KR20220024450A - 학습 모델 생성 방법, 학습 모델 생성 장치, 고로의 용선 온도 제어 방법, 고로의 용선 온도 제어 가이던스 방법, 및 용선의 제조 방법 - Google Patents

학습 모델 생성 방법, 학습 모델 생성 장치, 고로의 용선 온도 제어 방법, 고로의 용선 온도 제어 가이던스 방법, 및 용선의 제조 방법 Download PDF

Info

Publication number
KR20220024450A
KR20220024450A KR1020227000669A KR20227000669A KR20220024450A KR 20220024450 A KR20220024450 A KR 20220024450A KR 1020227000669 A KR1020227000669 A KR 1020227000669A KR 20227000669 A KR20227000669 A KR 20227000669A KR 20220024450 A KR20220024450 A KR 20220024450A
Authority
KR
South Korea
Prior art keywords
molten iron
data
learning model
blast furnace
generating
Prior art date
Application number
KR1020227000669A
Other languages
English (en)
Inventor
요시나리 하시모토
다츠야 가이세
Original Assignee
제이에프이 스틸 가부시키가이샤
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=74193755&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=KR20220024450(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by 제이에프이 스틸 가부시키가이샤 filed Critical 제이에프이 스틸 가부시키가이샤
Publication of KR20220024450A publication Critical patent/KR20220024450A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Abstract

본 발명에 관련된 학습 모델 생성 방법은, 프로세스의 조업 상태 또는 기기의 운전 상태를 나타내는 하나 이상의 관측량의 이력 데이터를 화상화한 화상 데이터를 입력 데이터, 이력 데이터에 기초하여 오퍼레이터가 결정한 프로세스 또는 기기의 조작량을 출력 데이터로 하여, 오퍼레이터가 프로세스 또는 기기의 조작량을 결정하는 행동 모델을 기계 학습하고, 기계 학습된 행동 모델을 출력하는 스텝을 포함한다.

Description

학습 모델 생성 방법, 학습 모델 생성 장치, 고로의 용선 온도 제어 방법, 고로의 용선 온도 제어 가이던스 방법, 및 용선의 제조 방법
본 발명은, 학습 모델 생성 방법, 학습 모델 생성 장치, 고로의 용선 온도 제어 방법, 고로의 용선 온도 제어 가이던스 방법, 및 용선의 제조 방법에 관한 것이다.
제철업에 있어서의 고로 프로세스에 있어서, 용선 온도는 중요한 관리 지표이다. 특히 최근의 고로 조업은, 원연료 비용의 합리화를 추급하기 위하여, 저코크스비 및 고미분탄비의 조건하에서 실시되고 있어, 노황이 불안정화하기 쉽다. 이 때문에, 용선 온도의 편차 저감의 요구는 크다. 그런데, 고로 프로세스에서는, 코크스의 가스화나 광석의 환원 및 용해 등 여러 가지 반응이 일어나고 있다. 또, 노 내에 고체가 충전된 상태에서 조업이 실시되기 때문에, 프로세스 전체의 열용량이 크고, 액션에 대한 응답의 시정수가 길다. 이 때문에, 용선 온도의 편차 저감을 위해서는, 고로의 복잡한 다이내믹스를 적절히 고려한 용선 온도의 제어칙이 요구된다.
이와 같은 배경으로부터, 물리 모델에 근거한 용선 온도 제어 방법 (특허문헌 1 참조) 이나 과거 데이터에 근거한 용선 온도 제어 방법 (특허문헌 2 참조) 이 제안되어 있다. 구체적으로는, 특허문헌 1 에는, 실측의 노정 가스 조성에 합치하도록 물리 모델 중의 가스 환원 속도 파라미터를 조정하면서, 현재의 조작량이 유지되었다고 가정하고 물리 모델을 사용하여 용선 온도의 예측값을 산출하고, 산출된 예측값에 기초하여 용선 온도를 제어하는 방법이 기재되어 있다. 또, 특허문헌 2 에는, 과거의 조업 사례 중에서 현재의 조업 조건과 유사한 조업 사례를 추출하고, 추출된 조업 사례에 기초하여 용선 온도의 예측값을 산출하고, 산출된 예측값에 기초하여 용선 온도를 제어하는 방법이 기재되어 있다.
일본 공개특허공보 평11-335710호 일본 공개특허공보 2007-4728호
그러나, 특허문헌 1 에 기재된 방법에 의하면, 장입물 하강 속도 (원료 강하 속도) 의 변동이나 원료 중 철분의 변동 등 물리 모델에서는 고려하는 것이 곤란, 또한, 온라인 측정이 곤란한 외란이 발생한 경우, 용선 온도의 예측 정밀도가 저하하고, 결과적으로, 용선 온도의 제어 정밀도가 저하할 가능성이 있다. 한편, 특허문헌 2 에 기재된 방법에서는, 용선 온도의 예측 정밀도가 담보되는 것은 현재의 조업 조건과 유사한 조업 사례가 있는 경우로 한정되고, 지금까지 실적이 없는 조업 조건에 대해서는 용선 온도의 예측 정밀도가 저하하고, 결과적으로, 용선 온도의 제어 정밀도가 저하할 가능성이 있다.
본 발명은, 상기 과제를 감안하여 이루어진 것으로, 그 목적은, 프로세스 또는 기기의 상태를 정밀하게 제어 가능한 학습 모델을 생성 가능한 학습 모델 생성 방법 및 학습 모델 생성 장치를 제공하는 것에 있다. 또, 본 발명의 다른 목적은, 고로의 용선 온도를 정밀하게 제어 가능한 고로의 용선 온도 제어 방법 및 용선 온도 제어 가이던스 방법을 제공하는 것에 있다. 또한, 본 발명의 다른 목적은, 용선을 양호한 수율로 제조 가능한 용선의 제조 방법을 제공하는 것에 있다.
본 발명에 관련된 학습 모델 생성 방법은, 프로세스의 조업 상태 또는 기기의 운전 상태를 나타내는 1 개 이상의 관측량의 이력 데이터를 화상화한 화상 데이터를 입력 데이터, 상기 이력 데이터에 기초하여 오퍼레이터가 결정한 프로세스 또는 기기의 조작량을 출력 데이터로 하여, 오퍼레이터가 프로세스 또는 기기의 조작량을 결정하는 행동 모델을 기계 학습하고, 기계 학습된 행동 모델을 출력하는 스텝을 포함한다.
상기 화상 데이터는, 일방의 축에 시간축, 타방의 축에 상기 이력 데이터를 배치한 2 차원 화상이면 된다.
상기 화상 데이터의 이력 데이터가, 상기 관측량의 트랜드 그래프를 화상화한 화상이면 된다.
상기 화상 데이터의 이력 데이터가, 각 이력 데이터의 수치에 대해 색 및/또는 색의 농담을 대응지어 얻어지는 화상이면 된다.
상기 입력 데이터는, 미리 정한 연속한 소정 시간 구간의 화상 데이터이며, 상기 출력 데이터는, 상기 소정 시간 구간 후의 상기 조작량이면 된다.
상기 입력 데이터는, 조작량 변경 후, 미리 정한 시간 경과 후의 제어량으로서 정한 관측량의 하나 또는 복수의 값이 각각의 목표값을 중심으로 한 소정 범위 내에 있는 화상 데이터이면 된다.
상기 화상 데이터에는, 상기 조작량의 이력 데이터가 포함되면 된다.
상기 이력 데이터를 화상화하기 전에 그 이력 데이터에 대해 정규화 처리를 실시하는 스텝을 포함하면 된다.
상기 행동 모델은, 합성곱 뉴럴 네트워크이면 된다.
상기 합성곱 뉴럴 네트워크의 합성곱 연산을 시간축 방향에 대해서만 실시하면 된다.
상기 프로세스는 고로 프로세스이며, 상기 관측량에는 용선 온도, 우구 매립 온도, 및 코크스비 중 적어도 하나가 포함되고, 상기 조작량은 고로의 용선 온도를 제어하는 조작량이면 된다.
상기 조작량은, 미분탄비, 송풍 습분, 및 코크스비 중 적어도 하나이면 된다.
본 발명에 관련된 학습 모델 생성 장치는, 프로세스의 조업 상태 또는 기기의 운전 상태를 나타내는 하나 이상의 관측량의 이력 데이터를 화상화한 화상 데이터를 입력 데이터, 상기 이력 데이터에 기초하여 오퍼레이터가 결정한 프로세스 또는 기기의 조작량을 출력 데이터로 하여, 오퍼레이터가 프로세스 또는 기기의 조작량을 결정하는 행동 모델을 기계 학습하고, 기계 학습된 행동 모델을 출력하는 수단을 구비한다.
본 발명에 관련된 고로의 용선 온도 제어 방법은, 본 발명에 관련된 학습 모델 생성 방법에 의해 생성된 행동 모델을 사용하여 고로의 용선 온도를 목표 온도로 제어 가능한 상기 조작량을 결정하고, 결정한 조작량에 따라 고로를 제어하는 스텝을 포함한다.
본 발명에 관련된 고로의 용선 온도 제어 가이던스 방법은, 본 발명에 관련된 학습 모델 생성 방법에 의해 생성된 행동 모델을 사용하여 고로의 용선 온도를 목표 온도로 제어 가능한 상기 조작량을 결정하고, 결정한 조작량에 따라 그 조작량의 변경 가이던스를 실시하는 스텝을 포함한다.
본 발명에 관련된 용선의 제조 방법은, 본 발명에 관련된 고로의 용선 온도 제어 방법 또는 본 발명에 관련된 고로의 용선 온도 제어 가이던스 방법을 사용하여 용선을 제조하는 스텝을 포함한다.
본 발명에 관련된 학습 모델 생성 방법 및 학습 모델 생성 장치에 의하면, 프로세스 또는 기기의 상태를 정밀하게 제어 가능한 학습 모델을 생성할 수 있다. 또, 본 발명에 관련된 고로의 용선 온도 제어 방법 및 용선 온도 제어 가이던스 방법에 의하면, 고로의 용선 온도를 정밀하게 제어할 수 있다. 또한, 본 발명에 관련된 용선의 제조 방법에 의하면, 용선을 양호한 수율로 제조할 수 있다.
도 1 은, 본 발명의 일 실시형태인 학습 모델 생성 장치의 구성을 나타내는 블록도이다.
도 2 는, 본 발명의 일 실시형태인 학습 모델 생성 처리의 흐름을 나타내는 플로우 차트이다.
도 3 은, 오퍼레이터가 액션을 결정할 때에 고려하는 항목의 트랜드 데이터의 일례를 나타내는 도면이다.
도 4 는, 도 3 에 나타내는 트랜드 데이터의 등고도이다.
도 5 는, CNN 의 합성곱 연산 방향을 나타내는 도면이다.
도 6 은, CNN 의 구조의 일례를 나타내는 블록도이다.
도 7 은, CNN 에 의한 판정 확률과 액션 판정값의 시간 변화를 나타내는 도면이다.
도 8 은, 용선 온도 편차, 코크스비, 및 우구 매립 온도의 변화에 대한 CNN 의 필터의 값의 변화를 나타내는 도면이다.
이하, 도면을 참조하여, 본 발명의 일 실시형태인 학습 모델 생성 장치의 구성 및 그 동작에 대해 설명한다.
〔구성〕
먼저, 도 1 을 참조하여, 본 발명의 일 실시형태인 학습 모델 생성 장치의 구성에 대해 설명한다.
도 1 은, 본 발명의 일 실시형태인 학습 모델 생성 장치의 구성을 나타내는 블록도이다. 도 1 에 나타내는 바와 같이, 본 발명의 일 실시형태인 학습 모델 생성 장치 (1) 는, 오퍼레이터가 프로세스 또는 기기의 조작량을 결정하는 행동 모델을 기계 학습에 의해 생성하는 장치이며, 프로세서나 메모리 등을 구비하는 주지의 정보 처리 장치에 의해 구성되어 있다. 본 실시형태에서는, 학습 모델 생성 장치 (1) 는, 프로세서가 컴퓨터 프로그램을 실행함으로써, 모델 학습부 (11) 및 모델 출력부 (12) 로서 기능한다. 각 부의 기능에 대해서는 후술한다.
학습 모델 생성 장치 (1) 에는, 기계 학습 시에 사용하는 학습 데이터가 격납되어 있는 이력 데이터 데이터베이스 (이력 데이터 DB) (2) 가 데이터 판독 가능한 형태로 접속되어 있다. 본 실시형태에서는, 이력 데이터 DB (2) 에는, 제어 대상인 프로세스의 조업 상태 또는 제어 대상인 기기의 운전 상태를 나타내는 1 이상의 관측량의 이력 데이터를 화상화한 화상 데이터와, 이력 데이터에 기초하여 오퍼레이터가 결정한 프로세스 또는 기기의 조작량이, 관련지어져 학습 데이터로서 격납되어 있다.
여기서, 화상 데이터의 형태는, 일방의 축을 시간축으로 하고, 타방의 축을 관측량으로 하는 관측량의 이력 데이터를, 시간축을 맞추고 시간축과는 상이한 방향으로 1 이상의 관측량을 배치시킨 2 차원 배치의 화상 데이터로 하고 있다. 각 관측량의 이력 표시는 통상적인 트랜드 그래프와 같은 선도여도 되고, 각 이력 데이터의 수치에 색 및/또는 색의 농담을 대응지어 얻어지는 화상으로 하는, 이른바 등고도로 해도 된다. 또, 화상 데이터에는, 프로세스 또는 기기의 조작량의 이력 데이터를 포함하도록 해도 된다. 또한, 관측량이나 조작량의 이력 데이터에 대해서는, 치역을 통일하기 위해서 화상 데이터로 하기 전에 정규화 처리를 실시하는 것이 바람직하다.
이와 같은 구성을 갖는 학습 모델 생성 장치 (1) 는, 이하에 나타내는 학습 모델 생성 처리를 실행함으로써, 오퍼레이터가 프로세스 또는 기기의 조작량을 결정하는 행동 모델을 기계 학습에 의해 생성한다. 이하, 도 2 를 참조하여, 학습 모델 생성 처리를 실행할 때의 학습 모델 생성 장치 (1) 의 동작에 대해 설명한다.
〔학습 모델 생성 처리〕
도 2 는, 본 발명의 일 실시형태인 학습 모델 생성 처리의 흐름을 나타내는 플로우 차트이다. 도 2 에 나타내는 플로우 차트는, 학습 모델 생성 장치 (1) 에 대해 학습 모델 생성 처리의 실행 지령이 입력된 타이밍에 개시가 되고, 학습 모델 생성 처리는 스텝 S1 의 처리로 진행된다.
스텝 S1 의 처리에서는, 모델 학습부 (11) 가, 이력 데이터 DB (2) 로부터 학습 데이터를 취득한다. 이로써, 스텝 S1 의 처리는 완료되고, 학습 모델 생성 처리는 스텝 S2 의 처리로 진행된다.
스텝 S2 의 처리에서는, 모델 학습부 (11) 가, 스텝 S1 의 처리에 있어서 취득한 학습 데이터를 사용하여, 제어 대상인 프로세스의 조업 상태 또는 제어 대상인 기기의 운전 상태를 나타내는 1 이상의 관측량의 이력 데이터를 화상화한 화상 데이터를 입력 데이터, 이력 데이터에 기초하여 오퍼레이터가 결정한 프로세스 또는 기기의 조작량을 출력 데이터로 하여, 오퍼레이터가 프로세스 또는 기기의 조작량을 결정하는 행동 모델을 기계 학습한다.
여기서, 기계 학습에 의해 생성하는 행동 모델은, 합성곱 뉴럴 네트워크 (Convolutional neural network : CNN) 인 것이 바람직하다. 또, 화상 데이터의 형태가, 일방의 축에 시간축, 타방의 축에 이력 데이터를 배치한 2 차원 화상인 경우에는, CNN 의 합성곱 연산은 시간축 방향에 대해서만 실시하는 것이 바람직하다. 또, 입력 데이터는, 미리 정한 연속한 소정 시간 구간의 화상 데이터로 하고, 출력 데이터는 소정 시간 구간 직후의 조작량의 값으로 하면 된다. 또, 학습 데이터로서는, 조작량 변경 후, 미리 정한 시간 경과 후의 제어량으로서 정한 관측량의 하나 또는 복수의 값이, 각각의 목표값을 중심으로 한 소정 범위 내에 있는, 화상 데이터와 조작량의 조합을 사용하는 것이 바람직하다. 이것은, 오퍼레이터의 조작 결과로서 제어량이 적절한 변화를 하고, 목표값으로부터 소정의 범위로 제어할 수 있었던 데이터를 학습 데이터로서 이용하기 때문이다. 이로써, 스텝 S2 의 처리는 완료되고, 학습 모델 생성 처리는 스텝 S3 의 처리로 진행된다.
스텝 S3 의 처리에서는, 모델 출력부 (12) 가, 스텝 S2 의 처리에 있어서 생성된, 제어 대상인 프로세스의 조업 상태 또는 제어 대상인 기기의 운전 상태를 나타내는 1 이상의 관측량의 이력 데이터를 화상화한 화상 데이터를 입력 데이터, 이력 데이터에 기초하여 오퍼레이터가 결정한 프로세스 또는 기기의 조작량을 출력 데이터로 하는, 오퍼레이터가 프로세스 또는 기기의 조작량을 결정하는 행동 모델을 출력한다. 이로써, 스텝 S3 의 처리는 완료되고, 일련의 학습 모델 생성 처리는 종료한다. 이후, 오퍼레이터는, 미리 정한 소정 구간의 관측량 이력의 화상 데이터를 행동 모델에 입력함으로써 얻어진 조작량에 따라 프로세스 또는 기기의 상태를 제어할 수 있다.
이상의 설명으로부터 분명한 바와 같이, 본 발명의 일 실시형태인 학습 모델 생성 장치 (1) 는, 제어 대상인 프로세스의 조업 상태 또는 제어 대상인 기기의 운전 상태를 나타내는 1 이상의 관측량의 이력 데이터를 화상화한 화상 데이터를 입력 데이터, 이력 데이터에 기초하여 오퍼레이터가 결정한 프로세스 또는 기기의 조작량을 출력 데이터로 하여, 오퍼레이터가 프로세스 또는 기기의 조작량을 결정하는 행동 모델을 기계 학습하고, 기계 학습한 행동 모델을 출력한다. 이로써, 예측 대상의 화상 데이터를 행동 모델에 입력함으로써 얻어진 조작량에 따라 프로세스 또는 기기의 상태를 제어함으로써, 프로세스 또는 기기의 상태를 정밀하게 제어할 수 있다.
또한, 이력 데이터 DB (2) 에 새로운 학습 데이터가 추가된 경우, 모델 학습부 (11) 는, 새로 추가된 학습 데이터를 추가 학습용 데이터로 하여 행동 모델을 추가 학습시킴으로써, 행동 모델을 갱신하는 것이 바람직하다.
실시예
본 실시예에서는, 고로 프로세스에 있어서의 숙련된 오퍼레이터에 의한 용선 온도 제어의 액션을 모델화하였다. 구체적으로는, 고로 프로세스에서는, 오퍼레이터는, 우구 매립 온도나 가스 이용률 등 고로의 상태를 나타내는 프로세스 변수, 및 과거 수시간에 있어서의 조작 변수의 트랜드에 기초하여 다음의 액션을 결정하고 있다. 이와 같은 오퍼레이터의 인지, 판단, 및 액션의 플로는, 프로세스 변수나 조작 변수의 트랜드 화상을 입력 변수로 하여, 다음의 한 방법이 되는 액션을 출력하고 있다고 할 수 있다. 그래서, 최근의 기계 학습은 화상 처리를 가장 독의로 하고 있는 점에서, 화상 처리에 특화된 딥 러닝의 한 방법인 CNN 을 액션의 모델화에 적용하였다.
여기서, 오퍼레이터가 액션을 결정할 때에 고려하는 항목의 트랜드 데이터의 일례를 도 3 에 나타낸다. 액션의 모델화에 CNN 을 적용하는 데에 있어서는, 이와 같은 트랜드 데이터를 어떻게 화상화할지가 과제가 된다. 가로축에 시간 (타임 스텝), 세로축에 항목을 취하여 도 3 에 나타내는 트랜드 데이터와 동일한 트랜드 데이터를 등고도로 한 예를 도 4 에 나타내지만, 오퍼레이터는 이와 같은 등고도를 직접적으로 보고 액션을 결정하고 있는 것은 아니고, 도 3 에 나타내는 바와 같은 복수의 트랜드 데이터를 보고 있다. 이 때문에, 이와 같은 복수의 트랜드 데이터를 CNN 에 직접적으로 입력하는 것도 고려되지만, 본 실시예에서는 도 4 에 나타내는 등고도를 CNN 의 입력 데이터로 하였다. 또한, 도 4 에 나타내는 등고도의 가로축은 32 시간분의 데이터 (64 점) 를 나타내고, 세로축은 15 개의 항목을 나타내고 있다.
다음으로, CNN 의 합성곱 필터의 형상을 검토한다. 최근 화제가 된 알파고와 같이, CNN 에서는 기반과 같은 세로축 및 가로축이 동질인 화상을 입력 데이터로 하고 있고, 도 5(a) 에 화살표로 나타내는 바와 같이 세로축 방향 및 가로축 방향으로 합성곱 연산을 실시한다. 그러나, 본 실시예에 있어서의 입력 화상의 세로축은 항목이기 때문에, 세로축 방향을 따라 합성곱 연산을 실시하는 것은 특별히 의미를 가지지 않는다. 그래서, 본 실시예에서는, 도 5(b) 에 화살표로 나타내는 바와 같이 가로축 방향인 시간축 방향으로만 합성곱을 실시하는 필터를 기계 학습하는 것으로 하였다. 사용한 CNN 의 구조를 도 6 에 나타낸다. 또한, 도 6 중의 블록 31 ~ 37 은 각각, 합성곱층 (Convolution), 정규화 선형 유닛 (Relu), 풀링층 (Pooling), 전체 결합층 (Affine), 정규화 선형 유닛 (Relu), 전체 결합층 (Affine), 및 소프트맥스 함수 (Softmax) 를 나타내고 있다. 또, 도 6 중의 괄호 안의 숫자는 데이터 배열의 크기를 나타낸다. 예를 들어 (64, 15) 는 64 × 15 의 2 차원 배열을 나타낸다. 단, 도 6 에 나타내는 CNN 의 구조는 일례이며, 도 6 에 나타내는 구조 이외의 구조로 해도 된다.
다음으로, CNN 에 의한 예측 대상인 목적 변수에 대해 서술한다. 본 실시예에서는, 고로의 용선 온도를 목표 온도 근방으로 제어하기 위한 액션을 인상, 인하, 관망의 3 단계로 판정하는 모델을 작성하였다. 구체적으로는, 용선 온도를 제어하기 위해서 미분탄비를 조작 변수로서 사용하고, 미분탄비의 인상, 인하, 관망의 조작을 목적 변수로 한다. 또한, 조작 변수로서 송풍 습분이나 코크스비를 사용하여도 된다. 또, 오퍼레이터의 액션 중에는 잘못된 액션이 포함되어 있을 가능성이 있다. 이 때문에, 전처리로서, 잘못된 액션의 데이터를 사전에 제외하는 것이 바람직하다. 본 실시예에서는, 인상 액션을 실시하고 나서 10 시간 후의 용선 온도의 제어 편차 (목표 온도에 대한 편차) 가 ＋10 ℃ 이상이 되어 있는 케이스의 데이터, 및 인하 액션을 실시하고 나서 10 시간 후의 용선 온도의 제어 편차가 -10 ℃ 이하가 되어 있는 케이스의 데이터를 사전에 제외하였다.
이상과 같은 전처리를 실시한 30 분마다의 3700 점 데이터 (약 77 일분) 를 사용하여, 최초의 3000 점에서 CNN 에 의한 모델의 기계 학습을 실시하고, 나머지 700 점에서 모델의 정밀도를 검증하였다. 검증 결과를 도 7(a), (b) 에 나타낸다. 구체적으로는, 도 7(a) 에 CNN 으로부터 출력된 인상 액션, 인하 액션, 및 관망의 판정 확률을 나타낸다. 또, 도 7(b) 에 CNN 으로부터 출력된 인상 액션의 판정 확률로부터 인하 액션의 판정 확률을 뺀 값 (실선 : 이후, 액션 판정값으로 표기) 과 실제의 오퍼레이터의 액션 (둥근점) 의 비교를 나타낸다. 도 7(b) 에 나타내는 바와 같이, 실제의 오퍼레이터의 액션과 액션 판정값의 경향이 일치하고 있는 것을 알 수 있다.
다음으로, 이와 같이 하여 얻어진 액션 판정값에 대해 임계값을 설정하고, 임계값에 대해 ＋0.15 이상에서 인상 판정, 임계값에 대해 -0.15 이하에서 인하 판정, 그 이외는 관망 판정이라고 정의하였다. 액션 판정값 (CNN) 과 실제의 오퍼레이터의 액션 (실적) 의 비교를 이하의 표 1 에 나타낸다. 표 1 에 나타내는 바와 같이, 액션 판정값과 실제의 오퍼레이터의 액션의 일치율은 65 % 정도였다.
Figure pct00001
또, 도 8 에 기계 학습에 의해 얻어진 CNN 의 합성곱층의 필터 1 ~ 3 (가중 계수) 의 값을 3 시간분의 트랜드로서 나타낸다. 도 8 에 있어서, (a-1), (b-1), (c-1) 은 용선 온도 편차의 시간 변화에 대한 필터 1 ~ 3 의 값의 변화, (a-2), (b-2), (c-2) 는 코크스비의 시간 변화에 대한 필터 1 ~ 3 의 값의 변화, (a-3), (b-3), (c-3) 은 우구 매립 온도의 시간 변화에 대한 필터 1 ~ 3 의 값의 변화를 나타낸다. 도 8 (a-3), (c-3) 에 나타내는 바와 같이, 필터 1, 3 의 값은 우구 매립 온도에 크게 반응하고, 도 8 (b-1) 에 나타내는 바와 같이 필터 2 의 값은 용선 온도의 편차에 반응하고 있다. 우구 매립 온도 및 용선 온도 편차는 어느 쪽이나 오퍼레이터가 주시하는 정보이므로, 이 결과는, CNN 에 의한 오퍼레이터 액션의 모델화의 어프로치를 지지하는 결과라고 할 수 있다.
이상으로부터, 오퍼레이터가 액션을 결정할 때에 고려하는 항목의 트랜드 데이터를 모델에 입력함으로써 얻어진 조작량에 따라 고로 프로세스를 제어함으로써, 고로 프로세스를 정밀하게 제어할 수 있는 것이 확인되었다. 또, 이로써, 기계 학습된 모델을 사용하여 고로의 용선 온도를 목표 온도로 제어 가능한 조작량을 결정하고, 결정한 조작량에 따라 고로를 제어함으로써, 고로의 용선 온도를 정밀하게 제어하고, 결과적으로, 용선을 양호한 수율로 제조할 수 있다. 또한, 이로써, 기계 학습된 모델을 사용하여 고로의 용선 온도를 목표 온도로 제어 가능한 조작량을 결정하고, 결정한 조작량에 따라 조작량의 변경 가이던스를 실시함으로써, 고로의 용선 온도를 정밀하게 제어하고, 결과적으로, 용선을 양호한 수율로 제조할 수 있다.
이상, 본 발명자들에 의해 이루어진 발명을 적용한 실시형태에 대해 설명했지만, 본 실시형태에 의한 본 발명의 개시의 일부를 이루는 기서술 및 도면에 의해 본 발명은 한정되지 않는다. 즉, 본 실시형태에 기초하여 당업자 등에 의해 이루어지는 다른 실시형태, 실시예, 및 운용 기술 등은 모두 본 발명의 범주에 포함된다.
산업상 이용가능성
본 발명에 의하면, 프로세스 또는 기기의 상태를 정밀하게 제어 가능한 학습 모델을 생성 가능한 학습 모델 생성 방법 및 학습 모델 생성 장치를 제공할 수 있다. 또, 본 발명에 의하면, 고로의 용선 온도를 정밀하게 제어 가능한 고로의 용선 온도 제어 방법 및 용선 온도 제어 가이던스 방법을 제공할 수 있다. 또한, 본 발명에 의하면, 용선을 양호한 수율로 제조 가능한 용선의 제조 방법을 제공할 수 있다.
1 : 학습 모델 생성 장치
2 : 이력 데이터 데이터베이스 (이력 데이터 DB)
11 : 모델 학습부
12 : 모델 출력부

Claims (16)

  1. 프로세스의 조업 상태 또는 기기의 운전 상태를 나타내는 1 개 이상의 관측량의 이력 데이터를 화상화한 화상 데이터를 입력 데이터, 상기 이력 데이터에 기초하여 오퍼레이터가 결정한 프로세스 또는 기기의 조작량을 출력 데이터로 하여, 오퍼레이터가 프로세스 또는 기기의 조작량을 결정하는 행동 모델을 기계 학습하고, 기계 학습된 행동 모델을 출력하는 스텝을 포함하는, 학습 모델 생성 방법.
  2. 제 1 항에 있어서,
    상기 화상 데이터는, 일방의 축에 시간축, 타방의 축에 상기 이력 데이터를 배치한 2 차원 화상인, 학습 모델 생성 방법.
  3. 제 2 항에 있어서,
    상기 화상 데이터의 이력 데이터가, 상기 관측량의 트랜드 그래프를 화상화한 화상인, 학습 모델 생성 방법.
  4. 제 2 항에 있어서,
    상기 화상 데이터의 이력 데이터가, 각 이력 데이터의 수치에 대해 색 및/또는 색의 농담을 대응지어 얻어지는 화상인, 학습 모델 생성 방법.
  5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    상기 입력 데이터는, 미리 정한 연속한 소정 시간 구간의 화상 데이터이며, 상기 출력 데이터는, 상기 소정 시간 구간 후의 상기 조작량인, 학습 모델 생성 방법.
  6. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    상기 입력 데이터는, 조작량 변경 후, 미리 정한 시간 경과 후의 제어량으로서 정한 관측량의 하나 또는 복수의 값이 각각의 목표값을 중심으로 한 소정 범위 내에 있는 화상 데이터인, 학습 모델 생성 방법.
  7. 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
    상기 화상 데이터에는, 상기 조작량의 이력 데이터가 포함되는, 학습 모델 생성 방법.
  8. 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
    상기 이력 데이터를 화상화하기 전에 그 이력 데이터에 대해 정규화 처리를 실시하는 스텝을 포함하는, 학습 모델 생성 방법.
  9. 제 1 항 내지 제 8 항 중 어느 한 항에 있어서,
    상기 행동 모델은, 합성곱 뉴럴 네트워크인, 학습 모델 생성 방법.
  10. 제 9 항에 있어서,
    상기 합성곱 뉴럴 네트워크의 합성곱 연산을 시간축 방향에 대해서만 실시하는, 학습 모델 생성 방법.
  11. 제 1 항 내지 제 10 항 중 어느 한 항에 있어서,
    상기 프로세스는 고로 프로세스이며, 상기 관측량에는 용선 온도, 우구 매립 온도, 및 코크스비 중 적어도 하나가 포함되고, 상기 조작량은 고로의 용선 온도를 제어하는 조작량인, 학습 모델 생성 방법.
  12. 제 11 항에 있어서,
    상기 조작량은, 미분탄비, 송풍 습분, 및 코크스비 중 적어도 하나인, 학습 모델 생성 방법.
  13. 프로세스의 조업 상태 또는 기기의 운전 상태를 나타내는 하나 이상의 관측량의 이력 데이터를 화상화한 화상 데이터를 입력 데이터, 상기 이력 데이터에 기초하여 오퍼레이터가 결정한 프로세스 또는 기기의 조작량을 출력 데이터로 하여, 오퍼레이터가 프로세스 또는 기기의 조작량을 결정하는 행동 모델을 기계 학습하고, 기계 학습된 행동 모델을 출력하는 수단을 구비하는, 학습 모델 생성 장치.
  14. 제 11 항 또는 제 12 항에 기재된 학습 모델 생성 방법에 의해 생성된 행동 모델을 사용하여 고로의 용선 온도를 목표 온도로 제어 가능한 상기 조작량을 결정하고, 결정한 조작량에 따라 고로를 제어하는 스텝을 포함하는, 고로의 용선 온도 제어 방법.
  15. 제 11 항 또는 제 12 항에 기재된 학습 모델 생성 방법에 의해 생성된 행동 모델을 사용하여 고로의 용선 온도를 목표 온도로 제어 가능한 상기 조작량을 결정하고, 결정한 조작량에 따라 그 조작량의 변경 가이던스를 실시하는 스텝을 포함하는, 고로의 용선 온도 제어 가이던스 방법.
  16. 제 14 항에 기재된 고로의 용선 온도 제어 방법 또는 제 15 항에 기재된 고로의 용선 온도 제어 가이던스 방법을 사용하여 용선을 제조하는 스텝을 포함하는, 용선의 제조 방법.
KR1020227000669A 2019-07-19 2020-06-04 학습 모델 생성 방법, 학습 모델 생성 장치, 고로의 용선 온도 제어 방법, 고로의 용선 온도 제어 가이던스 방법, 및 용선의 제조 방법 KR20220024450A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019133538A JP6897723B2 (ja) 2019-07-19 2019-07-19 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法
JPJP-P-2019-133538 2019-07-19
PCT/JP2020/022126 WO2021014782A1 (ja) 2019-07-19 2020-06-04 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法

Publications (1)

Publication Number Publication Date
KR20220024450A true KR20220024450A (ko) 2022-03-03

Family

ID=74193755

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227000669A KR20220024450A (ko) 2019-07-19 2020-06-04 학습 모델 생성 방법, 학습 모델 생성 장치, 고로의 용선 온도 제어 방법, 고로의 용선 온도 제어 가이던스 방법, 및 용선의 제조 방법

Country Status (6)

Country Link
EP (1) EP4002023A4 (ko)
JP (1) JP6897723B2 (ko)
KR (1) KR20220024450A (ko)
CN (1) CN114341879A (ko)
BR (1) BR112021025958A2 (ko)
WO (1) WO2021014782A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7380604B2 (ja) 2021-01-12 2023-11-15 Ｊｆｅスチール株式会社 学習モデル生成方法、学習モデル生成装置、高炉の制御ガイダンス方法、及び溶銑の製造方法
JP7384326B1 (ja) 2022-03-07 2023-11-21 Ｊｆｅスチール株式会社 高炉の溶銑温度予測方法、高炉の溶銑温度予測モデルの学習方法、高炉の操業方法、高炉の溶銑温度予測装置、高炉の溶銑温度予測システムおよび端末装置
CN115130769B (zh) * 2022-07-07 2024-03-01 青岛恒小火软件有限公司 一种高炉喷煤制粉系统温度智能自适应方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11335710A (ja) 1998-05-22 1999-12-07 Sumitomo Metal Ind Ltd 高炉炉熱予測方法
JP2007004728A (ja) 2005-06-27 2007-01-11 Nippon Steel Corp プロセスの操業状態の制御方法、装置、及びコンピュータプログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3210473B2 (ja) * 1993-03-11 2001-09-17 株式会社東芝 ビジュアルフィードバック制御装置
DE19806267A1 (de) * 1997-11-10 1999-05-20 Siemens Ag Verfahren und Einrichtung zur Steuerung einer hüttentechnischen Anlage
JP4653715B2 (ja) * 2006-10-13 2011-03-16 新日本製鐵株式会社 プラント操業支援装置、プラント操業支援方法、コンピュータプログラム及び記憶媒体
JP2018045360A (ja) * 2016-09-13 2018-03-22 アズビル株式会社 ヒートマップ表示装置およびヒートマップ表示方法
JP6298562B1 (ja) * 2017-05-31 2018-03-20 伸和コントロールズ株式会社 状態監視装置、状態監視方法及びプログラム
US10997491B2 (en) * 2017-10-04 2021-05-04 Huawei Technologies Co., Ltd. Method of prediction of a state of an object in the environment using an action model of a neural network
JP6676030B2 (ja) * 2017-11-20 2020-04-08 株式会社安川電機 把持システム、学習装置、把持方法、及び、モデルの製造方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11335710A (ja) 1998-05-22 1999-12-07 Sumitomo Metal Ind Ltd 高炉炉熱予測方法
JP2007004728A (ja) 2005-06-27 2007-01-11 Nippon Steel Corp プロセスの操業状態の制御方法、装置、及びコンピュータプログラム

Also Published As

Publication number Publication date
JP2021018569A (ja) 2021-02-15
JP6897723B2 (ja) 2021-07-07
CN114341879A (zh) 2022-04-12
EP4002023A4 (en) 2022-08-24
WO2021014782A1 (ja) 2021-01-28
BR112021025958A2 (pt) 2022-02-08
EP4002023A1 (en) 2022-05-25

Similar Documents

Publication Publication Date Title
KR20220024450A (ko) 학습 모델 생성 방법, 학습 모델 생성 장치, 고로의 용선 온도 제어 방법, 고로의 용선 온도 제어 가이던스 방법, 및 용선의 제조 방법
CN109870903B (zh) 参数优化方法、装置以及非瞬时计算机可读取介质
US10121107B2 (en) Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device
CN113254738B (zh) 烧成曲线的自适应预测方法、设备及计算机存储介质
CN1224720C (zh) 一种利用智能控制系统控制高炉冶炼的方法
JP6729514B2 (ja) 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
CN100371462C (zh) 一种基于实例推理的高炉热风炉燃烧自动控制方法
JP2018145520A (ja) 高炉炉熱予測装置及び高炉炉熱予測方法
JP2018024935A (ja) 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
JP6930507B2 (ja) 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
Cardoso et al. Artificial neural network for predicting silicon content in the hot metal produced in a blast furnace fueled by metallurgical coke
CN109816016A (zh) 基于大规模训练集支持向量机的故障诊断方法
JP5845945B2 (ja) 操業予測装置、操業予測方法、及びコンピュータプログラム
KR102167985B1 (ko) 고로의 출선구 폐쇄 시점 예측 시스템 및 그 방법
US20220358267A1 (en) Adapting a production process for components of a component group
Carlsson Using Multilayer Perceptrons asmeans to predict the end-pointtemperature in an Electric ArcFurnace
JP2022108041A (ja) 学習モデル生成方法、学習モデル生成装置、高炉の制御ガイダンス方法、及び溶銑の製造方法
JP6933196B2 (ja) 高炉の荷下り速度予測モデルの学習方法、高炉の荷下り速度予測方法、高炉の操業ガイダンス方法、高炉の荷下り速度制御方法、溶銑の製造方法、高炉の操業方法、及び高炉の荷下り速度予測モデルの学習装置
Klanke et al. Advanced data-driven prediction models for BOF endpoint detection
JP4311669B2 (ja) 高炉温度制御システム及び高炉温度制御方法
CN112287283B (zh) 一种高炉运行状态评价方法、装置及存储介质
CN117556711B (zh) 基于神经网络的高炉喷煤优化方法、系统、终端和介质
JP6815954B2 (ja) プラントの操業状態推定装置及び操業状態推定方法
KR102122422B1 (ko) 고로의 연원료 비율 제어 장치 및 그 방법
CN114647914A (zh) 蠕变曲线构造及参数拟合方法和计算机设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal