KR102075210B1 - Management apparatus and method for condition of blast furnace - Google Patents

Management apparatus and method for condition of blast furnace Download PDF

Info

Publication number
KR102075210B1
KR102075210B1 KR1020170175537A KR20170175537A KR102075210B1 KR 102075210 B1 KR102075210 B1 KR 102075210B1 KR 1020170175537 A KR1020170175537 A KR 1020170175537A KR 20170175537 A KR20170175537 A KR 20170175537A KR 102075210 B1 KR102075210 B1 KR 102075210B1
Authority
KR
South Korea
Prior art keywords
blast furnace
data
algorithm
sensor unit
action guidance
Prior art date
Application number
KR1020170175537A
Other languages
Korean (ko)
Other versions
KR20190074132A (en
Inventor
한경룡
이진휘
손상한
손기완
Original Assignee
주식회사 포스코
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 주식회사 포스코 filed Critical 주식회사 포스코
Priority to KR1020170175537A priority Critical patent/KR102075210B1/en
Priority to CN201880082559.XA priority patent/CN111492070A/en
Priority to JP2020534232A priority patent/JP7050934B2/en
Priority to EP18891914.6A priority patent/EP3730630B1/en
Priority to PCT/KR2018/016113 priority patent/WO2019124931A1/en
Publication of KR20190074132A publication Critical patent/KR20190074132A/en
Application granted granted Critical
Publication of KR102075210B1 publication Critical patent/KR102075210B1/en

Links

Images

Classifications

    • 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
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • C21B5/006—Automatically controlling the process
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • 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
    • F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
    • F27B1/00—Shaft or like vertical or substantially vertical furnaces
    • F27B1/10—Details, accessories, or equipment peculiar to furnaces of these types
    • F27B1/26—Arrangements of controlling devices
    • 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
    • F27B1/00—Shaft or like vertical or substantially vertical furnaces
    • F27B1/10—Details, accessories, or equipment peculiar to furnaces of these types
    • F27B1/28—Arrangements of monitoring devices, of indicators, of alarm 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
    • F27D21/0014—Devices for monitoring temperature
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B2300/00—Process aspects
    • C21B2300/04—Modeling of the process, e.g. for control purposes; CII
    • 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
    • F27D2019/0028—Regulation
    • F27D2019/0034—Regulation through control of a heating quantity such as fuel, oxidant or intensity of current
    • 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
    • F27D2019/0087—Automatisation of the whole plant or activity
    • 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

Abstract

본 발명은, 고로에서 발생하는 각종 조업, 센서 데이터들을 이용하여 노황을 안정적으로 유지하기 위한 선재적 액션을 가이드하는 노황 관리 장치 및 방법에 관한 것으로, 본 발명의 일 실시예에 따른 노황 관리 장치는 고로의 온도 및 압력 데이터 중 적어도 하나를 측정된 위치에 따라 이미지화하는 제1 센서부, 상기 고로의 비정형 데이터를 검출하는 제2 센서부, 상기 제1 센서부로부터의 이미지화된 온도 또는 압력 데이터와 상기 제2 센서부로부터의 비정형 데이터에 기초하여 고로 조업에 관한 액션 가이던스를 출력하는 인공지능 알고리즘을 갖는 액션 가이던스부를 포함할 수 있고, 본 발명의 일 실시예에 따른 노황 관리 방법은 데이터 전처리부가 고로의 장입물 상태, 풍구 상태 및 출선구 상태 중 적어도 하나의 비정형 데이터를 수집하고, 상기 고로의 온도 및 압력 데이터를 측정된 위치에 따라 이미지화하는 하는 단계, 인공지능 알고리즘이 전처리된 데이터를 입력받아 고로 조업에 관한 액션 가이던스를 출력하는 단계, 조업자의 상기 액션 가이던스 적용 여부에 따라 상기 인공지능 알고리즘의 재학습을 판단하는 단계, 인공지능 알고리즘 재학습 여부에 따라 해당 인공지능 알고리즘의 교체를 판단하는 단계를 포함할 수 있다.The present invention relates to an aging management device and a method for guiding a pre-emptive action for stably maintaining the aging using various operations and sensor data generated in a blast furnace. The aging management device according to an embodiment of the present invention A first sensor unit for imaging at least one of blast furnace temperature and pressure data according to the measured position, a second sensor unit for detecting atypical data of the blast furnace, imaged temperature or pressure data from the first sensor unit and the It may include an action guidance unit having an artificial intelligence algorithm for outputting the action guidance for the blast furnace operation based on the unstructured data from the second sensor unit, the aging management method according to an embodiment of the present invention the data pre-processing unit Collect at least one unstructured data of the charge state, the tuyere state and the egress state; Imaging the temperature and pressure data of the furnace according to the measured position; receiving, by the AI algorithm, preprocessed data and outputting an action guidance on the operation of the blast furnace; according to whether the operator applies the action guidance The method may include determining a relearning of the artificial intelligence algorithm, and determining replacement of the artificial intelligence algorithm according to whether the artificial intelligence algorithm is relearned.

Figure R1020170175537
Figure R1020170175537

Description

노황 관리 장치 및 방법{MANAGEMENT APPARATUS AND METHOD FOR CONDITION OF BLAST FURNACE}MANAGEMENT APPARATUS AND METHOD FOR CONDITION OF BLAST FURNACE

본 발명은 고로의 노황을 관리하는 노황 관리 장치 및 방법에 관한 것이다.The present invention relates to a furnace management device and method for managing the furnace blast furnace.

고로 공정은 제철 공정 중 현재까지 조업자의 경험 및 직관에 의존하여 수동조업을 주로 실시하는 대표적인 공정이다. The blast furnace process is a representative process of performing manual operation mainly depending on the experience and intuition of the operator to date.

고로는 철광석과 코크스를 고로 상부로 장입을 하고, 고로 풍구를 통해 열풍을 불어 넣어 내부의 산화 및 환원 반응에 의해 액체 용선을 출선구를 통해 생산하는 설비이다. 고로 내부는 고열, 고압으로 인해 센서를 통한 측정이 불가하여 고로 외벽에 설치된 온도계, 압력계 등을 통해 간접적으로 고로의 상황을 예측하고, 이를 통해 조업자는 조업을 실시하고 있다. The blast furnace is charged with iron ore and coke to the top of the blast furnace, and blows hot air through the blast furnace blast furnace to produce liquid molten iron through the exit port by oxidation and reduction reactions inside. Since the inside of the blast furnace cannot be measured by the sensor due to high temperature and high pressure, the situation of the blast furnace is predicted indirectly through thermometers and pressure gauges installed on the outer wall of the blast furnace, and the operators operate.

고로의 현재 상태, 즉 노황을 나타내는 지표는 여러 가지가 있다. 그 중 대표적인 세 가지가 노열, 통기성, 원주밸런스이다. 노열의 경우 출선구를 통해 나오는 용선의 온도를 수동 측정하여 이를 통해 고로 내부의 온도를 예측하는 지표를 말하며, 통기성의 경우 고로 내부의 하부에서 상부로 이동하는 열풍의 상태를 외벽 압력계 측정을 통해 간접적으로 유추하는 통기성 지수 등으로 예측하는 지수를 말하며, 원주밸런스는 원형의 고로가 원주 방향으로 압력 및 온도가 차이가 많이 나지 않는, 즉 밸런스가 유지되는 상황에 대한 지표이다. There are many indicators of the present condition of the blast furnace, that is, the aging process. Three of them are aging, breathability, and circumferential balance. In the case of furnace, it refers to an indicator that predicts the temperature inside the blast furnace by measuring the temperature of the molten iron through the exit port. The circumferential balance is an index for a situation in which a circular blast furnace does not have much difference in pressure and temperature in the circumferential direction, that is, a balance is maintained.

이러한 세 가지 지표를 원하는 값으로 유지하기 위해 조업자는 조업 액션(Action)을 취하게 된다. 그 대표적인 것이 미분탄(PCI) 주입량 제어, 열풍의 풍량 제어, 풍량 중 산소량 제어, 장입되는 철광적과 코크스의 비율 제어, 중심부에 들어가는 입도가 큰 코크스의 분포 제어 등이다. To keep these three indicators at the desired values, operators take action. Typical examples are the injection of fine coal (PCI), control of the amount of hot air, control of the amount of oxygen in the amount of air flow, control of the ratio of charged iron and coke, and control of the distribution of coke with a large particle size entering the center.

현재 고로의 조업은 기본적으로 온도계나 압력계 측정값 등의 정형 데이터와 CCTV와 같은 비정형 데이터를 통해 얻을 수 있는 정보를 통해 조업자가 고로의 상태를 본인의 경험과 직관 및 조업 기준 등에 의해 판단을 하고, 이를 근거로 조업 액션을 취하고 있다. At present, the operation of blast furnaces is based on information obtained through standard data such as thermometer and pressure gauge measurements and unstructured data such as CCTV, and the operator judges the condition of the blast furnace based on his own experience, intuition and operating standards. Based on this, the fishing action is taken.

하지만, 보다 안정적인 노황 관리를 위해서는 현재 상황과 현재의 액션을 통해 노황이 어떻게 될 것인지 미리 예측을 하고 조업을 수행하는 것이 중요하다. However, for more stable management of old age, it is important to predict and carry out operations in advance based on the current situation and current actions.

대한민국 공개특허공보 제10-1995-0014631호Republic of Korea Patent Application Publication No. 10-1995-0014631

본 발명의 일 실시예에 따르면, 고로에서 발생하는 각종 조업, 센서 데이터들을 이용하여 노황을 안정적으로 유지하기 위한 선재적 액션을 가이드하는 노황 관리 장치 및 방법이 제공된다.According to one embodiment of the present invention, there is provided an apparatus and method for managing the yellowing, which preemptively preemptively acts to maintain the yellowing by using various operation and sensor data generated in the blast furnace.

상술한 본 발명의 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 노황 관리 장치는 고로의 온도 및 압력 데이터 중 적어도 하나를 측정된 위치에 따라 이미지화하는 제1 센서부, 상기 고로의 비정형 데이터를 검출하는 제2 센서부, 상기 제1 센서부로부터의 이미지화된 온도 또는 압력 데이터와 상기 제2 센서부로부터의 비정형 데이터에 기초하여 고로 조업에 관한 액션 가이던스를 출력하는 인공지능 알고리즘을 갖는 액션 가이던스부를 포함할 수 있다. In order to solve the above-described problems of the present invention, the rust management device according to an embodiment of the present invention, the first sensor unit for imaging at least one of the temperature and pressure data of the blast furnace according to the measured position, the unstructured data of the blast furnace Action guidance having a second sensor unit for detecting a; and an artificial intelligence algorithm for outputting an action guidance on blast furnace operation based on the imaged temperature or pressure data from the first sensor unit and atypical data from the second sensor unit. It may include wealth.

본 발명의 일 실시예에 따른 노황 관리 방법은 데이터 전처리부가 고로의 장입물 상태, 풍구 상태 및 출선구 상태 중 적어도 하나의 비정형 데이터를 수집하고, 상기 고로의 온도 및 압력 데이터를 측정된 위치에 따라 이미지화하는 하는 단계, 인공지능 알고리즘이 전처리된 데이터를 입력받아 고로 조업에 관한 액션 가이던스를 출력하는 단계, 조업자의 상기 액션 가이던스 적용 여부에 따라 상기 인공지능 알고리즘의 재학습을 판단하는 단계, 인공지능 알고리즘 재학습 여부에 따라 해당 인공지능 알고리즘의 교체를 판단하는 단계를 포함할 수 있다.According to an exemplary embodiment of the present invention, a pre-processing unit collects at least one unstructured data of a blast furnace load state, a vent hole state, and a discharge port state, and stores the temperature and pressure data of the blast furnace according to the measured position. Imaging; receiving, by the AI algorithm, preprocessed data and outputting action guidance on blast furnace operation; determining re-learning of the AI algorithm according to whether an operator applies the action guidance; AI algorithm It may include determining the replacement of the artificial intelligence algorithm according to the re-learning.

본 발명의 일 실시예에 따르면, 고로의 안정적인 생산을 가능하게 하고, 고로의 효율을 향상하며, 일정한 성능을 유지하는 노황 관리가 가능하고, 조업을 자동화 및 표준화할 수 있는 효과가 있다.According to one embodiment of the present invention, it is possible to enable stable production of the blast furnace, improve the efficiency of the blast furnace, manage the yellowing to maintain a constant performance, there is an effect that can automate and standardize the operation.

도 1은 본 발명의 일 실시예에 따른 노황 관리 장치의 개략적인 구성도이다.
도 2는 본 발명의 일 실시예에 따른 노황 관리 장치에 적용되는 인공 지능의 개념을 설명하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 노황 관리 방법의 개략적인 동작 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 노황 관리 장치의 GUI의 예시를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 노황 관리 장치에 적용되는 온도계와 압력계 데이터를 이미지화한 도면이다.1 is a schematic configuration diagram of an apparatus for managing a yellow age according to an embodiment of the present invention.
FIG. 2 is a diagram for explaining a concept of artificial intelligence applied to an age management device according to an embodiment of the present invention.
3 is a schematic operation flowchart of a method for managing a yellow age according to an embodiment of the present invention.
4 is a diagram illustrating an example of a GUI of an apparatus for managing a yellow age according to an embodiment of the present invention.
FIG. 5 is a view illustrating an image of thermometer and pressure gauge data applied to a yellowing management device according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art may easily implement the present invention.

도 1은 본 발명의 일 실시예에 따른 노황 관리 장치의 개략적인 구성도이다.1 is a schematic configuration diagram of an apparatus for managing a yellow age according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 노황 관리 장치(100)는 제1 센서부(110), 제2 센서부(120) 및 액션 가이던스부(130)를 포함할 수 있다.Referring to FIG. 1, the aging management device 100 according to an exemplary embodiment may include a first sensor unit 110, a second sensor unit 120, and an action guidance unit 130.

제1 센서부(110)는 고로의 온도 및 압력 데이터 중 적어도 하나를 측정된 위치에 따라 이미지화할 수 있다.The first sensor unit 110 may image at least one of temperature and pressure data of the blast furnace according to the measured position.

제1 센서부(110)는 온도 센서부(111), 압력 센서부(112) 및 데이터 처리부(113)를 포함할 수 있다.The first sensor unit 110 may include a temperature sensor unit 111, a pressure sensor unit 112, and a data processor 113.

온도 센서부(111)는 고로에 각각 설치된 복수의 온도 센서를 포함할 수 있고, 상기 복수의 온도 센서는 설치된 위치의 고로의 온도를 검출할 수 있다.The temperature sensor 111 may include a plurality of temperature sensors respectively installed in the blast furnace, and the plurality of temperature sensors may detect the temperature of the blast furnace at the installed position.

압력 센서부(112)는 고로에 각각 설치된 복수의 압력 센서를 포함할 수 있고, 상기 복수의 압력 센서는 설치된 위치의 고로의 압력을 검출할 수 있다.The pressure sensor unit 112 may include a plurality of pressure sensors respectively installed in the blast furnace, and the plurality of pressure sensors may detect the pressure of the blast furnace at the installed position.

데이터 처리부(113)는 온도 센서부(111)의 복수의 온도 센서 각각의 검출된 온도 데이터를 검출된 위치에 매핑하여 이미지화시킬 수 있다. 마찬가지로, 압력 센서부(112)의 복수의 압력 센서 각각의 검출된 압력 데이터를 검출된 위치에 매핑하여 이미지화시킬 수 있다. 더하여, 복수의 온도 센서 각각의 검출된 온도 데이터와 복수의 압력 센서 각각의 검출된 압력 데이터를 검출된 위치에 매핑하여 이미지화시킬 수 있다. The data processor 113 may image the detected temperature data of each of the plurality of temperature sensors of the temperature sensor unit 111 to the detected position. Similarly, the detected pressure data of each of the plurality of pressure sensors of the pressure sensor unit 112 may be mapped to the detected position and imaged. In addition, the detected temperature data of each of the plurality of temperature sensors and the detected pressure data of each of the plurality of pressure sensors may be mapped to the detected position and imaged.

고로의 특성상 위치별 온도나 압력의 경우 상호 상관 관계가 있을 수 있다. 따라서 이를 이미지화하여 상호 연관성까지 정보화하여 딥러닝 알고리즘의 입력 데이터로 사용하면 고로 상태의 분석에 유리하기에 액션 가이던스(Action Guidance)를 위한 성능 향상에 주요한 요인이 될 수 있다. Due to the nature of the blast furnace, there may be a correlation between the location temperature and pressure. Therefore, if the image is imaged and the correlation information is used as the input data of the deep learning algorithm, it can be a major factor in improving the performance for action guidance because it is advantageous for the analysis of the blast furnace state.

데이터 처리부(113)는 검출된 온도 또는 압력 데이터를 검출된 위치와 매핑하여 2차원 이미지화할 수 있다.The data processor 113 may map the detected temperature or pressure data to the detected position and image the two-dimensional image.

도 5는 본 발명의 일 실시예에 따른 노황 관리 장치에 적용되는 온도계와 압력계 데이터를 이미지화한 도면이다.FIG. 5 is a view illustrating an image of thermometer and pressure gauge data applied to a yellowing management device according to an embodiment of the present invention.

도 1과 함께 도 5를 참조하면, 고로의 센서 데이터, 즉 온도 센서부(111)와 압력 센서부(112)의 검출 데이터를 이미지화한 예를 볼 수 있다. Referring to FIG. 5 along with FIG. 1, an example of imaging sensor data of a blast furnace, that is, detection data of the temperature sensor unit 111 and the pressure sensor unit 112 may be seen.

도 5의 왼쪽의 도면의 경우 원기둥 형태의 고로 표면에 복수의 온도 센서가 분포되어 있다고 가정하고 이에 대한 히트맵(Heatmap)을 작성한 후 0도에서 잘라서 펼친 모양이다. 즉, 도면의 가로 방향은 온도 센서가 분포한 각도이다. 그리고 높이별로 분포되어 있는 것은 도면의 높이로 대응하였다. 결과적으로 각 검은 점은 온도 센서를 표현하고 있는 것이다. 왼쪽과 가운데 도면에서 알 수 있듯이 고로의 온도값은 유기적인 상관 관계를 가지면서 시시각각 변한다. In the drawing on the left of FIG. 5, it is assumed that a plurality of temperature sensors are distributed on the surface of a blast furnace in a cylindrical shape, and a heat map is created for this and cut out at 0 degrees. That is, the horizontal direction in the drawing is the angle at which the temperature sensor is distributed. And distributed by height corresponded to the height of the drawing. As a result, each black dot represents a temperature sensor. As can be seen in the left and center drawings, the temperature values of the blast furnaces change from time to time with an organic correlation.

오른쪽 도면에 도시된 압력 센서의 경우 대표적인 4방향 값을 표현하고 있다. 방향별 압력계는 4개의 색깔선으로 구분될 수 있다. 그리고 가로축은 압력값을 나타내며, 세로축은 압력 센서의 높이 위치를 나타낸다. 본 발명에서는 이러한 필요 위치 정보 관계를 효율적으로 인공지능에 입력하기 위하여 본 도면과 같은 이미지화 기술을 사용한다.In the case of the pressure sensor shown in the figure on the right, a representative four-way value is represented. Directional pressure gauges can be divided into four colored lines. And the horizontal axis represents the pressure value, the vertical axis represents the height position of the pressure sensor. The present invention uses the imaging technique as shown in this figure to efficiently input such necessary location information relationship into artificial intelligence.

제2 센서부(120)는 고로의 장입물의 상태, 풍구 상태 및 출선구 상태 중 적어도 하나를 계측하여 고로의 비정형 데이터를 검출할 수 있다.The second sensor unit 120 may detect at least one of the state of the load of the blast furnace, the state of the vent and the exit port state to detect the atypical data of the blast furnace.

본 발명에서는 딥러닝 기반의 알고리즘을 통해 현재 고로 상태 데이터를 기반으로 노황을 판단하고 정상적인 노황을 유지하기 위한 최적의 액션 가이던스(Action Guidance)를 제시할 수 있다. 딥러닝 기반의 알고리즘은 데이터 드리븐 알고리즘(Data-driven Algorithm)이기 때문에 상황을 잘 대표할 수 있는 많은 데이터가 필수적이다. In the present invention, through the deep learning based algorithm, it is possible to determine the aging based on the current blast furnace state data and to propose an optimal action guidance for maintaining the normal aging. Deep learning-based algorithms are data-driven algorithms, so a lot of data to represent the situation is essential.

따라서 기존에 조업자들은 육안으로 고로 조업 판단의 근거로 사용하던 내용이지만 정형화되지 못해 컴퓨터를 이용한 제어에 활용하지 못한 데이터를 정형화하여 본 발명에 적용한다. Therefore, in the past, operators have been using the ground as a basis for blast furnace operation judgment, but they have not formulated data that has not been utilized for control using a computer and applies it to the present invention.

첫 번째 데이터는 장입되는 철광적과 코크스의 입도를 측정한 데이터이다. 이는 통기성과 연관이 있는 데이터이다. The first data is a measure of the size of the charged iron deposits and coke. This is data associated with breathability.

두 번째는 풍구의 연소대의 상황을 수치화하여 데이터로 사용한다. 풍구 연소대의 경우 고로 내부를 관찰할 수 있는 유일한 부분으로 열퐁을 불어 넣는 설비이다. 여기에 미분탄을 같이 불어 넣어 주는데 이 미분탄의 연소 상태나 고로 내벽에서 녹지 않고 떨어지는 연/원료를 모니터링하는 기능을 한다. The second is to quantify the situation of the combustion zone of the tuyere and use it as data. In the case of the blast furnace, the only part that can observe the inside of the blast furnace is a facility to blow hot air. The pulverized coal is blown together to monitor the combustion status of the pulverized coal and the fuel / raw material falling without melting on the inner wall of the blast furnace.

세 번째는 출선구 상태에 대한 계측기로 특히, 용선온도 측정이 중요한 요소이다. 기본 고로 조업의 경우 출선되는 용선을 1~2시간에 한 번 수동으로 온도를 측정한다. 측정 위치 또한 출선구에서 일정 거리가 떨어진 장소이고, 사람의 측정 정도 또한 일정하지 않아 측정값에 외란이 많이 포함된다. 이 값은 노열과 관련된 중요한 데이터이다. Third is the measurement of the exit condition, especially the molten iron temperature measurement is an important factor. In the case of basic blast furnace operation, the molten iron is measured manually once every 1 to 2 hours. The measurement position is also a place away from the exit, and the measurement accuracy of the person is also not constant, so the disturbance is included in the measured value. This value is important data related to aging.

이를 위해, 제2 센서부(120)는 장입물 상태 계측기(121), 풍구 상태 계측기(122) 및 출선구 상태 계측기(123)를 포함할 수 있다.To this end, the second sensor unit 120 may include a charge state measuring instrument 121, a vent opening state measuring unit 122, and a starting point state measuring unit 123.

장입물 상태 계측기(121)는 상기 고로의 고로에 장입되는 연/원료가 지나가는 컨베이어 밸트에 위치하여 장입물의 입도, 입도 분포, 습도 상태 중 적어도 하나를 계측할 수 있고, 계측된 비정형 데이터를 정형화 데이터로 변환하여 액션 가이던스부(130)에 전달할 수 있다.The charge state measuring unit 121 may be located on a conveyor belt through which lead / raw materials charged to the blast furnace of the blast furnace may pass and measure at least one of particle size, particle size distribution, and humidity state of the charge, and standardize the measured atypical data. The conversion may be performed and transmitted to the action guidance unit 130.

풍구 상태 계측기(122)는 다수의 풍구 카메라를 통하여 상기 고로의 미분탄 취입 상태, 생광낙화 중 적어도 하나를 계측할 수 있고, 계측된 비정형 데이터를 정형화 데이터로 변환하여 액션 가이던스부(130)에 전달할 수 있다.The tuyere state measuring instrument 122 may measure at least one of the pulverized coal injection state of the blast furnace and live light fall-out through a plurality of tuyere cameras, and converts the measured atypical data into standardized data and transmits it to the action guidance unit 130. have.

출선구 상태 계측기(123)는 상기 고로에서 출선되는 용선온도를 실시간으로 측정하고, 용선 줄기의 각도나 굵기 등으로 출선량 등을 계측하여, 계측된 비정형 데이터를 정형화 데이터로 변환하여 액션 가이던스부(130)에 전달할 수 있다.The exit point state measuring instrument 123 measures the molten iron temperature drawn out from the blast furnace in real time, measures the amount of the molten iron by the angle or thickness of the molten iron stem, converts the measured atypical data into standardized data, and provides an action guidance unit ( 130).

액션 가이던스부(130)는 제1 센서부(110)로부터의 이미지화된 온도 또는 압력 데이터와 제2 센서부(120)로부터의 비정형 데이터에 기초하여 고로 조업에 관한 액션 가이던스를 출력할 수 있다.The action guidance unit 130 may output an action guidance regarding blast furnace operation based on the imaged temperature or pressure data from the first sensor unit 110 and the unstructured data from the second sensor unit 120.

도 2는 본 발명의 일 실시예에 따른 노황 관리 장치에 적용되는 인공 지능의 개념을 설명하는 도면이다.FIG. 2 is a diagram for explaining a concept of artificial intelligence applied to an age management device according to an embodiment of the present invention.

도 1과 함께, 도 2를 참조하면, 액션 가이던스부(130)는 학습부(131), 제어부(132) 및 강화 학습부(133)를 포함할 수 있다.Referring to FIG. 2 together with FIG. 1, the action guidance unit 130 may include a learner 131, a controller 132, and a reinforcement learner 133.

도 3은 본 발명의 일 실시예에 따른 노황 관리 방법의 개략적인 동작 흐름도이다.3 is a schematic operation flowchart of a method for managing a yellow age according to an embodiment of the present invention.

도 1 및 도 2와 함께 도 3을 참조하면, 학습부(131)는 액션 가이던스 온 라인 알고리즘을 포함할 수 있고, 상기 액션 가이던스 온 라인 알고리즘은 이차원 이미지화된 제1 센서부(110)로부터의 온도 및 압력 데이터(S10,S11)와, 제2 센서부(120)로부터의 정형화된 고로의 장입물의 상태, 풍구 상태 및 출선구 상태 계측 데이터(S10,S12)에 기초하여 학습하고, 고로 조업에 관한 액션 가이던스를 생성할 수 있다(S20,S30).Referring to FIG. 3 together with FIGS. 1 and 2, the learner 131 may include an action guidance on-line algorithm, and the action guidance on-line algorithm may include a temperature from the two-dimensional imaged first sensor unit 110. And based on the pressure data (S10, S11) and the state of the charged blast furnace load from the second sensor unit 120, the vent opening state, and the exit opening state measurement data (S10, S12). The action guidance may be generated (S20 and S30).

상기 액션 가이던스 온 라인 알고리즘은 딥러닝 기반 알고리즘으로 구성되어 입력된 데이터(

Figure 112017126772726-pat00001
)를 학습하여 액션 가이던스(
Figure 112017126772726-pat00002
)를 생성할 수 있다.The action guidance on-line algorithm is composed of a deep learning based algorithm and inputted data (
Figure 112017126772726-pat00001
) To learn about action guidance (
Figure 112017126772726-pat00002
) Can be created.

제어부(132)는 학습부의 액션 가이던스(

Figure 112017126772726-pat00003
)를 출력할 수 있고, 작업자의 액션 가이던스 수용 여부가 강화 학습부(133)에 피드백될 수 있다(S40).The controller 132 is an action guidance (
Figure 112017126772726-pat00003
) May be output, and whether the worker accepts the action guidance may be fed back to the reinforcement learning unit 133 (S40).

강화 학습부(133)는 딥러닝 기반 알고리즘으로 구성된 액션 가이던스 오프 라인 알고리즘을 포함할 수 있고, 상기 액션 가이던스 오프 라인 알고리즘은 작업자가 수용하지 않은 액션 가이던스를 피드백 받아 알고리즘 학습을 강화할 수 있다.The reinforcement learning unit 133 may include an action guidance offline algorithm composed of a deep learning based algorithm, and the action guidance offline algorithm may reinforce algorithm learning by receiving feedback of action guidance not accepted by an operator.

제어부(132)는 상기 액션 가이던스 온 라인 알고리즘의 재학습과, 상기 액션 가이던스 온 라인 알고리즘을 강화 학습부(133)의 액션 가이던스 오프 라인 알고리즘으로의 교체를 판단할 수 있다.The controller 132 may determine re-learning of the action guidance on-line algorithm and replacing the action guidance on-line algorithm with the action guidance off-line algorithm of the reinforcement learning unit 133.

즉, 고로에서 발생하고, 조업에 중요하여 정형화한 비정형 데이터 및 기존의 정형 데이터를 수집하여 딥러닝을 활용하는 인공지능 시스템에 입력하면 딥러닝 알고리즘은 학습한 모델을 기준으로 안정적인 노황 관리를 위하여 조업자가 수행해야 하는 액션에 대한 가이던스를 제시한다. 조업자는 이런 액션 가이던스에 대하여 수용 여부를 판단하고, 딥러닝 알고리즘은 이것을 피드백으로 사용하여 성능을 강화하는 알고리즘에 활용한다. 또한 일정 기간 후 혹은 입력되는 데이터의 특성이 일정 기준 이상 달라졌을 때는 재학습을 통해 현재의 고로 상황에 맞는 인공지능 알고리즘을 유지하여 성능을 최적화하게 된다.In other words, when the unstructured data generated from the blast furnace and the structured and the existing structured data are collected and input into the artificial intelligence system utilizing deep learning, the deep learning algorithm operates based on the trained model for stable yellowing management. Provide guidance on the actions that a person should perform. The operator decides to accept this action guidance, and the deep learning algorithm uses this as feedback to utilize the algorithm to enhance performance. Also, after a certain period of time or when the characteristics of the input data have changed by more than a certain standard, re-learning optimizes performance by maintaining an artificial intelligence algorithm suitable for the current blast furnace.

보다 상세하게는, 비정형 데이터가 정형화되어서 입력되는 것과 정형 데이터가 바로 입력되는 것을 합하여 수집한 데이터를 전처리하여 딥러닝 기반 액션 가이던스 온 라인 알고리즘에 입력되게 된다. 여기서 알고리즘은 자신의 모델에 따라 액션 가이던스를 제시하게 된다. 제시된 액션 가이던스 값을 조업자는 고로 조업에 적합한지 판단하여 수용하거나 거부를 하게 된다. 이런 반복 루프를 통해 첫 번째 알고리즘을 이용한 조업은 수행된다. More specifically, the unstructured data is inputted into the deep learning based action guidance online algorithm by preprocessing the collected data by combining the input of the unstructured data with the input of the structured data. Here, the algorithm suggests action guidance according to its model. The operator will accept the rejection of the proposed action guidance value by determining whether it is suitable for the operation. Through this iterative loop, operations with the first algorithm are performed.

더하여, 오프 라인으로 병렬 노황 관리 알고리즘이 존재하여 조업자가 인공지능 액션 가이던스를 수용하는지에 대한 결과를 피드백값으로 받아서(S60) 온 라인 러닝(On-Line Learning) 혹은 강화학습을 실시하는 것이다. 즉, 딥러닝 기반 액션 가이던스 오프 라인(Off-line) 알고리즘의 경우 앞의 조업자 수용 여부에 따라 피드백이 되어 입력되는 액션 가이던스값을 보상하여(S50) 알고리즘 강화에 사용하게 된다. 근본적으로 딥러닝 기반 액션 가이던스 오프 라인 알고리즘에는 강화학습 부분이 존재하여 딥러닝 기반 액션 가이던스 온 라인 알고리즘이 잘못 판단한 경우가 생기면 이를 반영하여 알고리즘 성능 향상에 사용한다. 또한 보상값이 일정 수준 이하로 떨어진다든지 데이터의 특성이 학습하였던 것과 일정 차이 이상 특성이 벌어지면 재학습을 판단하여 필요 시 재학습을 수행하게 된다(S70). In addition, there is a parallel yellowing management algorithm offline to receive the result of whether the operator accepts the AI action guidance as a feedback value (S60) to perform on-line learning or reinforcement learning. That is, in the case of the deep learning-based action guidance off-line algorithm, feedback is provided according to the acceptance of the previous operator and the input action guidance value is compensated for (S50) to be used for strengthening the algorithm. Fundamentally, deep learning-based action guidance offline algorithms have reinforcement learning parts, and when deep learning-based action guidance online algorithms are misjudged, they are used to improve algorithm performance. In addition, if the compensation value falls below a certain level or the characteristic of the data has been learned more than a certain difference is determined by the re-learning to perform the re-learning (S70).

그리고, 재학습 결과 알고리즘 교체가 필요한 경우(S80) 시스템 상에서 딥러닝 기반 액션 가이던스 온 라인 알고리즘을 새로이 학습된 액션 가이던스 오프 라인 알고리즘으로 교체하게 되는 것이다. 이를 통해 고로 상황에 대응하는 알고리즘을 유지할 수 있으며, 조업을 할수록 액션 가이던스 성능이 향상되는 고로 노황 관리 장치가 구현될 수 있다.If the algorithm needs to be re-learned (S80), the deep learning based action guidance on-line algorithm is replaced with the newly learned action guidance off-line algorithm on the system. Through this, an algorithm corresponding to the blast furnace situation can be maintained, and the blast furnace aging management device can be implemented in which the operation guidance performance is improved as the operation is performed.

도 4는 본 발명의 일 실시예에 따른 노황 관리 장치의 GUI(Graphic User Interface)의 예시를 나타내는 도면이다.4 is a diagram illustrating an example of a graphical user interface (GUI) of an apparatus for managing yellowness according to an embodiment of the present invention.

도 1과 함께 도 4를 참조하면, 액션 가이던스부(130)에서는 풍량, 산소, 미분탄, 장입 연/원료비, 센터 코크스 분포 등의 고로 조업에 관한 액션을 제시할 수 있다. 예를 들어, 도시된 GUI를 통해서 풍량 제어에 필요한 액션 가이던스(Action Guidance) 값을 확인하고 관련된 데이터의 추이를 확인할 수 있다. 또한 필요한 경우 수동으로 조업을 진행할 수도 있다.Referring to FIG. 1 along with FIG. 4, the action guidance unit 130 may present an action related to blast furnace operation such as air volume, oxygen, pulverized coal, charged fuel / raw material ratio, and center coke distribution. For example, through the illustrated GUI, the Action Guidance value required for the air volume control may be checked and the trend of related data may be checked. You can also manually operate if necessary.

상술한 바와 같이, 본 발명에 따르면, 안정적인 노황을 유지하기 위해 필요한 조업자의 액션을 가이드하여 고로의 안정적인 생산을 가능하게 하며, 이를 통해 고로의 효율도 향상하게 한다. 또한 시간에 따라 변하는 조업 여건 및 고로 상황에 대응이 가능한 알고리즘을 유지하는 방법을 통하여 일정한 성능을 유지하는 노황 관리 시스템이 가능하다. 이와 더불어 조업이 자동화 및 표준화됨으로 인해 조업자의 부하를 경감할 뿐만 아니라 조업자의 노하우, 체험적 경험 등의 암묵지를 전파와 공유가 가능한 형식지화하는 것이 가능하다.As described above, according to the present invention, by guiding the actions of the operators necessary to maintain a stable aging to enable the stable production of blast furnace, thereby improving the efficiency of the blast furnace. In addition, it is possible to manage the aging management system that maintains constant performance through a method that maintains algorithms that can cope with changes in operating conditions and blast furnace conditions over time. In addition, due to the automation and standardization of operations, it is possible not only to reduce the load of operators but also to form a format that can spread and share the tacit knowledge of the operators' know-how and experience.

이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고 후술하는 특허청구범위에 의해 한정되며, 본 발명의 구성은 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 그 구성을 다양하게 변경 및 개조할 수 있다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 쉽게 알 수 있다.The present invention described above is not limited to the above-described embodiment and the accompanying drawings, but is defined by the claims below, and the configuration of the present invention may be modified in various ways without departing from the technical spirit of the present invention. It will be apparent to those skilled in the art that the present invention may be changed and modified.

100: 노황 관리 장치
110: 제1 센서부
111: 온도 센서부
112: 압력 센서부
113: 데이터 처리부
120: 제2 센서부
121: 장입물 상태 계측기
122: 풍구 상태 계측기
123: 출선구 상태 계측기
130: 액션 가이던스부
131: 학습부
132: 제어부
133: 강화 학습부100: yellowing management device
110: first sensor unit
111: temperature sensor
112: pressure sensor
113: data processing unit
120: second sensor unit
121: Charge status instrument
122: air conditioner
123: exit status meter
130: Action Guidance Division
131: learning unit
132: control unit
133: reinforcement learning unit

Claims (8)

고로의 온도 및 압력 데이터 중 적어도 하나를 측정된 위치에 따라 이미지화하는 제1 센서부;
상기 고로의 비정형 데이터를 검출하는 제2 센서부; 및
상기 제1 센서부로부터의 이미지화된 온도 또는 압력 데이터와 상기 제2 센서부로부터의 비정형 데이터를 기초로 학습하여 고로 조업에 관한 액션 가이던스를 출력하는 인공지능 알고리즘을 갖고, 조업자의 상기 액션 가이던스 적용 여부에 따라 상기 인공지능 알고리즘의 학습을 강화하고, 상기 인공지능 알고리즘의 재학습 및 상기 인공지능 알고리즘의 교체를 판단하는 액션 가이던스부
를 포함하는 노황 관리 장치.
A first sensor unit configured to image at least one of temperature and pressure data of the blast furnace according to the measured position;
A second sensor unit for detecting atypical data of the blast furnace; And
Has an artificial intelligence algorithm that learns based on the imaged temperature or pressure data from the first sensor unit and the unstructured data from the second sensor unit, and outputs an action guidance on blast furnace operation, and whether an operator applies the action guidance. An action guidance unit for reinforcing the learning of the AI algorithm and determining relearning of the AI algorithm and replacement of the AI algorithm
The yellowing management device comprising a.
제1항에 있어서,
상기 제1 센서부는
상기 고로의 각 위치의 온도를 측정하는 복수의 온도 센서를 갖는 온도 센서부;
상기 고로의 각 위치의 압력을 측정하는 복수의 압력 센서를 갖는 압력 센서부; 및
상기 온도 센서부와 상기 압력 센서부 각각의 측정된 온도 및 압력과 측정된 위치를 매칭하여 이미지화하는 데이터 전처리부
를 포함하는 노황 관리 장치.
The method of claim 1,
The first sensor unit
A temperature sensor unit having a plurality of temperature sensors for measuring the temperature at each position of the blast furnace;
A pressure sensor unit having a plurality of pressure sensors measuring pressure at each position of the blast furnace; And
Data preprocessing unit for matching and imaging the measured temperature and pressure and the measured position of each of the temperature sensor unit and the pressure sensor unit
The yellowing management device comprising a.
제2항에 있어서,
상기 데이터 전처리부는 측정된 온도 및 압력과 측정된 위치를 매칭하여 이차원으로 이미지화하는 노황 관리 장치.
The method of claim 2,
The data pre-processing unit is a yellowing management device for matching the measured temperature and pressure and the measured position to image in two dimensions.
제1항에 있어서,
제2 센서부는 상기 고로의 장입물의 상태, 풍구 상태 및 출선구 상태 중 적어도 하나를 계측하는 노황 관리 장치.
The method of claim 1,
And a second sensor unit for measuring at least one of a state of a charge of the blast furnace, a vent opening, and an exit opening state.
제4항에 있어서,
상기 제2 센서부는
상기 고로의 장입물의 입도, 입도 분포, 습도 상태 중 적어도 하나를 계측하는 장입물 상태 계측기;
상기 고로의 미분탄 취입 상태, 생광낙화 중 적어도 하나를 계측하는 풍구 상태 계측기; 및
상기 고로의 용선 온도, 출선량 중 적어도 하나를 계측하는 출선구 상태 계측기
를 포함하는 노황 관리 장치.
The method of claim 4, wherein
The second sensor unit
A charge state measuring device for measuring at least one of a particle size, a particle size distribution, and a humidity state of the charges of the blast furnace;
A wind ball state measuring device for measuring at least one of a pulverized coal injection state and a live light fall of the blast furnace; And
Outlet state measuring device for measuring at least one of the molten iron temperature of the blast furnace, the amount of drawing
The yellowing management device comprising a.
제1항에 있어서,
상기 제2 센서부는 수집된 비정형 데이터를 정형 데이터로 변환하여 상기 액션 가이던스부에 전달하는 노황 관리 장치.
The method of claim 1,
And the second sensor unit converts the collected unstructured data into structured data and transmits the atypical data to the action guidance unit.
제1항에 있어서,
상기 액션 가이던스부는
상기 제1 센서부 및 상기 제2 센서부로부터 수집한 데이터에 기반하여 학습하고, 고로 조업에 관한 상기 액션 가이던스를 생성하는 액션 가이던스 온 라인 알고리즘을 갖는 학습부;
조업자의 상기 액션 가이던스 수용 여부에 따라 알고리즘 학습을 강화하는 액션 가이던스 오프 라인 알고리즘을 갖는 강화 학습부; 및
상기 학습부의 액션 가이던스를 출력하고, 상기 액션 가이던스 온 라인 알고리즘의 재학습과, 상기 액션 가이던스 온 라인 알고리즘을 상기 강화 학습부의 액션 가이던스 오프 라인 알고리즘으로의 교체를 판단하는 제어부
를 포함하는 노황 관리 장치.
The method of claim 1,
The action guidance unit
A learning unit having an action guidance on-line algorithm for learning based on data collected from the first sensor unit and the second sensor unit, and generating the action guidance on blast furnace operation;
A reinforcement learning unit having an action guidance offline algorithm for reinforcing algorithm learning according to whether an operator accepts the action guidance; And
A control unit which outputs the action guidance of the learning unit, and determines re-learning of the action guidance on-line algorithm and replacing the action guidance on-line algorithm with the action guidance offline algorithm of the reinforcement learning unit.
The yellowing management device comprising a.
데이터 전처리부가 고로의 장입물 상태, 풍구 상태 및 출선구 상태 중 적어도 하나의 비정형 데이터를 수집하고, 상기 고로의 온도 및 압력 데이터를 측정된 위치에 따라 이미지화하는 하는 단계;
인공지능 알고리즘이 전처리된 데이터를 입력받아 고로 조업에 관한 액션 가이던스를 출력하는 단계;
조업자의 상기 액션 가이던스 적용 여부에 따라 상기 인공지능 알고리즘의 재학습을 판단하는 단계; 및
인공지능 알고리즘 재학습 여부에 따라 해당 인공지능 알고리즘의 교체를 판단하는 단계
를 포함하는 노황 관리 방법.Collecting, by the data preprocessor, at least one unstructured data of a charge state, a tuyere state, and a hatchway state of the blast furnace and image the temperature and pressure data of the blast furnace according to the measured position;
An artificial intelligence algorithm receiving preprocessed data and outputting an action guidance on blast furnace operation;
Determining re-learning of the artificial intelligence algorithm according to whether an operator applies the action guidance; And
Determining replacement of the corresponding AI algorithm based on whether the AI algorithm is relearned
Depression management method comprising a.
KR1020170175537A 2017-12-19 2017-12-19 Management apparatus and method for condition of blast furnace KR102075210B1 (en)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020170175537A KR102075210B1 (en) 2017-12-19 2017-12-19 Management apparatus and method for condition of blast furnace
CN201880082559.XA CN111492070A (en) 2017-12-19 2018-12-18 Furnace condition control apparatus and method
JP2020534232A JP7050934B2 (en) 2017-12-19 2018-12-18 Reactor condition management device and method
EP18891914.6A EP3730630B1 (en) 2017-12-19 2018-12-18 Furnace condition control apparatus and method
PCT/KR2018/016113 WO2019124931A1 (en) 2017-12-19 2018-12-18 Furnace condition control apparatus and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170175537A KR102075210B1 (en) 2017-12-19 2017-12-19 Management apparatus and method for condition of blast furnace

Publications (2)

Publication Number Publication Date
KR20190074132A KR20190074132A (en) 2019-06-27
KR102075210B1 true KR102075210B1 (en) 2020-02-07

Family

ID=66994076

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170175537A KR102075210B1 (en) 2017-12-19 2017-12-19 Management apparatus and method for condition of blast furnace

Country Status (5)

Country Link
EP (1) EP3730630B1 (en)
JP (1) JP7050934B2 (en)
KR (1) KR102075210B1 (en)
CN (1) CN111492070A (en)
WO (1) WO2019124931A1 (en)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257590B (en) * 2020-10-22 2023-08-01 中冶南方工程技术有限公司 Automatic detection method, system and storage medium for working state of blast furnace tap hole
EP4001440A1 (en) * 2020-11-18 2022-05-25 Primetals Technologies Austria GmbH Characterization of a smelting process
JP7380604B2 (en) 2021-01-12 2023-11-15 Ｊｆｅスチール株式会社 Learning model generation method, learning model generation device, blast furnace control guidance method, and hot metal manufacturing method
CN114185976B (en) * 2021-11-01 2024-03-26 中冶南方工程技术有限公司 Visual intelligent perception platform of blast furnace
JP7384326B1 (en) 2022-03-07 2023-11-21 Ｊｆｅスチール株式会社 Blast furnace hot metal temperature prediction method, blast furnace hot metal temperature prediction model learning method, blast furnace operating method, blast furnace hot metal temperature prediction device, blast furnace hot metal temperature prediction system and terminal device
WO2023187501A1 (en) * 2022-03-29 2023-10-05 Tata Steel Limited System and method for measuring burden profile in a metallurgical furnace
EP4276550A1 (en) * 2022-05-12 2023-11-15 Primetals Technologies Austria GmbH Method and computer system for controlling a process of a metallurgical plant

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0726127B2 (en) * 1987-11-20 1995-03-22 日本鋼管株式会社 Blast furnace furnace automatic heat control system
JPH0730368B2 (en) * 1988-02-12 1995-04-05 日本鋼管株式会社 Blast furnace furnace thermal controller
US4976780A (en) * 1988-12-20 1990-12-11 Nippon Steel Corporation Blast furnace operation management method and apparatus
JPH0733531B2 (en) * 1990-04-25 1995-04-12 日本鋼管株式会社 Blast furnace thermal controller support system
JPH0598325A (en) * 1991-10-07 1993-04-20 Nkk Corp Device for controlling distribution of charging materials in blast furnace
JPH05156327A (en) * 1991-12-06 1993-06-22 Nkk Corp Device for controlling furnace heat in blast furnace
CN1038146C (en) * 1993-07-21 1998-04-22 首钢总公司 Computerized blast furnace smelting expert system method
KR950014631A (en) 1993-11-27 1995-06-16 전성원 Timing Belt Tensioner
KR0146785B1 (en) * 1995-11-27 1998-11-02 김종진 Error diagnosing method and apparatus for a furnace
TW562865B (en) * 2000-12-28 2003-11-21 Nippon Steel Corp Method, apparatus and recording medium for monitoring an operating condition of blast furnace
JP3814143B2 (en) * 2000-12-28 2006-08-23 新日本製鐵株式会社 Operation monitoring method, apparatus and computer-readable recording medium in blast furnace operation
JP4586129B2 (en) * 2008-03-25 2010-11-24 独立行政法人沖縄科学技術研究基盤整備機構 Controller, control method and control program
KR101185300B1 (en) * 2011-01-28 2012-09-21 현대제철 주식회사 Method for estimating position bordered to furnace wall of softening zone
CN105886680B (en) * 2016-05-11 2017-12-29 东北大学 A kind of blast furnace ironmaking process molten iron silicon content dynamic soft measuring system and method
KR101858860B1 (en) * 2016-12-22 2018-05-17 주식회사 포스코 Apparatus for controlling heat of blast furnace
CN106844636A (en) * 2017-01-21 2017-06-13 亚信蓝涛（江苏）数据科技有限公司 A kind of unstructured data processing method based on deep learning

Also Published As

Publication number Publication date
JP2021507115A (en) 2021-02-22
KR20190074132A (en) 2019-06-27
EP3730630B1 (en) 2022-05-18
JP7050934B2 (en) 2022-04-08
WO2019124931A1 (en) 2019-06-27
EP3730630A4 (en) 2021-01-13
CN111492070A (en) 2020-08-04
EP3730630A1 (en) 2020-10-28

Similar Documents

Publication Publication Date Title
KR102075210B1 (en) Management apparatus and method for condition of blast furnace
EP3835779A1 (en) Steelmaking-continuous casting process equipment control and state analysis method using laser vibration measurement, and system using same
CN105400915A (en) Method and system for quantitatively evaluating distribution of gas flows on blast furnace top
CN102393882A (en) Method for monitoring and diagnosing indoor air quality (IAQ) sensor on line
CN110066895A (en) A kind of blast-melted quality section prediction technique based on Stacking
CN107290962A (en) A kind of blast-melted quality monitoring method based on adaptive threshold PLS
CN107299170A (en) A kind of blast-melted quality robust flexible measurement method
CN106153550A (en) Converter steel-smelting molten steel carbon content based on SVM online Real-time and Dynamic Detection method
US11900223B2 (en) Device and method for monitoring a system
CN106599450A (en) Priori knowledge-based method for monitoring fault of magnesite electric melting furnace by kernel flexible manifold embedding
WO2018051568A1 (en) Plant abnormality diagnosis device and plant abnormality diagnosis system
An et al. Two-layer fault diagnosis method for blast furnace based on evidence-conflict reduction on multiple time scales
KR102121910B1 (en) Apparatus and method for controlling blow of blast furnace
CN114761582A (en) Method and device for monitoring production facility, and method for operating production facility
US20190164364A1 (en) Method for status monitoring of a heat exchanger and heat exchanger
JP2012012907A (en) Dam measurement data evaluation method and dam measurement data evaluation system
EP3712281A1 (en) Blast control device for blast furnace and method therefor
KR101858860B1 (en) Apparatus for controlling heat of blast furnace
JP6927461B1 (en) Operation method and operation system of production equipment
CN114185976A (en) Visual intelligent perception platform of blast furnace
Trofimov et al. Generalized structure of an intelligent control system for technological objects and experience of its use
JP2018159111A (en) Blast furnace status condition determining device and method of operating blast furnace
JP2021165414A (en) Furnace condition evaluation device, furnace condition evaluation method, furnace condition evaluation program, and method for generating learned model
Semenov et al. Development and Implementation of Decision Support Systems for Blast Smelting Control in the Conditions of PrJSC “Kamet-Steel”
CN112912807A (en) Abnormality diagnosis device

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant