TW202348804A - 高爐之熔鐵溫度預測方法、高爐之熔鐵溫度預測模型之學習方法、高爐之操作方法、高爐之熔鐵溫度預測裝置、熔鐵溫度預測系統以及終端裝置 - Google Patents
高爐之熔鐵溫度預測方法、高爐之熔鐵溫度預測模型之學習方法、高爐之操作方法、高爐之熔鐵溫度預測裝置、熔鐵溫度預測系統以及終端裝置 Download PDFInfo
- Publication number
- TW202348804A TW202348804A TW112108098A TW112108098A TW202348804A TW 202348804 A TW202348804 A TW 202348804A TW 112108098 A TW112108098 A TW 112108098A TW 112108098 A TW112108098 A TW 112108098A TW 202348804 A TW202348804 A TW 202348804A
- Authority
- TW
- Taiwan
- Prior art keywords
- molten iron
- temperature
- iron temperature
- data
- blast furnace
- Prior art date
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 626
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 313
- 238000000034 method Methods 0.000 title claims abstract description 175
- 230000008569 process Effects 0.000 claims abstract description 92
- 238000006243 chemical reaction Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims description 134
- 230000036760 body temperature Effects 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 15
- 238000001816 cooling Methods 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 238000002844 melting Methods 0.000 claims description 5
- 230000008018 melting Effects 0.000 claims description 5
- 230000010365 information processing Effects 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000009529 body temperature measurement Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000011017 operating method Methods 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000000571 coke Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006722 reduction reaction Methods 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- 239000011335 coal coke Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Image Analysis (AREA)
- Manufacture Of Iron (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
一種高爐之熔鐵溫度預測方法,係藉由以電腦所建構的裝置所執行之高爐之熔鐵溫度預測方法,係包含:電腦所具備之影像轉換處理部將爐體的溫度數據進行二維影像化之影像轉換處理步驟;以及電腦所具備之熔鐵溫度預測處理部對於目前爐體的溫度數據,將影像轉換處理步驟中所輸出之影像數據,輸入於以影像轉換處理步驟中所輸出之影像數據作為輸入數據且以熔鐵溫度作為輸出數據來進行學習之熔鐵溫度預測模型,藉此輸出未來的熔鐵溫度之熔鐵溫度預測處理步驟。
Description
本發明係關於高爐之熔鐵溫度預測方法、高爐之熔鐵溫度預測模型之學習方法、高爐之操作方法、高爐之熔鐵溫度預測裝置、熔鐵溫度預測系統以及終端裝置。
於高爐製程中,係以熔鐵溫度、通氣度、熔鐵製造速度成為一定之方式來進行操作。為了實現高效率且穩定的高爐操作,熔鐵溫度的控制乃為重要。於熔鐵溫度顯著地降低時,作為副生成物之熔渣的溫度亦降低而使熔渣的黏度上升。因情況的不同,可能導致爐下部的熔鐵或熔渣固化之爐冷事故,甚至造成長期間的操作停止。
相反的,在熔鐵溫度高之情形時,意指燃料的微粉碳或煤焦被過度地消耗,導致還原材料比的上升。於近年來的高爐操作中,為了削減CO
2及熔鐵成本,係以低還原材料比及低煤焦比為目標,故對於降低熔鐵溫度變動之需求大。
高爐的操作人員係根據操作條件及各種感測器資訊來進行熔鐵溫度的未來預測,並操作煤焦比或送風濕分、送風溫度、微粉碳流量。由於高爐為熱容量大之製程,所以在變更操作變數之情形時,至熔鐵溫度產生變化為止之時間延遲大。因此無法確實地預測過往操作的影響,而有操作過剩之傾向。其結果會週期性地重複產生相對於熔鐵溫度的目標值之過大與過小,而有熔鐵溫度變動逐漸增大之課題。
鑑於如此背景,係有人提出根據物理模型之熔鐵溫度控制方法(參照專利文獻1)或是根據統計模型之熔鐵溫度控制方法(參照專利文獻2)。例如於專利文獻1中,為了補償還原材料比、溶損碳量、熔鐵製造速度及氣體應用率中至少一項之計算值與實測值的誤差,係提出下列方法。
亦即於專利文獻1中,係一面調整物理模型中之氣體還原平衡參數或爐頂中之煤焦比的參數,並在假定維持目前的操作量下使用物理模型來算出熔鐵溫度的預測值。然後根據所算出之預測值來控制熔鐵溫度。
此外,於專利文獻2中,係提出一種從過往的操作數據中提取與目前的操作條件類似之操作數據,並根據所提取之操作數據來算出熔鐵溫度的預測值,然後根據所算出之預測值來控制熔鐵溫度之方法。
先前技術文獻
專利文獻
專利文獻1:日本特開2018-24935號公報
專利文獻2:日本特開2007-4728號公報
[發明所欲解決之課題]
然而,於專利文獻1所提出之方法中,在難以測定降料(原料降下速度)的變動或作為原料之礦石中鐵分的變動等,並且產生亦難以反映物理模型之外部擾亂之情形時,熔鐵溫度的預測精度降低。因此,其結果可能導致熔鐵溫度之控制精度的降低。
此外,於專利文獻2所記載之方法中,在目前的操作條件為過往並未實際存在的操作條件之情形時,熔鐵溫度的預測精度降低,其結果可能導致熔鐵溫度之控制精度的降低。
另一方面,操作人員係藉由從設置在高爐的爐體之溫度計所測得之溫度的高低,或是圓周方向上之溫度的變動程度,來判斷包含熔鐵溫度的變動之高爐狀況的好壞。例如埋設於高爐的風嘴之熱電偶中所測得之風嘴埋入溫度,由於受到來自爐內之煤焦填充層或熔鐵之輻射的影響,所以會有領先於熔鐵溫度而產生變化之傾向。
此外,係將從高爐之儲料管線正上方的爐壁往爐內突出而設置之熱電偶中所測得之溫度,稱為鑄皮流動溫度。鑄皮流動溫度的上升意指爐壁附近之氣體溫度的上升,並表示爐內之氣體的周邊流增加。亦即,於鑄皮流動溫度上升時,通氣性惡化,可能產生鐵礦石的還原不良而使熔鐵溫度降低。此外,於上述在爐體的圓周方向上可進行測溫之項目中,圓周方向上的溫度變動乃肇因於圓周方向上之原料的變動或爐內之還原反應或氣體流動的變動。因此,亦可能導致熔鐵出口間之熔鐵溫度的偏差而造成爐況惡化。
本發明係鑑於上述情況而研創,該目的在於提供一種能夠僅使用可測得之爐體在圓周方向上的溫度分布來預測熔鐵溫度的急速上升或急速降低之高爐之熔鐵溫度預測方法、高爐之熔鐵溫度預測模型之學習方法、高爐之操作方法、高爐之熔鐵溫度預測裝置、熔鐵溫度預測系統以及終端裝置。
[用以解決課題之技術手段]
為了解決上述課題並達成目的,有關本發明之高爐之熔鐵溫度預測方法係藉由以電腦所建構的裝置所執行之高爐之熔鐵溫度預測方法,係包含:前述電腦所具備之影像轉換處理部將爐體的溫度數據進行二維影像化之影像轉換處理步驟;以及前述電腦所具備之熔鐵溫度預測處理部對於目前爐體的溫度數據,將前述影像轉換處理步驟中所輸出之影像數據,輸入於以前述影像轉換處理步驟中所輸出之影像數據作為輸入數據且以熔鐵溫度作為輸出數據來進行學習之熔鐵溫度預測模型,藉此輸出未來的熔鐵溫度之熔鐵溫度預測處理步驟。
此外,有關本發明之高爐之熔鐵溫度預測方法於上述發明中,前述爐體的溫度數據包含爐頂探測器溫度、鑄皮流動溫度、冷卻壁溫度、風嘴埋入溫度中的至少一種以上,前述影像轉換處理步驟係對應於測定位置來二維地配置前述爐體的溫度,並藉由不同色彩或濃淡將溫度之值進行影像化。
此外,有關本發明之高爐之熔鐵溫度預測方法於上述發明中,前述輸入數據係由每隔預定時間週期之複數個影像數據所構成,且係表示爐體溫度分布的時間變化之數據。
此外,有關本發明之高爐之熔鐵溫度預測方法於上述發明中,前述熔鐵溫度預測處理步驟係預測:預定時間後的熔鐵溫度相對於最接近的預定時間之熔鐵溫度的平均值之差分的絕對值。
為了解決上述課題並達成目的,有關本發明之高爐之熔鐵溫度預測模型之學習方法係藉由以電腦所建構的裝置所執行之高爐之熔鐵溫度預測模型之學習方法,係包含:前述電腦所具備之影像轉換處理部將爐體的溫度數據進行二維影像化之影像轉換處理步驟;以及前述電腦所具備之模型學習處理部以前述影像轉換處理步驟中所輸出之影像數據作為輸入數據,以熔鐵溫度作為輸出數據,來進行熔鐵溫度預測模型的學習之模型學習處理步驟。
此外,有關本發明之高爐之熔鐵溫度預測模型之學習方法於上述發明中,前述模型學習處理步驟係以表示基準時刻前之預定期間中的複數個爐體溫度分布之影像數據作為輸入數據,以前述基準時刻後之預定期間後的熔鐵溫度相對於前述基準時刻前之預定期間中之熔鐵溫度的平均值之差分作為輸出數據,來進行前述熔鐵溫度預測模型的學習。
為了解決上述課題並達成目的,有關本發明之高爐之操作方法係使用上述高爐之熔鐵溫度預測方法來預測熔鐵溫度,並根據所預測之熔鐵溫度來變更操作條件。
為了解決上述課題並達成目的,有關本發明之高爐之熔鐵溫度預測裝置係具備:將爐體的溫度數據進行二維影像化之影像轉換處理部;以及對於目前爐體的溫度數據,將前述影像轉換處理部中所輸出之影像數據,輸入於以前述影像轉換處理部中所輸出之影像數據作為輸入數據且以熔鐵溫度作為輸出數據來進行學習之熔鐵溫度預測模型,藉此輸出未來的熔鐵溫度之熔鐵溫度預測處理部。
此外,有關本發明之高爐之熔鐵溫度預測裝置於上述發明中,前述爐體的溫度數據包含爐頂探測器溫度、鑄皮流動溫度、冷卻壁溫度、風嘴埋入溫度中的至少一種以上,前述影像轉換處理部係對應於測定位置來二維地配置前述爐體的溫度,並藉由不同色彩或濃淡將溫度之值進行影像化。
此外,有關本發明之高爐之熔鐵溫度預測裝置於上述發明中,前述輸入數據係由每隔預定時間週期之複數個影像數據所構成,且係表示爐體溫度分布的時間變化之數據。
此外,有關本發明之高爐之熔鐵溫度預測裝置於上述發明中,前述熔鐵溫度預測處理部係預測:預定時間後的熔鐵溫度相對於最接近的預定時間之熔鐵溫度的平均值之差分的絕對值。
為了解決上述課題並達成目的,有關本發明之熔鐵溫度預測系統係具備熔鐵溫度預測伺服器裝置以及終端裝置之熔鐵溫度預測系統,前述熔鐵溫度預測伺服器裝置係具備:將爐體的溫度數據進行二維影像化之影像轉換處理部,及對於目前爐體的溫度數據,將前述影像轉換處理部中所輸出之影像數據,輸入於以前述影像轉換處理部中所輸出之影像數據作為輸入數據且以熔鐵溫度作為輸出數據來進行學習之熔鐵溫度預測模型,藉此輸出未來的熔鐵溫度之熔鐵溫度預測處理部,以及將至少含有前述熔鐵溫度預測處理部中所預測之未來的熔鐵溫度之資訊輸出至前述終端裝置之輸出部;前述終端裝置係具備:從前述熔鐵溫度預測伺服器裝置中取得至少含有未來的熔鐵溫度之資訊之資訊取得部,以及顯示前述資訊取得部所取得之資訊之顯示部。
為了解決上述課題並達成目的,有關本發明之終端裝置係具備:從前述熔鐵溫度預測伺服器裝置中,取得至少含有根據將目前爐體的溫度數據進行二維影像化後之影像數據所預測之未來的熔鐵溫度之資訊之資訊取得部,以及顯示前述資訊取得部所取得之資訊之顯示部。
[發明之效果]
根據有關本發明之高爐之熔鐵溫度預測方法、高爐之熔鐵溫度預測模型之學習方法、高爐之操作方法、高爐之熔鐵溫度預測裝置、熔鐵溫度預測系統以及終端裝置,係能夠僅使用可測得之爐體在圓周方向上的溫度分布而精度佳地預測熔鐵溫度的急速上升或急速降低。
對於有關本發明的實施型態之高爐之熔鐵溫度預測模型之學習裝置(以下稱為「模型學習裝置」)、高爐之熔鐵溫度預測裝置、高爐之熔鐵溫度預測模型之學習方法(以下稱為「模型學習方法」)以及高爐之熔鐵溫度預測方法,係參照圖面來進行說明。於下述實施型態中的構成要素中,係包括該業者能夠且容易取代者,或是實質上為相同者。
[裝置構成]
有關實施型態之模型學習裝置及熔鐵溫度預測裝置的裝置構成,係參照圖1來說明。同一圖係顯示用以實現有關實施型態之模型學習裝置及熔鐵溫度預測裝置之資訊處理裝置1之構成的一例。資訊處理裝置1例如藉由工作站或個人電腦等泛用電腦來實現。
資訊處理裝置1係具備:輸入部10、及記憶部20、及運算部30、以及輸出部40。有關實施型態之模型學習裝置,於資訊處理裝置1的構成要素中,可藉由排除運算部30的熔鐵溫度預測處理部33後之構成要素來實現。此外,有關實施型態之熔鐵溫度預測裝置,於資訊處理裝置1的構成要素中,可藉由排除運算部30的模型學習處理部32後之構成要素來實現。
輸入部10為相對於運算部30之輸入手段,可藉由例如鍵盤、滑鼠、十鍵小鍵盤等輸入裝置來實現。
記憶部20係由EPROM(Erasable Programmable ROM:可抹除可程式化ROM)、硬碟機(Hard Disk Drive:HDD)以及可移除式媒體等記錄媒體所構成。可移除式媒體可列舉例如:USB(Universal Serial Bus:通用序列匯流排)記憶體、CD(Compact Disc:光碟)、DVD (Digital Versatile Disc:數位多功能光碟)、BD(Blu-ray(註冊商標)Disc:藍光光碟)般之碟型記錄媒體。於記憶部20中,可儲存作業系統(Operating System:OS)、各種程式、各種表格、各種資料庫等。於記憶部20中,儲存有溫度DB(資料庫)21及影像DB22。
於溫度DB21中,儲存有高爐之爐體的溫度數據(以下稱為「爐體溫度數據」)。爐體溫度數據可列舉例如爐頂探測器溫度、鑄皮流動溫度、冷卻壁溫度、風嘴埋入溫度中之至少一種以上的履歷數據、熔鐵溫度的履歷數據等。此外,此溫度DB21係以可讀取數據之型態連接於運算部30。
於影像DB22中,儲存有:在運算部30的影像轉換處理部31中從爐體溫度數據中經影像轉換處理後之影像數據(例如等高線圖)。此外,此影像DB22係以可讀取數據之型態連接於運算部30。
運算部30例如藉由:由CPU(Central Processing Unit:中央處理單元)等所構成之處理器,以及由RAM(Random Access Memory:隨機存取記憶體)或ROM(Read Only Memory:唯讀記憶體)等所構成之記憶體(主記憶部)來實現。
運算部30係將程式載入於主記憶部的作業區域來執行,並透過程式的執行來控制各構成部等,藉此實現與預定目的一致之功能。運算部30透過前述程式的執行,發揮影像轉換處理部31、模型學習處理部32及熔鐵溫度預測處理部33的功能。於圖1中,係顯示藉由一台電腦(運算部)來實現各部的功能之情形的例子,惟各部的功能之具體的實現方法並無特別限定,例如亦可藉由複數台電腦來實現各部的功能。
影像轉換處理部31係實施將爐體溫度數據進行二維影像化之影像轉換處理步驟。影像轉換處理部31例如對應於測定位置來二維地配置爐體的溫度,並藉由不同色彩或濃淡將溫度之值進行影像化,藉此生成等高線圖(參考圖6)。然後,影像轉換處理部31將所生成之影像數據(例如等高線圖)儲存於影像DB22。
「爐體溫度數據」係藉由設置在高爐之爐體的圓周方向之溫度計來測得。此爐體溫度數據係預先被測定並儲存於溫度DB21。此外,爐體溫度數據中,例如包含爐頂探測器溫度、鑄皮流動溫度、冷卻壁溫度、風嘴埋入溫度中的至少一種以上。如此,於本實施型態中,在可從爐體中測得之溫度中,係使用爐頂探測器溫度、鑄皮流動溫度、冷卻壁溫度、風嘴埋入溫度等與熔鐵溫度之相關性高者來進行預測模型的學習。
模型學習處理部32係進行:相對於目前爐體的溫度分布,預測未來的熔鐵溫度之預測模型的學習。具體而言,模型學習處理部32係實施:以影像轉換處理部31中所輸出之影像數據作為輸入數據,以熔鐵溫度作為輸出數據來進行熔鐵溫度預測模型的學習之模型學習處理步驟。於模型學習處理部32中,例如藉由卷積類神經網路(Convolutional Neural Network:CNN)等機械學習手法來進行熔鐵溫度預測模型的學習。
在此,進行熔鐵溫度預測模型的學習時之輸入數據可使用預先儲存於影像DB22之影像數據,此影像數據例如由每隔預定時間週期之複數個影像數據(例如等高線圖)所構成,且係由表示爐體溫度分布的時間變化之數據所構成。
熔鐵溫度預測處理部33係預測:相對於目前爐體的溫度分布之未來的熔鐵溫度。具體而言,熔鐵溫度預測處理部33係實施:對於目前爐體溫度數據,將影像轉換處理部31中所輸出之影像數據,輸入於在模型學習處理部32中所學習之熔鐵溫度預測模型,藉此輸出未來的熔鐵溫度之熔鐵溫度預測處理步驟。熔鐵溫度預測處理部33係預測:預定時間後的熔鐵溫度相對於最接近的預定時間之熔鐵溫度的平均值之差分的絕對值。
亦即,熔鐵溫度預測處理部33係藉由將表示目前爐體的溫度之影像數據輸入於熔鐵溫度預測模型,來預測熔鐵溫度於預定時間後產生何種程度的變化。熔鐵溫度預測處理部33亦可藉由將表示目前爐體的溫度之影像數據輸入於熔鐵溫度預測模型,來直接預測預定時間後的熔鐵溫度。
在此,進行未來之熔鐵溫度的測定時之輸入數據,可使用儲存於影像DB22之影像數據。此影像數據例如由每隔預定時間週期之複數個影像數據(例如等高線圖)所構成,且係由表示爐體溫度分布的時間變化之數據所構成。
輸出部40為藉由運算部30所處理之數據的輸出手段,可藉由例如LCD顯示器、CRT顯示器等顯示裝置,印表機等印刷機器等來實現。
[模型學習方法]
參照圖2及圖3來說明有關實施型態之模型學習方法。模型學習方法係藉由以電腦所建構之資訊處理裝置1來執行。此外,模型學習方法係進行:由影像轉換處理部31所進行之影像轉換處理步驟以及由模型學習處理部32所進行之模型學習處理步驟。於模型學習處理步驟前,不一定需進行影像轉換處理步驟,例如在預先進行影像轉換處理步驟之情形時,可僅實施模型學習處理步驟來作為模型學習方法。
(影像轉換處理步驟)
圖2為顯示影像轉換處理步驟的具體流程之流程圖。同一圖的流程圖係在影像轉換處理的執行指令被輸入於模型學習裝置(資訊處理裝置1)之時機下開始進行,影像轉換處理往步驟S1的處理開始進行。
於步驟S1的處理中,影像轉換處理部31係從溫度DB21中取得爐體溫度數據。藉此完成步驟S1的處理,影像轉換處理往步驟S2的處理進行。
於步驟S2的處理中,影像轉換處理部31係於步驟S1的處理中所取得之爐體溫度數據中,判定是否含有肇因於測溫不良等之異常值。於步驟S2的處理中,於任一感測器中觀測到異常值之情形時(於步驟S2為Yes),排除該感測器的觀測值(步驟S7),影像轉換處理往步驟S3的處理進行。此外,於任一感測器中皆未觀測到異常值之情形時(於步驟S2為No),影像轉換處理直接往步驟S3的處理進行。
於步驟S3的處理中,影像轉換處理部31係對於在步驟S2的處理中視需要排除異常值後之爐體溫度數據,進行爐體之圓周方向上的內插處理。於此內插處理中,例如將東設成為0°,並往逆時針方向每隔45°提取推測值。
於每個感測器中在圓周方向上的測溫點數為不同之情形時,內插處理對於整合作為二維影像數據的橫軸之圓周方向上的點數而言為必要。惟在半徑方向上具有複數個測溫點之感測器中,係對相距爐體中心的距離為相等之每個測溫點進行內插處理。此外,在爐體高度方向上具有複數個測溫點之感測器中,係對相距爐頂的距離為相等之每個測溫點進行內插處理。藉此完成步驟S3的處理,影像轉換處理往步驟S4的處理進行。
於步驟S4的處理中,影像轉換處理部31係對步驟S3的處理中進行內插處理後之爐體溫度的推測值,進行用以整合值域之標準化。此標準化係藉由例如對每個爐體溫度的推測值求取最接近之32小時的平均值及標準差來進行。藉此完成步驟S4的處理,影像轉換處理往步驟S5的處理進行。
於步驟S5的處理中,影像轉換處理部31係使用步驟S4的處理中經標準化後之數據,來製作例如縱軸為爐體高度方向,橫軸為圓周方向(方塊)之等高線圖(例如參照圖6)。於此等高線圖中,關於高爐的爐體溫度,不僅在爐體的周方向,在爐體的高度方向上亦進行插補而影像化。因此,藉由製作並應用此等高線圖,可統一地處理爐體溫度整體來作為影像,而具有容易掌握爐體溫度的變化之效果。藉此完成步驟S5的處理,影像轉換處理往步驟S6的處理進行。
於步驟S6的處理中,影像轉換處理部31係將在步驟S5的處理中所製作之影像數據(等高線圖)儲存於影像DB22。藉此完成步驟S6的處理,並結束一連串的影像轉換處理。
(模型學習處理步驟)
圖3為顯示模型學習處理步驟的具體流程之流程圖。同一圖的流程圖係在模型學習處理的執行指令被輸入於模型學習裝置(資訊處理裝置1)之時機下開始進行,模型學習處理往步驟S11的處理開始進行。
於步驟S11的處理中,模型學習處理部32係從影像DB22中取得影像數據。藉此完成步驟S11的處理,模型學習處理往步驟S12的處理進行。
於步驟S12的處理中,模型學習處理部32從溫度DB21中取得熔鐵溫度的履歷數據。藉此完成步驟S12的處理,模型學習處理往步驟S13的處理進行。
於步驟S13的處理中,模型學習處理部32係對於在步驟S12中所取得之熔鐵溫度的履歷數據,算出時刻t+β的熔鐵溫度相對於從時刻t-α至時刻t之熔鐵溫度的平均值之差分ΔT。α、β之值例如根據爐體的時間常數等來預先決定。
於決定α時,送風流量、煤焦比、送風濕分等操作規格較佳係位於類似期間。另一方面,高爐由於爐內的氣體流動或溫度分布在圓周方向上之變動的影響,有時會在複數個熔鐵出口間產生熔鐵溫度的偏差。所以必須求取長時間之熔鐵溫度的平均值。因此,α較佳係設成為約1至3日。此外,於決定β時,必須為相對於熔鐵溫度的急遽變化,可藉由操作動作來應對之值。送風濕分的操作對於熔鐵溫度之即效性較高,惟於爐底中之熔鐵的滯留時約為2小時。因此β必須為大於2之值。藉此完成步驟S13的處理,模型學習處理往步驟S14的處理進行。
於步驟S13的處理中,模型學習處理部32係對於在步驟S12中所取得之熔鐵溫度的履歷數據,算出時刻t+β的熔鐵溫度相對於從時刻t-α至時刻t之熔鐵溫度的平均值之差分ΔT。α、β之值例如根據爐體的時間常數等來預先決定。藉此完成步驟S13的處理,模型學習處理往步驟S14的處理進行。
於步驟S14的處理中,模型學習處理部32係於在步驟S11中所取得之影像數據中,生成:將從時刻t-γ至時刻t中的影像數據與步驟S13中所算出之ΔT賦予關聯性之學習數據。γ之值例如根據爐體的時間常數等來預先決定。於「γ=0」之情形時,係僅使用時刻t中的影像數據,惟為了學習爐體溫度分布的時間變化,γ較佳係設成為大於0之值,並將連續的複數個時刻中之影像數據賦予關聯性來進行機械學習。於決定γ時,可將從爐頂所裝入之原料降下至風口為止之時間作為標準。藉此完成步驟S14的處理,模型學習處理往步驟S15的處理進行。
於步驟S15的處理中,模型學習處理部32係使用步驟S14的處理中所生成之學習數據,將熔鐵溫度預測模型進行機械學習。此熔鐵溫度預測模型係以將從時刻t-γ至時刻t中之爐體溫度分布的時間變化進行影像化後之影像數據作為輸入數據,以時刻t+β的熔鐵溫度相對於從時刻t-α至時刻t中之熔鐵溫度的平均值之差分ΔT作為輸出數據,並從爐體溫度分布的時間變化來預測未來的熔鐵溫度。
在此,藉由機械學習所生成之熔鐵溫度預測模型較佳為卷積類神經網路(CNN)。此外,CNN的卷積運算較佳係在影像數據的縱軸方向及橫軸方向,亦即爐體的高度方向及圓周方向上進行(參照圖7)。藉此完成步驟S15的處理,模型學習處理往步驟S16的處理進行。
於步驟S16的處理中,模型學習處理部32係輸出步驟S15的處理中所生成之熔鐵溫度預測模型。藉此完成步驟S16的處理,並結束一連串的模型學習處理。
於新的溫度數據追加於溫度DB21之情形時,影像轉換處理部31例如將新追加的爐體溫度數據進行影像化並追加儲存於影像DB22。然後,模型學習處理部32較佳係以新追加的影像數據作為追加學習用數據,將熔鐵溫度預測模型進行追加學習並藉此更新模型。
(熔鐵溫度預測方法)
參照圖4來說明有關實施型態之熔鐵溫度預測方法。熔鐵溫度預測方法係藉由以電腦所建構之資訊處理裝置1來執行。此外,熔鐵溫度預測方法係進行由熔鐵溫度預測處理部33所進行之熔鐵溫度預測處理步驟。此外,熔鐵溫度預測方法亦可視需要,在熔鐵溫度預測處理步驟之前進行由影像轉換處理部31所進行之影像轉換處理步驟(參照圖2)。
(熔鐵溫度預測處理步驟)
圖4為顯示熔鐵溫度預測處理步驟的具體流程之流程圖。同一圖的流程圖係在熔鐵溫度預測處理的執行指令被輸入於熔鐵溫度預測裝置(資訊處理裝置1)之時機下開始進行,熔鐵溫度預測處理步驟往步驟S21的處理開始進行。
於步驟S21的處理中,在以目前時刻為t0時,熔鐵溫度預測處理部33係從影像DB22中取得從時刻t0-γ至時刻t0中的影像數據。藉此完成步驟S21的處理,熔鐵溫度預測處理往步驟S22的處理進行。
於步驟S22的處理中,熔鐵溫度預測處理部33係從溫度DB21中,取得從時刻t0-α至時刻t0中之熔鐵溫度的履歷數據。藉此完成步驟S22的處理,熔鐵溫度預測處理往步驟S23的處理進行。
於步驟S23的處理中,熔鐵溫度預測處理部33係算出從時刻t0-α至時刻t0中之熔鐵溫度的平均值Tave。藉此完成步驟S23的處理,熔鐵溫度預測處理往步驟S24的處理進行。
於步驟S24的處理中,熔鐵溫度預測處理部33係使用模型學習處理部32中所輸出之熔鐵溫度預測模型,以將從時刻t0-γ至時刻t0中之爐體溫度分布的時間變化進行影像化後之影像數據作為輸入數據,來輸出時刻t0+β的熔鐵溫度相對於從時刻t0-α至時刻t0中之熔鐵溫度的平均值Tave之差分ΔT0pre。藉此完成步驟S24的處理,熔鐵溫度預測處理往步驟S25的處理進行。
於步驟S25的處理中,熔鐵溫度預測處理部33係以Tave+ΔT0pre來輸出時刻t0+β中之熔鐵溫度的預測值。藉此完成步驟S25的處理,並結束一連串的熔鐵溫度預測處理。
[高爐之操作方法]
有關實施型態之高爐之操作方法例如藉由以電腦所建構之裝置等來執行。於高爐之操作方法中,係進行:使用上述熔鐵溫度預測方法來預測熔鐵溫度之熔鐵溫度預測處理步驟,以及根據熔鐵溫度預測處理步驟中所預測之熔鐵溫度來變更操作條件之操作條件變更步驟。例如在時刻t0+β中之熔鐵溫度的預測值相對於熔鐵溫度的目標值大幅地降低之情形時,可將送風濕分降低至下限值或是大幅地增加爐頂中的煤焦比。
[熔鐵溫度預測系統]
如圖5所示,有關實施型態之熔鐵溫度預測系統2係具備熔鐵溫度預測伺服器裝置3以及終端裝置4。熔鐵溫度預測伺服器裝置3以及終端裝置4係構成為可透過例如網際網路線路網等網路N來進行通訊。此外,於熔鐵溫度預測系統2中,終端裝置4例如配置在煉鋼廠內。
熔鐵溫度預測伺服器裝置3例如藉由配置在雲端上之伺服器等來實現。此熔鐵溫度預測伺服器裝置3為藉由圖1所示之資訊處理裝置1所實現之熔鐵溫度預測裝置的網路對應伺服器裝置,並具備與該熔鐵溫度預測裝置為相同之構成。亦即,熔鐵溫度預測伺服器裝置3於資訊處理裝置1的構成要素中,係至少具備:發揮作為影像轉換處理部及熔鐵溫度預測處理部的功能之運算部、以及輸出部。
熔鐵溫度預測伺服器裝置3的影像轉換處理部係將爐體的溫度數據進行二維影像化。此外,熔鐵溫度預測伺服器裝置3的熔鐵溫度預測處理部對於目前爐體的溫度數據,將影像轉換處理部中所輸出之影像數據輸入於熔鐵溫度預測模型,藉此輸出未來的熔鐵溫度。此外,熔鐵溫度預測伺服器裝置3的輸出部係將至少含有熔鐵溫度預測處理部中所預測之未來的熔鐵溫度之資訊,經由網路N輸出至終端裝置4。上述熔鐵溫度預測模型為以影像轉換處理部中所輸出之影像數據作為輸入數據,且以熔鐵溫度作為輸出數據來進行學習之模型。
終端裝置4係透過網路N,從熔鐵溫度預測伺服器裝置3取得各種資訊並顯示。此終端裝置4例如藉由個人電腦等泛用電腦、平板型電腦等可攜式資訊處理機器來實現。此外,終端裝置4係具備發揮作為資訊取得部以及顯示部的功能之運算部。此外,於終端裝置4中,係連接有例如液晶顯示器(LCD)、有機EL顯示器(OLED)、觸控面板顯示器等外部顯示器。
終端裝置4的資訊取得部係從熔鐵溫度預測伺服器裝置3中,取得至少含有由該熔鐵溫度預測伺服器裝置3所預測之未來的熔鐵溫度之資訊。此未來的熔鐵溫度係根據將目前爐體的溫度數據進行二維影像化後之影像數據來預測。此外,從熔鐵溫度預測伺服器裝置3所取得之資訊除了未來的熔鐵溫度之外,亦可列舉例如:儲存於溫度DB21之爐體溫度數據、於影像轉換處理部31中所生成之影像數據(例如等高線圖)等。此外,終端裝置4的顯示部將資訊取得部所取得之此等資訊顯示於上述外部顯示器。
根據以上所說明之有關實施型態之高爐之熔鐵溫度預測方法、高爐之熔鐵溫度預測模型之學習方法、高爐之操作方法、高爐之熔鐵溫度預測裝置、熔鐵溫度預測系統以及終端裝置,係能夠僅使用爐頂探測器溫度、鑄皮流動溫度、冷卻壁溫度、風嘴埋入溫度等可測得之爐體在圓周方向上的溫度分布,而精度佳地預測熔鐵溫度的急速上升或急速降低。
[實施例]
參照圖6至圖10來說明有關實施型態之模型學習方法以及熔鐵溫度預測方法的實施例。
於本實施例中,關於模型學習處理中的係數α、β、γ(參照圖3的步驟S13、S14),係將α設成為32小時,將β設成為8小時,將γ設成為10小時。此外,爐體溫度數據係使用以30分鐘週期所取得者。亦即,以爐體溫度分布的影像數據20張作為輸入數據,藉此以CNN從最接近之10小時份的溫度變化中提取特徵。
此外,於本實施例中,係使用爐頂探測器溫度、鑄皮流動溫度、冷卻壁溫度、風嘴埋入溫度的履歷數據來製作爐體溫度分布的影像數據。由於爐頂探測器溫度愈接近於中心雜訊愈多,因此僅使用相距爐體中心的距離為最大之測定點。此外,冷卻壁溫度係使用:在爐體高度方向上為10段份的測定點。
於圖6中顯示:從上方依序以相距爐頂的距離較小之順序來設成為爐頂探測器溫度13、鑄皮流動溫度12、冷卻壁溫度2至11、風嘴埋入溫度1,並且進行內插處理及標準化後之等高線圖。同一圖的縱軸為爐體的高度方向。此外,同一圖的橫軸表示爐體的圓周方向,亦即方塊,左端與右端為東。
接著製作:將所製作之影像數據,與8小時後的熔鐵溫度相對於最接近的32小時中之熔鐵溫度的平均值之差分ΔT的數據賦予關聯性之數據組20500點(約600天份)。接著在最初的20000點中進行依據CNN所進行之熔鐵溫度預測模型的機械學習,在剩餘的500點中驗證熔鐵溫度預測模型的精度。
於CNN中,如圖7的箭頭所示,係在縱軸方向(爐體的高度方向)及橫軸方向(爐體的圓周方向)上進行卷積運算。於圖8中顯示機械學習中所使用之CNN的構造。同圖中的方塊分別表示:卷積層(Convolution)、池化層(Pooling)、捨棄層(Dropout)、卷積層(Convolution)、池化層(Pooling)、扁平化層(Flatten)、仿射層(Affine)、仿射層(Affine)。此外,同一圖之括弧內的數字表示數據配列的大小。例如,「(13,9,20)」表示「縱13×橫9×通道數20」的三維配列。惟同一圖所顯示之CNN的構造僅為一例,亦可為同一圖所顯示之構造以外的構造。
於圖9及圖10中顯示本實施例中的驗證結果。圖9為以每1階段30分鐘的時間序列,來排列驗證用數據中之8小時後之熔鐵溫度的預測值以及實測值之趨勢。同一圖中之「×」的點繪係表示熔鐵溫度的預測值,「○」的點繪表示熔鐵溫度的實測值。
圖10為相對於相距最接近之32小時的熔鐵溫度平均值之差分,8小時後之熔鐵溫度的預測值以及實測值之散布圖。如圖9所示,熔鐵溫度之預測值以及實測值的傾向呈一致。此外,預測值與實測值之差位於±20℃以內之情況為96.4%,均方根平均誤差為10.2℃,可確認為良好的預測精度。
以上係藉由用以實施發明之型態及實施例來具體地說明有關本發明之高爐之熔鐵溫度預測方法、高爐之熔鐵溫度預測模型之學習方法、高爐之操作方法、高爐之熔鐵溫度預測裝置、熔鐵溫度預測系統以及終端裝置,惟本發明之主旨並不限定於此等記載,而是必需根據申請專利範圍的記載來廣泛地解釋。此外,根據此等記載來進行各種變更、改變者,當然亦涵蓋於本發明之主旨。
1:資訊處理裝置
10:輸入部
20:記憶部
21:溫度DB
22:影像DB
30:運算部
31:影像轉換處理部
32:模型學習處理部
33:熔鐵溫度預測處理部
40:輸出部
2:熔鐵溫度預測系統
3:熔鐵溫度預測伺服器裝置
4:終端裝置
N:網路
[圖1]為顯示用以實現有關本發明的實施型態之高爐之熔鐵溫度預測模型之學習裝置以及高爐之熔鐵溫度預測裝置之資訊處理裝置的概略構成之圖。
[圖2]為顯示有關本發明的實施型態之高爐之熔鐵溫度預測模型之學習方法以及高爐之熔鐵溫度預測方法中之影像轉換處理步驟的流程之流程圖。
[圖3]為顯示有關本發明的實施型態之高爐之熔鐵溫度預測模型之學習方法中之模型學習處理步驟的流程之流程圖。
[圖4]為顯示有關本發明的實施型態之高爐之熔鐵溫度預測方法中之熔鐵溫度預測處理步驟的流程之流程圖。
[圖5]為顯示有關本發明的實施型態之熔鐵溫度預測系統的概略構成之圖。
[圖6]為有關本發明的實施型態之高爐之熔鐵溫度預測模型之學習方法以及高爐之熔鐵溫度預測方法的實施例,係顯示對爐體的溫度數據實施影像轉換處理後之等高線圖的一例之圖。
[圖7]為有關本發明的實施型態之高爐之熔鐵溫度預測模型之學習方法以及高爐之熔鐵溫度預測方法的實施例,係用以說明在圖6的等高線圖中CNN的卷積運算方向之圖。
[圖8]為顯示CNN之構造的一例之方塊圖。
[圖9]為有關本發明的實施型態之高爐之熔鐵溫度預測模型之學習方法以及高爐之熔鐵溫度預測方法的實施例,係以每1階段30分鐘的時間序列,來排列驗證用數據中之8小時後之熔鐵溫度的預測值以及實測值之趨勢。
[圖10]為有關本發明的實施型態之高爐之熔鐵溫度預測模型之學習方法以及高爐之熔鐵溫度預測方法的實施例,係顯示在驗證用數據中相對於相距最接近之32小時的熔鐵溫度平均值之差分,8小時後之熔鐵溫度的預測值以及實測值之散布圖。
1:資訊處理裝置
10:輸入部
20:記憶部
21:溫度DB
22:影像DB
30:運算部
31:影像轉換處理部
32:模型學習處理部
33:熔鐵溫度預測處理部
40:輸出部
Claims (13)
- 一種高爐之熔鐵溫度預測方法,係藉由以電腦所建構的裝置所執行之高爐之熔鐵溫度預測方法, 係包含:前述電腦所具備之影像轉換處理部將爐體的溫度數據進行二維影像化之影像轉換處理步驟;以及 前述電腦所具備之熔鐵溫度預測處理部對於目前爐體的溫度數據,將前述影像轉換處理步驟中所輸出之影像數據,輸入於以前述影像轉換處理步驟中所輸出之影像數據作為輸入數據且以熔鐵溫度作為輸出數據來進行學習之熔鐵溫度預測模型,藉此輸出未來的熔鐵溫度之熔鐵溫度預測處理步驟。
- 如請求項1所述之高爐之熔鐵溫度預測方法,其中前述爐體的溫度數據包含爐頂探測器溫度、鑄皮流動溫度、冷卻壁溫度、風嘴埋入溫度中的至少一種以上, 前述影像轉換處理步驟係對應於測定位置來二維地配置前述爐體的溫度,並藉由不同色彩或濃淡將溫度之值進行影像化。
- 如請求項1或請求項2所述之高爐之熔鐵溫度預測方法,其中前述輸入數據係由每隔預定時間週期之複數個影像數據所構成,且係表示爐體溫度分布的時間變化之數據。
- 如請求項1至請求項3中任一項所述之高爐之熔鐵溫度預測方法,其中前述熔鐵溫度預測處理步驟係預測:預定時間後的熔鐵溫度相對於最接近的預定時間之熔鐵溫度的平均值之差分的絕對值。
- 一種高爐之熔鐵溫度預測模型之學習方法,係藉由以電腦所建構的裝置所執行之高爐之熔鐵溫度預測模型之學習方法, 係包含:前述電腦所具備之影像轉換處理部將爐體的溫度數據進行二維影像化之影像轉換處理步驟;以及 前述電腦所具備之模型學習處理部以前述影像轉換處理步驟中所輸出之影像數據作為輸入數據,以熔鐵溫度作為輸出數據,來進行熔鐵溫度預測模型的學習之模型學習處理步驟。
- 如請求項5所述之高爐之熔鐵溫度預測模型之學習方法,其中前述模型學習處理步驟係以表示基準時刻前之預定期間中的複數個爐體溫度分布之影像數據作為輸入數據,以前述基準時刻後之預定期間後的熔鐵溫度相對於前述基準時刻前之預定期間中之熔鐵溫度的平均值之差分作為輸出數據,來進行前述熔鐵溫度預測模型的學習。
- 一種高爐之操作方法,係使用如請求項1至請求項4中任一項所述之高爐之熔鐵溫度預測方法來預測熔鐵溫度,並根據所預測之熔鐵溫度來變更操作條件。
- 一種高爐之熔鐵溫度預測裝置,係具備:將爐體的溫度數據進行二維影像化之影像轉換處理部;以及 對於目前爐體的溫度數據,將前述影像轉換處理部中所輸出之影像數據,輸入於以前述影像轉換處理部中所輸出之影像數據作為輸入數據且以熔鐵溫度作為輸出數據來進行學習之熔鐵溫度預測模型,藉此輸出未來的熔鐵溫度之熔鐵溫度預測處理部。
- 如請求項8所述之高爐之熔鐵溫度預測裝置,其中前述爐體的溫度數據包含爐頂探測器溫度、鑄皮流動溫度、冷卻壁溫度、風嘴埋入溫度中的至少一種以上, 前述影像轉換處理部係對應於測定位置來二維地配置前述爐體的溫度,並藉由不同色彩或濃淡將溫度之值進行影像化。
- 如請求項8或請求項9所述之高爐之熔鐵溫度預測裝置,其中前述輸入數據係由每隔預定時間週期之複數個影像數據所構成,且係表示爐體溫度分布的時間變化之數據。
- 如請求項8至請求項10中任一項所述之高爐之熔鐵溫度預測裝置,其中前述熔鐵溫度預測處理部係預測:預定時間後的熔鐵溫度相對於最接近的預定時間之熔鐵溫度的平均值之差分的絕對值。
- 一種熔鐵溫度預測系統,係具備熔鐵溫度預測伺服器裝置以及終端裝置之熔鐵溫度預測系統, 前述熔鐵溫度預測伺服器裝置係具備: 將爐體的溫度數據進行二維影像化之影像轉換處理部,及 對於目前爐體的溫度數據,將前述影像轉換處理部中所輸出之影像數據,輸入於以前述影像轉換處理部中所輸出之影像數據作為輸入數據且以熔鐵溫度作為輸出數據來進行學習之熔鐵溫度預測模型,藉此輸出未來的熔鐵溫度之熔鐵溫度預測處理部,以及 將至少含有前述熔鐵溫度預測處理部中所預測之未來的熔鐵溫度之資訊輸出至前述終端裝置之輸出部; 前述終端裝置係具備: 從前述熔鐵溫度預測伺服器裝置中取得至少含有未來的熔鐵溫度之資訊之資訊取得部,以及 顯示前述資訊取得部所取得之資訊之顯示部。
- 一種終端裝置,係具備: 從熔鐵溫度預測伺服器裝置中,取得至少含有根據將目前爐體的溫度數據進行二維影像化後之影像數據所預測之未來的熔鐵溫度之資訊之資訊取得部,以及 顯示前述資訊取得部所取得之資訊之顯示部。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022-034139 | 2022-03-07 | ||
JP2022034139 | 2022-03-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202348804A true TW202348804A (zh) | 2023-12-16 |
Family
ID=87935267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112108098A TW202348804A (zh) | 2022-03-07 | 2023-03-06 | 高爐之熔鐵溫度預測方法、高爐之熔鐵溫度預測模型之學習方法、高爐之操作方法、高爐之熔鐵溫度預測裝置、熔鐵溫度預測系統以及終端裝置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7384326B1 (zh) |
TW (1) | TW202348804A (zh) |
WO (1) | WO2023171501A1 (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102075210B1 (ko) | 2017-12-19 | 2020-02-07 | 주식회사 포스코 | 노황 관리 장치 및 방법 |
JP6897723B2 (ja) | 2019-07-19 | 2021-07-07 | 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 |
-
2023
- 2023-03-01 JP JP2023536390A patent/JP7384326B1/ja active Active
- 2023-03-01 WO PCT/JP2023/007608 patent/WO2023171501A1/ja active Application Filing
- 2023-03-06 TW TW112108098A patent/TW202348804A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
JPWO2023171501A1 (zh) | 2023-09-14 |
JP7384326B1 (ja) | 2023-11-21 |
WO2023171501A1 (ja) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
JP6531782B2 (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 | |
Zhou et al. | Fault identification for quality monitoring of molten iron in blast furnace ironmaking based on KPLS with improved contribution rate | |
JP2018024936A (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 | |
JP2008144265A (ja) | 高炉の溶銑温度予測方法 | |
WO2021014782A1 (ja) | 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 | |
JP2020029596A (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 | |
JP2022132895A (ja) | 合金材料の特性を予測する製造支援システム、予測モデルを生成する方法およびコンピュータプログラム | |
JP4093934B2 (ja) | モデルパラメータ決定方法及びそのプログラム,モデル予測方法及びそのプログラム | |
JP2017190482A (ja) | 高炉のセンサ故障検知システム及び異常状況の予測システム | |
KR20230019154A (ko) | 조업 가이던스 방법, 고로의 조업 방법, 용선의 제조 방법, 조업 가이던스 장치 | |
JP2023025646A (ja) | 制御装置、方法及びプログラム | |
TW202348804A (zh) | 高爐之熔鐵溫度預測方法、高爐之熔鐵溫度預測模型之學習方法、高爐之操作方法、高爐之熔鐵溫度預測裝置、熔鐵溫度預測系統以及終端裝置 | |
JP7264321B1 (ja) | 溶銑温度の予測方法、操業ガイダンス方法、溶銑の製造方法、溶銑温度の予測装置、操業ガイダンス装置、高炉操業ガイダンスシステム、高炉操業ガイダンスサーバ及び端末装置 | |
KR101185300B1 (ko) | 연화융착대 근부위치 추정방법 | |
EP3989013B1 (en) | Method for controlling process, operation guidance method, method for operating blast furnace, method for producing hot metal, and device for controlling process | |
JP7384150B2 (ja) | 操業ガイダンス方法、高炉の操業方法、溶銑の製造方法及び操業ガイダンス装置 | |
TWI728743B (zh) | 高爐內壁結塊之監視方法 | |
JP7307341B2 (ja) | 炉内ガス圧力の変動検知方法 | |
JP2021165414A (ja) | 炉況評価装置、炉況評価方法、及び炉況評価プログラム、並びに、学習済みモデルの生成方法 | |
JP7380604B2 (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 | |
JP4336262B2 (ja) | 炉内圧力変動予知方法及び装置 | |
JP6468252B2 (ja) | 操業異常推定方法および操業異常推定装置 | |
WO2023008170A1 (ja) | 高炉のスラグレベル推定方法、操業ガイダンス方法、溶銑の製造方法、高炉のスラグレベル推定装置及び操業ガイダンス装置 | |
WO2024036713A1 (zh) | 一种计算高炉软熔带根部高度的方法、装置及存储介质 |