikhailov et al. | Method for fuzzy rules extraction from numerical data | |
| Guohua et al. | Distributed fault diagnosis framework for nuclear power plants | |
| Jiří et al. | Modelling of rough-fuzzy classifier | |
| EP0681234B1 (en) | Method for fuzzy inference in a fuzzy control circuit | |
| Kececi et al. | Function Point Analysis: An application to a nuclear reactor protection system | |
| Collani | A general approach to optimal process control | |
| Xing et al. | A Study of Wordle Dataset Based on the World-Heat and ARIMA Model | |
| Wang et al. | A knowledge-based system for fuzzy ECG interpretation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| LAPS | Lapse due to unpaid annual fee |