WO2023171501A1 - 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、溶銑温度予測システムおよび端末装置 - Google Patents
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、溶銑温度予測システムおよび端末装置 Download PDFInfo
- Publication number
- WO2023171501A1 WO2023171501A1 PCT/JP2023/007608 JP2023007608W WO2023171501A1 WO 2023171501 A1 WO2023171501 A1 WO 2023171501A1 JP 2023007608 W JP2023007608 W JP 2023007608W WO 2023171501 A1 WO2023171501 A1 WO 2023171501A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- hot metal
- metal temperature
- temperature
- data
- blast furnace
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 167
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title abstract description 26
- 229910052742 iron Inorganic materials 0.000 title abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 74
- 239000002184 metal Substances 0.000 claims description 294
- 229910052751 metal Inorganic materials 0.000 claims description 294
- 238000012545 processing Methods 0.000 claims description 134
- 230000036760 body temperature Effects 0.000 claims description 37
- 238000009826 distribution Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 13
- 238000001816 cooling Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 10
- 238000011017 operating method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 87
- 238000004364 calculation method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- 230000010365 information processing Effects 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 11
- 239000000571 coke Substances 0.000 description 7
- 238000009529 body temperature measurement Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000003638 chemical reducing agent Substances 0.000 description 3
- 238000006722 reduction reaction Methods 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- 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 2
- 229910000805 Pig iron Inorganic materials 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
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
Definitions
- the present invention relates to a blast furnace hot metal temperature prediction method, a learning method for a blast furnace hot metal temperature prediction model, a blast furnace operating method, a blast furnace hot metal temperature prediction device, a hot metal temperature prediction system, and a terminal device.
- the blast furnace process is operated so that the hot metal temperature, air permeability, and pig iron making rate are constant. Control of hot metal temperature is important to achieve highly efficient and stable blast furnace operation. When the hot metal temperature decreases significantly, the temperature of slag, which is a by-product, also decreases and the viscosity of the slag increases. In some cases, the molten pig iron and slag in the lower part of the furnace solidify, resulting in a furnace cooling accident, resulting in a long-term shutdown.
- Blast furnace operators predict the future temperature of hot metal based on operating conditions and various sensor information, and manipulate the coke ratio, blast moisture, blast temperature, and pulverized coal flow rate. Since a blast furnace is a process with a large heat capacity, there is a large time delay until the hot metal temperature changes when operating variables are changed. Therefore, it is not possible to accurately predict the influence of past operations, and there is a tendency for excessive operations. As a result, the problem has been that the hot metal temperature repeatedly exceeds and falls short of the target value, resulting in increasingly large variations in the hot metal temperature.
- Patent Document 1 proposes the following method to compensate for errors between calculated values and actual measurements of at least one of reducing agent ratio, solution loss carbon amount, iron making rate, and gas utilization rate. has been done.
- Patent Document 1 while adjusting the gas reduction equilibrium parameter or the coke ratio parameter at the furnace top in the physical model, the predicted value of the hot metal temperature is calculated using the physical model on the assumption that the current manipulated variable is maintained. calculate. Then, the hot metal temperature is controlled based on the calculated predicted value.
- Patent Document 2 operational data similar to current operational conditions is extracted from past operational data, a predicted value of hot metal temperature is calculated based on the extracted operational data, and the calculated predicted value is A method of controlling the hot metal temperature based on this method has been proposed.
- JP2018-24935A Japanese Patent Application Publication No. 2007-4728
- furnace conditions including fluctuations in hot metal temperature
- a thermometer installed in the blast furnace body and the degree of temperature variation in the circumferential direction.
- the tuyere embedded temperature measured by a thermocouple embedded in the tuyere of a blast furnace tends to change before the hot metal temperature because it is affected by radiation from the coke packed bed and hot metal in the furnace. be.
- the temperature measured by a thermocouple installed protruding into the furnace from the furnace wall directly above the stock line of the blast furnace is called the skin flow temperature.
- An increase in skin flow temperature means that the gas temperature near the furnace wall has increased, indicating that the peripheral flow of gas in the furnace has increased. That is, when the skin flow temperature increases, the air permeability deteriorates, which may cause poor reduction of iron ore and lower the hot metal temperature.
- the temperature variations in the circumferential direction in items that can be measured in the circumferential direction of the furnace body as described above are caused by variations in the raw materials in the circumferential direction, and variations in the reduction reaction and gas flow within the furnace. This may lead to a deviation in hot metal temperature between the tap holes, which may lead to deterioration of furnace conditions.
- the present invention has been made in view of the above, and it is possible to predict a sudden rise or fall in the temperature of hot metal using only the measurable temperature distribution in the circumferential direction of the furnace body.
- the present invention aims to provide a prediction method, a learning method for a blast furnace hot metal temperature prediction model, a blast furnace operating method, a blast furnace hot metal temperature prediction device, a hot metal temperature prediction system, and a terminal device.
- a blast furnace hot metal temperature prediction method is a blast furnace hot metal temperature prediction method executed by a device constructed by a computer, the computer comprising: an image conversion processing step in which an image conversion processing unit converts the temperature data of the furnace body into a two-dimensional image, and a hot metal temperature prediction processing unit included in the computer uses the image data output in the image conversion processing step as input data, A method for outputting future hot metal temperature by inputting image data output in the image conversion processing step regarding current furnace body temperature data to a hot metal temperature prediction model learned using hot metal temperature as output data. A temperature prediction processing step.
- the temperature data of the furnace body is at least one of a furnace top sonde temperature, a skin flow temperature, a cooling stave temperature, and a tuyere embedded temperature.
- the image conversion processing step two-dimensionally arranges the temperature of the furnace body in correspondence with the measurement position, and converts the temperature value into an image using different colors or shading.
- the input data consists of a plurality of image data for each predetermined time period, and is data indicating a temporal change in the furnace body temperature distribution.
- the hot metal temperature prediction processing step calculates the absolute value of the difference in the hot metal temperature after a predetermined time with respect to the average value of the hot metal temperature in the most recent predetermined time. Predict.
- a learning method for a blast furnace hot metal temperature prediction model is a learning method for a blast furnace hot metal temperature prediction model that is executed by a device constructed by a computer.
- an image conversion processing step in which an image conversion processing unit included in the computer converts the temperature data of the furnace body into a two-dimensional image; and a model learning processing unit included in the computer converts the image data output in the image conversion processing step.
- the model learning processing step uses as input data image data showing a plurality of furnace body temperature distributions in a predetermined period before a reference time.
- the hot metal temperature prediction model is trained using, as output data, a difference in hot metal temperature after a predetermined period after the reference time with respect to an average value of hot metal temperature during a predetermined period before the reference time.
- a blast furnace operating method predicts the hot metal temperature using the above-described blast furnace hot metal temperature prediction method, and performs operation based on the predicted hot metal temperature. Change conditions.
- a blast furnace hot metal temperature prediction device includes an image conversion processing section that converts temperature data of the furnace body into a two-dimensional image, and an output in the image conversion processing section. By inputting the image data outputted by the image conversion processing unit regarding the current temperature data of the furnace body to the hot metal temperature prediction model that has been learned using the image data obtained as input data and the hot metal temperature as output data. , and a hot metal temperature prediction processing unit that outputs a future hot metal temperature.
- the temperature data of the furnace body is at least one of a furnace top sonde temperature, a skin flow temperature, a cooling stave temperature, and a tuyere embedded temperature.
- the image conversion processing section two-dimensionally arranges the temperature of the furnace body in correspondence with the measurement position, and converts the temperature value into an image using different colors or shading.
- the input data is data that is composed of a plurality of image data for each predetermined time period and indicates a temporal change in the furnace body temperature distribution.
- the hot metal temperature prediction processing section calculates an absolute value of a difference in hot metal temperature after a predetermined time with respect to an average value of hot metal temperature in the most recent predetermined time. Predict.
- a hot metal temperature prediction system is a hot metal temperature prediction system comprising a hot metal temperature prediction server device and a terminal device, the hot metal temperature prediction system comprising: a hot metal temperature prediction server device;
- the device includes an image conversion processing section that converts temperature data of the furnace body into a two-dimensional image, and a learned hot metal temperature prediction model using the image data output from the image conversion processing section as input data and the hot metal temperature as output data.
- a hot metal temperature prediction processing section outputs the future hot metal temperature, and a prediction processing section is performed in the hot metal temperature prediction processing section.
- an output unit that outputs information including at least the future hot metal temperature that has been determined to the terminal device, and the terminal device obtains information including at least the future hot metal temperature from the hot metal temperature prediction server device.
- a display unit that displays the information acquired by the information acquisition unit.
- a terminal device predicts temperature data from a hot metal temperature prediction server device based on image data obtained by converting current furnace body temperature data into a two-dimensional image. , an information acquisition section that acquires information including at least future hot metal temperature, and a display section that displays the information acquired by the information acquisition section.
- the blast furnace hot metal temperature prediction model learning method By using only the temperature distribution in the circumferential direction, it is possible to accurately predict a sudden rise or fall in the temperature of hot metal.
- FIG. 1 is a diagram showing a schematic configuration of an information processing device for realizing a learning device for a blast furnace hot metal temperature prediction model and a blast furnace hot metal temperature prediction device according to an embodiment of the present invention.
- FIG. 2 is a flowchart showing the flow of image conversion processing steps in the learning method of a blast furnace hot metal temperature prediction model and the blast furnace hot metal temperature prediction method according to the embodiment of the present invention.
- FIG. 3 is a flowchart showing the flow of model learning processing steps in the learning method for the blast furnace hot metal temperature prediction model according to the embodiment of the present invention.
- FIG. 4 is a flowchart showing the flow of hot metal temperature prediction processing steps in the blast furnace hot metal temperature prediction method according to the embodiment of the present invention.
- FIG. 1 is a diagram showing a schematic configuration of an information processing device for realizing a learning device for a blast furnace hot metal temperature prediction model and a blast furnace hot metal temperature prediction device according to an embodiment of the present invention.
- FIG. 2 is a flowchart showing the flow of
- FIG. 5 is a diagram showing a schematic configuration of a hot metal temperature prediction system according to an embodiment of the present invention.
- FIG. 6 is an example of a learning method for a blast furnace hot metal temperature prediction model and a blast furnace hot metal temperature prediction method according to an embodiment of the present invention. It is a figure which shows an example of a figure.
- FIG. 7 is an example of a learning method for a blast furnace hot metal temperature prediction model and a blast furnace hot metal temperature prediction method according to an embodiment of the present invention. It is a diagram.
- FIG. 8 is a block diagram showing an example of the structure of CNN.
- FIG. 9 shows an example of the learning method of the blast furnace hot metal temperature prediction model and the blast furnace hot metal temperature prediction method according to the embodiment of the present invention, and shows the predicted value and actual value of the hot metal temperature after 8 hours in the verification data. , which is a trend arranged in time series for each step of 30 minutes.
- FIG. 10 is an example of a learning method for a blast furnace hot metal temperature prediction model and a blast furnace hot metal temperature prediction method according to an embodiment of the present invention, and shows the difference from the average value of hot metal temperature for the most recent 32 hours in verification data. It is a scatter diagram which shows the predicted value and actual value of hot metal temperature after 8 hours.
- a learning device for a blast furnace hot metal temperature prediction model (hereinafter referred to as a “model learning device”), a blast furnace hot metal temperature prediction device, and a learning method for a blast furnace hot metal temperature prediction model (hereinafter referred to as a “model learning method”) according to an embodiment of the present invention '') and a method for predicting the temperature of hot metal in a blast furnace will be explained with reference to the drawings.
- model learning device a blast furnace hot metal temperature prediction model
- model learning method a learning method for a blast furnace hot metal temperature prediction model
- FIG. 1 shows an example of the configuration of an information processing device 1 for realizing a model learning device and a hot metal temperature prediction device according to the embodiment.
- the information processing device 1 is realized by, for example, a general-purpose computer such as a workstation or a personal computer.
- the information processing device 1 includes an input section 10, a storage section 20, a calculation section 30, and an output section 40.
- the model learning device according to the embodiment can be realized by the components of the information processing device 1 excluding the hot metal temperature prediction processing section 33 of the calculation section 30.
- the hot metal temperature prediction device according to the embodiment can be realized by the components of the information processing device 1 excluding the model learning processing section 32 of the calculation section 30.
- the input unit 10 is an input means for the calculation unit 30, and is realized by, for example, an input device such as a keyboard, a mouse pointer, or a numeric keypad.
- the storage unit 20 is composed of recording media such as an EPROM (Erasable Programmable ROM), a hard disk drive (HDD), and a removable medium. Examples of removable media include disc recording media such as a USB (Universal Serial Bus) memory, a CD (Compact Disc), a DVD (Digital Versatile Disc), and a BD (Blu-ray (registered trademark) Disc).
- the storage unit 20 can store an operating system (OS), various programs, various tables, various databases, and the like.
- the storage unit 20 stores a temperature DB (database) 21 and an image DB 22.
- the temperature DB 21 stores temperature data of the furnace body of the blast furnace (hereinafter referred to as "furnace temperature data").
- the furnace body temperature data includes, for example, the furnace top sonde temperature, skin flow temperature, cooling stave temperature, and blade temperature. Examples include history data of at least one type of mouth embedding temperature, history data of hot metal temperature, etc. Also, this temperature DB 21 is connected to the calculation unit 30 in a data readable form.
- the image DB 22 stores image data (for example, a contour diagram) that has been subjected to image conversion processing from furnace body temperature data in the image conversion processing section 31 of the calculation section 30. Further, this image DB 22 is connected to the calculation unit 30 in a data readable form.
- image data for example, a contour diagram
- the calculation unit 30 is realized by a processor such as a CPU (Central Processing Unit), and a memory (main memory) such as a RAM (Random Access Memory) or a ROM (Read Only Memory).
- a processor such as a CPU (Central Processing Unit)
- a memory main memory
- RAM Random Access Memory
- ROM Read Only Memory
- the calculation unit 30 loads a program into the work area of the main storage unit and executes it, and controls each component through the execution of the program, thereby achieving functions that meet a predetermined purpose.
- the calculation unit 30 functions as an image conversion processing unit 31, a model learning processing unit 32, and a hot metal temperature prediction processing unit 33 through execution of the above-described program.
- FIG. 1 shows an example in which the functions of each part are realized by one computer (calculating part), the specific method of realizing the functions of each part is not particularly limited. It may be realized by multiple computers.
- the image conversion processing unit 31 executes an image conversion processing step of converting the furnace body temperature data into a two-dimensional image.
- the image conversion processing unit 31 generates a contour diagram (see FIG. 6) by, for example, arranging the temperature of the furnace body two-dimensionally in correspondence with the measurement position and converting the temperature value into an image using different colors or shadings. . Then, the image conversion processing unit 31 stores the generated image data (for example, a contour diagram) in the image DB 22.
- the "furnace body temperature data” is measured by a thermometer installed in the circumferential direction of the furnace body of the blast furnace. This furnace body temperature data is measured in advance and stored in the temperature DB 21. Further, the furnace body temperature data includes, for example, at least one of the furnace top sonde temperature, skin flow temperature, cooling stave temperature, and tuyere embedded temperature. In this way, in this embodiment, among the temperatures that can be measured from the furnace body, those that have a high correlation with the hot metal temperature, such as the furnace top sonde temperature, skin flow temperature, cooling stave temperature, and tuyere embedded temperature, are used. The prediction model is trained.
- the model learning processing unit 32 performs learning of a prediction model that predicts the future hot metal temperature with respect to the current temperature distribution of the furnace body. Specifically, the model learning processing section 32 executes a model learning processing step of learning a hot metal temperature prediction model using the image data outputted by the image conversion processing section 31 as input data and the hot metal temperature as output data. . The model learning processing unit 32 performs learning of a hot metal temperature prediction model using a machine learning method such as a convolutional neural network (CNN).
- CNN convolutional neural network
- image data stored in the image DB 22 in advance can be used as input data when learning the hot metal temperature prediction model.
- This image data is composed of, for example, a plurality of image data (for example, a contour diagram) for each predetermined time period, and is composed of data indicating a temporal change in the furnace body temperature distribution.
- the hot metal temperature prediction processing unit 33 predicts the future hot metal temperature with respect to the current temperature distribution of the furnace body. Specifically, the hot metal temperature prediction processing unit 33 inputs the image data output by the image conversion processing unit 31 regarding the current furnace body temperature data to the hot metal temperature prediction model learned by the model learning processing unit 32. By doing so, a hot metal temperature prediction processing step is executed to output the future hot metal temperature.
- the hot metal temperature prediction processing unit 33 predicts, for example, the absolute value of the difference in the hot metal temperature after a predetermined time with respect to the average value of the hot metal temperature in the most recent predetermined time.
- the hot metal temperature prediction processing unit 33 predicts how much the hot metal temperature will change after a predetermined time by inputting image data indicating the current furnace body temperature to the hot metal temperature prediction model. Note that the hot metal temperature prediction processing unit 33 may directly predict the hot metal temperature after a predetermined time by inputting image data indicating the current furnace body temperature to the hot metal temperature prediction model.
- image data stored in the image DB 22 in advance can be used as input data when predicting the future hot metal temperature.
- This image data is composed of, for example, a plurality of image data (for example, a contour diagram) for each predetermined time period, and is composed of data indicating a temporal change in the furnace body temperature distribution.
- the output unit 40 is a means for outputting data processed by the calculation unit 30, and is realized by, for example, a display device such as an LCD display or a CRT display, or a printing device such as a printer.
- Model learning method A model learning method according to the embodiment will be described with reference to FIGS. 2 and 3.
- the model learning method is executed by an information processing device 1 constructed by a computer. Further, the model learning method includes an image conversion processing step by the image conversion processing section 31 and a model learning processing step by the model learning processing section 32. Note that it is not essential to perform the image conversion processing step before the model learning processing step; for example, if the image conversion processing step has been performed in advance, only the model learning processing step may be performed as the model learning method.
- FIG. 2 is a flowchart showing a specific flow of image conversion processing steps. The flowchart in the figure starts at the timing when an instruction to execute image conversion processing is input to the model learning device (information processing device 1), and the image conversion processing proceeds to step S1.
- step S1 the image conversion processing unit 31 acquires furnace body temperature data from the temperature DB 21. Thereby, the process of step S1 is completed, and the image conversion process proceeds to the process of step S2.
- step S2 the image conversion processing unit 31 determines whether the furnace body temperature data acquired in the process of step S1 contains an abnormal value due to poor temperature measurement or the like. In the process of step S2, if an abnormal value is observed in any sensor (Yes in step S2), the observed value of the sensor is excluded (step S7), and the image conversion process proceeds to the process of step S3. Further, if no abnormal value is observed in any sensor (No in step S2), the image conversion process directly proceeds to the process in step S3.
- the image conversion processing unit 31 performs an interpolation process in the circumferential direction of the furnace body on the furnace body temperature data from which abnormal values have been removed as necessary in the process of step S2.
- the east is set as 0°, and estimated values are extracted every 45° in a counterclockwise direction.
- Interpolation processing is necessary to align the number of points in the circumferential direction, which is the horizontal axis of the two-dimensional image data, when the number of temperature measurement points in the circumferential direction differs for each sensor.
- interpolation processing is performed for each temperature measurement point that is the same distance from the center of the furnace body.
- interpolation processing is performed for each temperature measurement point that is the same distance from the furnace top.
- step S4 the image conversion processing unit 31 performs standardization to align the range of the estimated value of the furnace body temperature that has been interpolated in the process of step S3. This standardization is performed, for example, by determining the average value and standard deviation of the last 32 hours for each estimated value of the furnace body temperature. Thereby, the process of step S4 is completed, and the image conversion process proceeds to the process of step S5.
- the image conversion processing unit 31 uses the data standardized in the process of step S4 to create a contour diagram in which, for example, the vertical axis is the furnace body height direction and the horizontal axis is the circumferential direction (direction). (For example, see FIG. 6).
- the temperature of the blast furnace body is interpolated and imaged not only in the circumferential direction of the furnace body but also in the height direction of the furnace body. Therefore, by creating and using such a contour diagram, the entire furnace body temperature can be handled uniformly as an image, which has the effect of making it easier to understand changes in the furnace body temperature.
- the process of step S5 is completed, and the image conversion process proceeds to the process of step S6.
- step S6 the image conversion processing unit 31 stores the image data (contour diagram) created in the process of step S5 in the image DB 22. Thereby, the process of step S6 is completed, and the series of image conversion processes is ended.
- FIG. 3 is a flowchart showing a specific flow of model learning processing steps. The flowchart in the figure starts at the timing when a model learning processing execution command is input to the model learning device (information processing device 1), and the model learning processing proceeds to step S11.
- step S11 the model learning processing unit 32 acquires image data from the image DB 22. Thereby, the process of step S11 is completed, and the model learning process proceeds to the process of step S12.
- step S12 the model learning processing unit 32 acquires the history data of the hot metal temperature from the temperature DB 21. Thereby, the process of step S12 is completed, and the model learning process proceeds to the process of step S13.
- the model learning processing unit 32 calculates the difference ⁇ T of the hot metal temperature at time t+ ⁇ with respect to the average value of the hot metal temperature from time t- ⁇ to time t, with respect to the hot metal temperature history data acquired in step S12. Calculate. Note that the values of ⁇ and ⁇ are determined in advance based on, for example, the time constant of the furnace body.
- ⁇ it is preferable that operating parameters such as air flow rate, coke ratio, air humidity, etc. are similar over a period of time.
- a deviation in hot metal temperature may occur between a plurality of tap holes due to the influence of circumferential variations in gas flow and temperature distribution within the furnace. Therefore, it is necessary to find the average value of the hot metal temperature over a long period of time. Therefore, ⁇ is preferably about 1 to 3 days.
- ⁇ it is necessary that the value be such that operational actions can be taken to respond to sudden changes in hot metal temperature.
- the operation of blowing moisture has a high immediate effect on the hot metal temperature, but the residence time of the hot metal at the bottom of the furnace is about 2 hours. Therefore, ⁇ needs to be a value larger than 2.
- the model learning processing unit 32 calculates the difference ⁇ T of the hot metal temperature at time t+ ⁇ with respect to the average value of the hot metal temperature from time t- ⁇ to time t, with respect to the hot metal temperature history data acquired in step S12. Calculate. Note that the values of ⁇ and ⁇ are determined in advance based on, for example, the time constant of the furnace body. Thereby, the process of step S13 is completed, and the model learning process proceeds to the process of step S14.
- the model learning processing unit 32 In the process of step S14, the model learning processing unit 32 generates learning data that associates the image data acquired in step S11 from time t- ⁇ to time t with ⁇ T calculated in step 13.
- the model learning processing unit 32 performs machine learning on the hot metal temperature prediction model using the learning data generated in the process of step S14.
- This hot metal temperature prediction model uses image data that visualizes the temporal change in the furnace body temperature distribution from time t- ⁇ to time t as input data, and calculates the change of time t+ ⁇ with respect to the average value of hot metal temperature from time t- ⁇ to time t. Using the difference ⁇ T in hot metal temperature as output data, the future hot metal temperature is predicted from the temporal change in the furnace body temperature distribution.
- the hot metal temperature prediction model generated by machine learning is preferably a convolutional neural network (CNN).
- CNN convolution calculation is preferably performed in the vertical and horizontal directions of the image data, that is, in the height direction and circumferential direction of the furnace body (see FIG. 7). Thereby, the process of step S15 is completed, and the model learning process proceeds to the process of step S16.
- step S16 the model learning processing unit 32 outputs the hot metal temperature prediction model generated in the process of step S15. As a result, the process in step S16 is completed, and the series of model learning processes ends.
- the image conversion processing unit 31 converts the newly added furnace body temperature data into an image and additionally stores it in the image DB 22, for example.
- the model learning processing unit 32 preferably updates the model by additionally learning the hot metal temperature prediction model using the newly added image data as additional learning data.
- the hot metal temperature prediction method is executed by an information processing device 1 constructed by a computer.
- the hot metal temperature prediction method includes a hot metal temperature prediction processing step performed by the hot metal temperature prediction processing section 33.
- the image conversion processing step (see FIG. 2) by the image conversion processing section 31 may be performed before the hot metal temperature prediction processing step, as necessary.
- FIG. 4 is a flowchart showing a specific flow of the hot metal temperature prediction processing steps. The flowchart in the figure starts at the timing when a command to execute the hot metal temperature prediction process is input to the hot metal temperature prediction device (information processing device 1), and the hot metal temperature prediction process proceeds to step S21.
- step S21 the hot metal temperature prediction processing unit 33 acquires image data from time t0- ⁇ to time t0 from the image DB 22, where the current time is t0. Thereby, the process of step S21 is completed, and the hot metal temperature prediction process proceeds to the process of step S22.
- step S22 the hot metal temperature prediction processing unit 33 acquires history data of the hot metal temperature from time t0- ⁇ to time t0 from the temperature DB 21. Thereby, the process of step S22 is completed, and the hot metal temperature prediction process proceeds to the process of step S23.
- step S23 the hot metal temperature prediction processing unit 33 calculates the average value Tave of the hot metal temperature from time t0- ⁇ to time t0. Thereby, the process of step S23 is completed, and the hot metal temperature prediction process proceeds to the process of step S24.
- the hot metal temperature prediction processing unit 33 uses the hot metal temperature prediction model output by the model learning processing unit 32 to image the temporal change in the furnace body temperature distribution from time t0- ⁇ to time t0. Using image data as input data, the difference ⁇ T0pre in hot metal temperature at time t0+ ⁇ with respect to the average value Tave of hot metal temperature from time t0 ⁇ to time t0 is output. Thereby, the process of step S24 is completed, and the hot metal temperature prediction process proceeds to the process of step S25.
- step S25 the hot metal temperature prediction processing unit 33 outputs the predicted value of the hot metal temperature at time t0+ ⁇ as Tave+ ⁇ T0pre. Thereby, the process of step S25 is completed, and a series of hot metal temperature prediction processes are ended.
- the blast furnace operating method is executed by, for example, an apparatus constructed by a computer.
- the blast furnace operating method includes a hot metal temperature prediction process step of predicting the hot metal temperature using the hot metal temperature prediction method described above, and an operation condition changing step of changing the operating conditions based on the hot metal temperature predicted in the hot metal temperature prediction process step. and do. For example, if the predicted value of the hot metal temperature at t0+ ⁇ is significantly lower than the target value of the hot metal temperature, it is preferable to lower the blast moisture to the lower limit value or to significantly increase the coke ratio at the top of the furnace.
- the hot metal temperature prediction system 2 includes a hot metal temperature prediction server device 3 and a terminal device 4, as shown in FIG.
- the hot metal temperature prediction server device 3 and the terminal device 4 are configured to be able to communicate through a network N such as the Internet network, for example. Further, in the hot metal temperature prediction system 2, the terminal device 4 is placed, for example, in a steelworks.
- the hot metal temperature prediction server device 3 is realized by, for example, a server placed on the cloud.
- the hot metal temperature prediction server device 3 is a network compatible server device of the hot metal temperature prediction device realized by the information processing device 1 shown in FIG. 1, and has the same configuration as the hot metal temperature prediction device. That is, the hot metal temperature prediction server device 3 includes at least, among the components of the information processing device 1, a calculation section that functions as an image conversion processing section and a hot metal temperature prediction processing section, and an output section.
- the image conversion processing unit of the hot metal temperature prediction server device 3 converts the temperature data of the furnace body into a two-dimensional image.
- the hot metal temperature prediction processing section of the hot metal temperature prediction server device 3 inputs the image data output by the image conversion processing section regarding the current temperature data of the furnace body to the hot metal temperature prediction model. Outputs hot metal temperature.
- the output unit of the hot metal temperature prediction server device 3 outputs information including at least the future hot metal temperature predicted by the hot metal temperature prediction processing unit to the terminal device 4 via the network N.
- the above hot metal temperature prediction model is a model learned by using the image data output by the image conversion processing section as input data and using the hot metal temperature as output data.
- the terminal device 4 acquires various information from the hot metal temperature prediction server device 3 through the network N and displays it.
- This terminal device 4 is realized by, for example, a general-purpose computer such as a personal computer, or a mobile information processing device such as a tablet computer.
- the terminal device 4 includes a calculation section that functions as an information acquisition section and a display section.
- an external display such as a liquid crystal display (LCD), an organic EL display (OLED), a touch panel display, etc. is connected to the terminal device 4.
- LCD liquid crystal display
- OLED organic EL display
- touch panel display etc.
- the information acquisition unit of the terminal device 4 acquires information including at least the future hot metal temperature predicted by the hot metal temperature prediction server device 3 from the hot metal temperature prediction server device 3. This future hot metal temperature is predicted based on image data obtained by converting current furnace body temperature data into a two-dimensional image.
- information acquired from the hot metal temperature prediction server device 3 includes, for example, furnace body temperature data stored in the temperature DB 21, and image data (for example, contour data) generated by the image conversion processing unit 31. Figure), etc.
- the display unit of the terminal device 4 causes the above-mentioned external display to display this information acquired by the information acquisition unit.
- blast furnace hot metal temperature prediction model learning method By using only measurable temperature distribution in the circumferential direction of the furnace body, such as temperature, skin flow temperature, cooling stave temperature, and tuyere embedded temperature, it is possible to accurately predict sudden rises and drops in hot metal temperature. .
- ⁇ was set to 32 hours
- ⁇ was set to 8 hours
- ⁇ was set to 10 hours.
- the furnace body temperature data obtained at 30 minute intervals was used. That is, by using 20 image data of the furnace body temperature distribution as input data, features were extracted using CNN from the temperature changes over the last 10 hours.
- image data of the furnace body temperature distribution was created using historical data of the furnace top sonde temperature, skin flow temperature, cooling stave temperature, and tuyere embedded temperature. Since the furnace top sonde temperature has more noise as it gets closer to the center, only the measurement point with the maximum distance from the furnace body center was used. Furthermore, the cooling stave temperature was measured using 10 measuring points in the height direction of the furnace body.
- furnace top sonde temperature 13 The contour diagram after interpolation and standardization is shown in descending order of distance from the furnace top: furnace top sonde temperature 13, skin flow temperature 12, cooling stave temperature 2 to 11, and tuyere embedded temperature 1. Shown in Figure 6.
- the vertical axis in the figure is the height direction of the furnace body. Further, the horizontal axis in the figure indicates the circumferential direction of the furnace body, that is, the direction, and the left end and right end are east.
- 20,500 data sets (approximately 600 days worth) were created in which the created image data was associated with data of the difference ⁇ T in hot metal temperature after 8 hours with respect to the average value of hot metal temperature in the most recent 32 hours.
- machine learning of the hot metal temperature prediction model using CNN was performed on the first 20,000 points, and the accuracy of the hot metal temperature prediction model was verified on the remaining 500 points.
- FIG. 7 shows the structure of the CNN used in machine learning.
- the blocks in the figure are Convolution layer, Pooling layer, Dropout layer, Convolution layer, Pooling layer, Flatten layer, and Affine layer. , indicates a fully connected layer (Affine).
- the numbers in parentheses in the figure indicate the size of the data array. For example, "(13,9,20)" indicates a three-dimensional array of "vertical 13 x horizontal 9 x number of channels 20".
- the structure of the CNN shown in the figure is an example, and a structure other than the structure shown in the figure may be used.
- FIG. 9 is a trend in which predicted values and actual values of hot metal temperature after 8 hours in verification data are arranged in time series for each step of 30 minutes.
- the plot of "x" indicates the predicted value of the hot metal temperature
- the plot of "0" indicates the actual value of the hot metal temperature.
- FIG. 10 is a scatter diagram of the predicted value and actual value of the hot metal temperature after 8 hours with respect to the difference from the hot metal temperature average value for the most recent 32 hours. As shown in FIG. 9, the trends of the predicted value and the actual value of the hot metal temperature are consistent. Furthermore, the cases in which the difference between the predicted value and the actual value was within ⁇ 20°C were 96.4%, and the root mean square error was 10.2°C, confirming good prediction accuracy.
- the blast furnace hot metal temperature prediction method the learning method of the blast furnace hot metal temperature prediction model, the blast furnace operating method, the blast furnace hot metal temperature prediction device, the hot metal temperature prediction system, and the terminal device according to the present invention
- the embodiments and examples have been specifically explained, the gist of the present invention is not limited to these descriptions, and should be broadly interpreted based on the claims.
- various changes and modifications based on these descriptions are also included within the spirit of the present invention.
- Information processing device 10 Input section 20 Storage section 21 Temperature DB 22 Image DB 30 calculation section 31 image conversion processing section 32 model learning processing section 33 hot metal temperature prediction processing section 40 output section 2 hot metal temperature prediction system 3 hot metal temperature prediction server device 4 terminal device N network
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Image Analysis (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
- Manufacture Of Iron (AREA)
Abstract
高炉の溶銑温度予測方法は、コンピュータによって構築された装置によって実行される高炉の溶銑温度予測方法であって、コンピュータが備える画像変換処理部が、炉体の温度データを二次元画像化する画像変換処理ステップと、コンピュータが備える溶銑温度予測処理部が、画像変換処理ステップにおいて出力された画像データを入力データとし、溶銑温度を出力データとして学習された溶銑温度予測モデルに対して、現在の炉体の温度データについて画像変換処理ステップにおいて出力される画像データを入力することにより、将来の溶銑温度を出力する溶銑温度予測処理ステップと、を含む。
Description
本発明は、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、溶銑温度予測システムおよび端末装置に関する。
高炉プロセスでは、溶銑温度、通気度、造銑速度が一定になるように操業が行われている。高効率かつ安定的な高炉操業を実現するために、溶銑温度の制御は重要である。溶銑温度が著しく低下すると、副生成物であるスラグの温度も低下してスラグの粘度が上昇する。場合によっては、炉下部の溶銑やスラグが固まる炉冷事故となり、長期間の操業停止に至る。
反対に、溶銑温度が高い場合は、燃料である微粉炭やコークスが過剰に消費されることを意味しており、還元材比の上昇につながる。近年の高炉操業では、ＣＯ２削減および溶銑コスト削減のために、低還元材比および低コークス比を目指しており、溶銑温度ばらつき低減のニーズは大きい。
高炉のオペレータは、操業条件および様々なセンサ情報に基づいて溶銑温度の将来予測を行い、コークス比や送風湿分、送風温度、微粉炭流量を操作する。高炉は、熱容量の大きいプロセスであるため、操作変数を変更した場合に溶銑温度が変化するまでの時間遅れが大きい。そのため、過去の操作の影響を的確に予測することができず、操作が過剰となる傾向がある。結果として、溶銑温度の目標値に対する過大と過少とを周期的に繰り返し、溶銑温度ばらつきがますます大きくなることが課題であった。
このような背景から、物理モデルに基づいた溶銑温度制御方法（特許文献１参照）や、統計モデルに基づいた溶銑温度制御方法（特許文献２参照）が提案されている。例えば、特許文献１では、還元材比、ソルーションロスカーボン量、造銑速度およびガス利用率のうちの少なくとも一つの計算値と実測値との誤差を補償するために、以下のような方法が提案されている。
すなわち、特許文献１では、物理モデル中のガス還元平衡パラメータまたは炉頂におけるコークス比のパラメータを調整しつつ、現在の操作量が保持されたと仮定して物理モデルを用いて溶銑温度の予測値を算出する。そして、算出された予測値に基づいて溶銑温度を制御する。
また、特許文献２では、過去の操業データの中から現在の操業条件に類似する操業データを抽出し、抽出された操業データに基づいて溶銑温度の予測値を算出し、算出された予測値に基づいて溶銑温度を制御する方法が提案されている。
しかしながら、特許文献１で提案された方法では、荷下り（原料降下速度）の変動や原料である鉱石中の鉄分の変動等の測定が難しく物理モデルに反映することも困難な外乱が発生した場合、溶銑温度の予測精度が低下する。そのため、結果として、溶銑温度の制御精度が低下する可能性がある。
また、特許文献２に記載の方法では、現在の操業条件が過去に実績のない操業条件である場合、溶銑温度の予測精度が低下し、結果として、溶銑温度の制御精度が低下する可能性がある。
一方で、オペレータは、高炉の炉体に設置された温度計から測定される温度の高低や、円周方向における温度のばらつき度合いによって、溶銑温度の変動を含む炉況の良し悪しを判断している。例えば、高炉の羽口に埋設された熱電対において測定された羽口埋込温度は、炉内のコークス充填層や溶銑からの輻射の影響を受けるため、溶銑温度に先行して変化する傾向がある。
また、高炉のストックライン直上の炉壁から炉内に突き出して設置された熱電対において測定された温度をスキンフロー温度と呼ぶ。スキンフロー温度の上昇は、炉壁近傍のガス温度が上昇したことを意味し、炉内のガスの周辺流が増加したことを示す。すなわち、スキンフロー温度が上昇すると、通気性が悪化し、鉄鉱石の還元不良を生じて溶銑温度が低下する可能性がある。また、上記のような炉体の円周方向で測温できる項目における円周方向における温度ばらつきは、円周方向の原料のばらつきや炉内の還元反応やガス流れのばらつきに起因する。そのため、出銑口間の溶銑温度の偏差につながり、炉況悪化に至る可能性もある。
本発明は、上記に鑑みてなされたものであって、測定可能な炉体の円周方向における温度分布のみを用いて、溶銑温度の急上昇や急低下を予測することができる、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、溶銑温度予測システムおよび端末装置を提供することを目的とする。
上述した課題を解決し、目的を達成するために、本発明に係る高炉の溶銑温度予測方法は、コンピュータによって構築された装置によって実行される高炉の溶銑温度予測方法であって、前記コンピュータが備える画像変換処理部が、炉体の温度データを二次元画像化する画像変換処理ステップと、前記コンピュータが備える溶銑温度予測処理部が、前記画像変換処理ステップにおいて出力された画像データを入力データとし、溶銑温度を出力データとして学習された溶銑温度予測モデルに対して、現在の炉体の温度データについて前記画像変換処理ステップにおいて出力される画像データを入力することにより、将来の溶銑温度を出力する溶銑温度予測処理ステップと、を含む。
また、本発明に係る高炉の溶銑温度予測方法は、上記発明において、前記炉体の温度データが、炉頂ゾンデ温度、スキンフロー温度、クーリングステーブ温度、羽口埋込温度のうちの少なくとも一つ以上を含み、前記画像変換処理ステップが、前記炉体の温度を測定位置に対応させて二次元配置し、温度の値を、異なる色または濃淡によって画像化する。
また、本発明に係る高炉の溶銑温度予測方法は、上記発明において、前記入力データが、所定時間周期ごとの複数の画像データからなり、炉体温度分布の時間変化を示すデータである。
また、本発明に係る高炉の溶銑温度予測方法は、上記発明において、前記溶銑温度予測処理ステップが、直近の所定時間の溶銑温度の平均値に対する、所定時間後の溶銑温度の差分の絶対値を予測する。
上述した課題を解決し、目的を達成するために、本発明に係る高炉の溶銑温度予測モデルの学習方法は、コンピュータによって構築された装置によって実行される高炉の溶銑温度予測モデルの学習方法であって、前記コンピュータが備える画像変換処理部が、炉体の温度データを二次元画像化する画像変換処理ステップと、記コンピュータが備えるモデル学習処理部が、前記画像変換処理ステップにおいて出力された画像データを入力データとし、溶銑温度を出力データとして、溶銑温度予測モデルの学習を行うモデル学習処理ステップと、を含む。
また、本発明に係る高炉の溶銑温度予測モデルの学習方法は、上記発明において、前記モデル学習処理ステップが、基準時刻の前の所定期間における複数の炉体温度分布を示す画像データを入力データとし、前記基準時刻の前の所定期間における溶銑温度の平均値に対する、前記基準時刻の後の所定期間後の溶銑温度の差分を出力データとして、前記溶銑温度予測モデルの学習を行う。
上述した課題を解決し、目的を達成するために、本発明に係る高炉の操業方法は、上記の高炉の溶銑温度予測方法を用いて溶銑温度を予測し、予測された溶銑温度に基づいて操業条件を変更する。
上述した課題を解決し、目的を達成するために、本発明に係る高炉の溶銑温度予測装置は、炉体の温度データを二次元画像化する画像変換処理部と、前記画像変換処理部において出力された画像データを入力データとし、溶銑温度を出力データとして学習された溶銑温度予測モデルに対して、現在の炉体の温度データについて前記画像変換処理部において出力される画像データを入力することにより、将来の溶銑温度を出力する溶銑温度予測処理部と、を備える。
また、本発明に係る高炉の溶銑温度予測装置は、上記発明において、前記炉体の温度データが、炉頂ゾンデ温度、スキンフロー温度、クーリングステーブ温度、羽口埋込温度のうちの少なくとも一つ以上を含み、前記画像変換処理部が、前記炉体の温度を測定位置に対応させて二次元配置し、温度の値を、異なる色または濃淡によって画像化する。
また、本発明に係る高炉の溶銑温度予測装置は、上記発明において、前記入力データが、所定時間周期ごとの複数の画像データからなり、炉体温度分布の時間変化を示すデータである。
また、本発明に係る高炉の溶銑温度予測装置は、上記発明において、前記溶銑温度予測処理部が、直近の所定時間の溶銑温度の平均値に対する、所定時間後の溶銑温度の差分の絶対値を予測する。
上述した課題を解決し、目的を達成するために、本発明に係る溶銑温度予測システムは、溶銑温度予測サーバ装置と、端末装置と、を備える溶銑温度予測システムであって、前記溶銑温度予測サーバ装置が、炉体の温度データを二次元画像化する画像変換処理部と、前記画像変換処理部において出力された画像データを入力データとし、溶銑温度を出力データとして学習された溶銑温度予測モデルに対して、現在の炉体の温度データについて前記画像変換処理部において出力される画像データを入力することにより、将来の溶銑温度を出力する溶銑温度予測処理部と、前記溶銑温度予測処理部において予測された将来の溶銑温度を少なくとも含む情報を、前記端末装置に出力する出力部と、を備え、前記端末装置が、前記溶銑温度予測サーバ装置から将来の溶銑温度を少なくとも含む情報を取得する情報取得部と、前記情報取得部が取得した情報を表示する表示部と、を備える。
上述した課題を解決し、目的を達成するために、本発明に係る端末装置は、溶銑温度予測サーバ装置から、現在の炉体の温度データを二次元画像化した画像データに基づいて予測された、将来の溶銑温度を少なくとも含む情報を取得する情報取得部と、前記情報取得部が取得した情報を表示する表示部と、を備える。
本発明に係る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、溶銑温度予測システムおよび端末装置によれば、測定可能な炉体の円周方向における温度分布のみを用いて、溶銑温度の急上昇や急低下を精度よく予測することができる。
本発明の実施形態に係る高炉の溶銑温度予測モデルの学習装置（以下、「モデル学習装置」という）、高炉の溶銑温度予測装置、高炉の溶銑温度予測モデルの学習方法（以下、「モデル学習方法」という）および高炉の溶銑温度予測方法について、図面を参照しながら説明する。なお、下記実施形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。
〔装置構成〕
実施形態に係るモデル学習装置および溶銑温度予測装置の装置構成について、図１を参照しながら説明する。同図は、実施形態に係るモデル学習装置および溶銑温度予測装置を実現するための情報処理装置１の構成の一例を示している。情報処理装置１は、例えばワークステーションやパソコン等の汎用コンピュータによって実現される。
実施形態に係るモデル学習装置および溶銑温度予測装置の装置構成について、図１を参照しながら説明する。同図は、実施形態に係るモデル学習装置および溶銑温度予測装置を実現するための情報処理装置１の構成の一例を示している。情報処理装置１は、例えばワークステーションやパソコン等の汎用コンピュータによって実現される。
情報処理装置１は、入力部１０と、記憶部２０と、演算部３０と、出力部４０と、を備えている。実施形態に係るモデル学習装置は、情報処理装置１の構成要素のうち、演算部３０の溶銑温度予測処理部３３を除いた構成要素によって実現可能である。また、実施形態に係る溶銑温度予測装置は、情報処理装置１の構成要素のうち、演算部３０のモデル学習処理部３２を除いた構成要素によって実現可能である。
入力部１０は、演算部３０に対する入力手段であり、例えばキーボード、マウスポインタ、テンキー等の入力装置によって実現される。
記憶部２０は、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）およびリムーバブルメディア等の記録媒体から構成される。リムーバブルメディアとしては、例えばＵＳＢ（Universal Serial Bus）メモリ、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体が挙げられる。記憶部２０には、オペレーティングシステム（Operating System：ＯＳ）、各種プログラム、各種テーブル、各種データベース等が格納可能である。記憶部２０には、温度ＤＢ（データベース）２１および画像ＤＢ２２が格納されている。
温度ＤＢ２１には、高炉の炉体の温度データ（以下、「炉体温度データ」というが格納されている。炉体温度データとしては、例えば炉頂ゾンデ温度、スキンフロー温度、クーリングステーブ温度、羽口埋込温度のうちの少なくとも一種類以上の履歴データ、溶銑温度の履歴データ等が挙げられる。また、この温度ＤＢ２１は、データ読み取り可能な形態で演算部３０に接続されている。
画像ＤＢ２２には、演算部３０の画像変換処理部３１において、炉体温度データから画像変換処理された画像データ（例えばコンター図）が格納されている。また、この画像ＤＢ２２は、データ読み取り可能な形態で演算部３０に接続されている。
演算部３０は、例えばＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。
演算部３０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。演算部３０は、前記したプログラムの実行を通じて、画像変換処理部３１、モデル学習処理部３２および溶銑温度予測処理部３３として機能する。なお、図１では、各部の機能を一台のコンピュータ（演算部）によって実現する場合の例を示しているが、各部の機能の具体的な実現方法は特に限定されず、例えば各部の機能を複数台のコンピュータによって実現してもよい。
画像変換処理部３１は、炉体温度データを二次元画像化する画像変換処理ステップを実施する。画像変換処理部３１は、例えば炉体の温度を測定位置に対応させて二次元配置し、温度の値を、異なる色または濃淡によって画像化することにより、コンター図（図６参照）を生成する。そして、画像変換処理部３１は、生成した画像データ（例えばコンター図）を、画像ＤＢ２２に格納する。
なお、「炉体温度データ」は、高炉の炉体の円周方向に設置された温度計によって測定されたものである。この炉体温度データは、予め測定され、温度ＤＢ２１に格納されている。また、炉体温度データには、例えば炉頂ゾンデ温度、スキンフロー温度、クーリングステーブ温度、羽口埋込温度のうちの少なくとも一つ以上が含まれる。このように、本実施形態では、炉体から測定可能な温度のうち、炉頂ゾンデ温度、スキンフロー温度、クーリングステーブ温度、羽口埋込温度等の、溶銑温度との相関が高いものを用いて予測モデルの学習を行う。
モデル学習処理部３２は、現在の炉体の温度分布に対する将来の溶銑温度を予測する予測モデルの学習を行う。モデル学習処理部３２は、具体的には、画像変換処理部３１において出力された画像データを入力データとし、溶銑温度を出力データとして、溶銑温度予測モデルの学習を行うモデル学習処理ステップを実施する。モデル学習処理部３２では、例えば畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）等の機械学習手法により溶銑温度予測モデルの学習を行う。
ここで、溶銑温度予測モデルの学習を行う際の入力データとしては、予め画像ＤＢ２２に格納された画像データを用いることができる。この画像データは、例えば所定時間周期ごとの複数の画像データ（例えばコンター図）からなり、炉体温度分布の時間変化を示すデータで構成される。
溶銑温度予測処理部３３は、現在の炉体の温度分布に対する将来の溶銑温度を予測する。溶銑温度予測処理部３３は、具体的には、モデル学習処理部３２で学習された溶銑温度予測モデルに対して、現在の炉体温度データについて画像変換処理部３１で出力される画像データを入力することにより、将来の溶銑温度を出力する溶銑温度予測処理ステップを実施する。溶銑温度予測処理部３３は、例えば直近の所定時間の溶銑温度の平均値に対する、所定時間後の溶銑温度の差分の絶対値を予測する。
すなわち、溶銑温度予測処理部３３は、溶銑温度予測モデルに対して、現在の炉体の温度を示す画像データを入力することにより、溶銑温度が所定時間後にどの程度変化するのかを予測する。なお、溶銑温度予測処理部３３は、溶銑温度予測モデルに対して、現在の炉体の温度を示す画像データを入力することにより、所定時間後の溶銑温度を直接予測してもよい。
ここで、将来の溶銑温度の予測を行う際の入力データとしては、予め画像ＤＢ２２に格納された画像データを用いることができる。この画像データは、例えば所定時間周期ごとの複数の画像データ（例えばコンター図）からなり、炉体温度分布の時間変化を示すデータで構成される。
出力部４０は、演算部３０によって処理されたデータの出力手段であり、例えばＬＣＤディスプレイ、ＣＲＴディスプレイ等の表示装置、プリンタ等の印刷機器等によって実現される。
〔モデル学習方法〕
実施形態に係るモデル学習方法について、図２および図３を参照しながら説明する。モデル学習方法は、コンピュータによって構築された情報処理装置１によって実行される。また、モデル学習方法は、画像変換処理部３１による画像変換処理ステップと、モデル学習処理部３２によるモデル学習処理ステップと、を行う。なお、モデル学習処理ステップの前に画像変換処理ステップを行うことは必須ではなく、例えば画像変換処理ステップを予め行っている場合は、モデル学習方法としてモデル学習処理ステップのみを実施してもよい。
実施形態に係るモデル学習方法について、図２および図３を参照しながら説明する。モデル学習方法は、コンピュータによって構築された情報処理装置１によって実行される。また、モデル学習方法は、画像変換処理部３１による画像変換処理ステップと、モデル学習処理部３２によるモデル学習処理ステップと、を行う。なお、モデル学習処理ステップの前に画像変換処理ステップを行うことは必須ではなく、例えば画像変換処理ステップを予め行っている場合は、モデル学習方法としてモデル学習処理ステップのみを実施してもよい。
（画像変換処理ステップ）
図２は、画像変換処理ステップの具体的な流れを示すフローチャートである。同図のフローチャートは、モデル学習装置（情報処理装置１）に対して画像変換処理の実行指令が入力されたタイミングで開始となり、画像変換処理はステップＳ１の処理に進む。
図２は、画像変換処理ステップの具体的な流れを示すフローチャートである。同図のフローチャートは、モデル学習装置（情報処理装置１）に対して画像変換処理の実行指令が入力されたタイミングで開始となり、画像変換処理はステップＳ１の処理に進む。
ステップＳ１の処理では、画像変換処理部３１が、温度ＤＢ２１から炉体温度データを取得する。これにより、ステップＳ１の処理は完了し、画像変換処理はステップＳ２の処理に進む。
ステップＳ２の処理では、画像変換処理部３１が、ステップＳ１の処理において取得した炉体温度データの中に、測温不良等に起因した異常値が含まれないか判定する。ステップＳ２の処理において、いずれかのセンサにおいて異常値が観測される場合（ステップＳ２でＹｅｓ）、当該センサの観測値を除外して（ステップＳ７）、画像変換処理はステップＳ３の処理に進む。また、いずれのセンサにおいても異常値が観測されない場合（ステップＳ２でＮｏ）、画像変換処理はそのままステップＳ３の処理に進む。
ステップＳ３の処理では、画像変換処理部３１が、ステップＳ２の処理において必要に応じて異常値除去が行われた炉体温度データに対して、炉体の円周方向の内挿処理を行う。この内挿処理では、例えば東を０°として、反時計回りに４５°ごとの推定値を抽出する。
内挿処理は、センサごとに円周方向の測温点数が異なる場合において、二次元画像データの横軸である円周方向の点数を揃えるために必要である。但し、半径方向に複数の測温点があるセンサにおいては、炉体中心からの距離が等しい測温点ごとに内挿処理を行う。また、炉体高さ方向に複数の測温点があるセンサにおいては、炉頂からの距離が等しい測温点ごとに内挿処理を行う。これにより、ステップＳ３の処理は完了し、画像変換処理はステップＳ４の処理に進む。
ステップＳ４の処理では、画像変換処理部３１が、ステップＳ３の処理において内挿処理が行われた炉体温度の推定値に対して、値域を揃えるための標準化を行う。この標準化は、例えば炉体温度の推定値ごとに直近３２時間の平均値および標準偏差を求めることによって行う。これにより、ステップＳ４の処理は完了し、画像変換処理はステップＳ５の処理に進む。
ステップＳ５の処理では、画像変換処理部３１が、ステップＳ４の処理において標準化されたデータを用いて、例えば縦軸が炉体高さ方向であり、横軸が円周方向（方角）であるコンター図（例えば図６参照）を作成する。このコンター図では、高炉の炉体温度について、炉体の周方向のみならず、炉体の高さ方向においても補間されて画像化される。そのため、このようなコンター図を作成して利用することにより、炉体温度全体を画像として統一的に扱うことができ、炉体温度の変化を捉えやすくなるという効果がある。これにより、ステップＳ５の処理は完了し、画像変換処理はステップＳ６の処理に進む。
ステップＳ６の処理では、画像変換処理部３１が、ステップＳ５の処理において作成された画像データ（コンター図）を画像ＤＢ２２に格納する。これにより、ステップＳ６の処理は完了し、一連の画像変換処理を終了する。
（モデル学習処理ステップ）
図３は、モデル学習処理ステップの具体的な流れを示すフローチャートである。同図のフローチャートは、モデル学習装置（情報処理装置１）に対してモデル学習処理の実行指令が入力されたタイミングで開始となり、モデル学習処理はステップＳ１１の処理に進む。
図３は、モデル学習処理ステップの具体的な流れを示すフローチャートである。同図のフローチャートは、モデル学習装置（情報処理装置１）に対してモデル学習処理の実行指令が入力されたタイミングで開始となり、モデル学習処理はステップＳ１１の処理に進む。
ステップＳ１１の処理では、モデル学習処理部３２が、画像ＤＢ２２から画像データを取得する。これにより、ステップＳ１１の処理は完了し、モデル学習処理はステップＳ１２の処理に進む。
ステップＳ１２の処理では、モデル学習処理部３２が、温度ＤＢ２１から溶銑温度の履歴データを取得する。これにより、ステップＳ１２の処理は完了し、モデル学習処理はステップＳ１３の処理に進む。
ステップＳ１３の処理では、モデル学習処理部３２が、ステップＳ１２で取得した溶銑温度の履歴データに対して、時刻ｔ－αから時刻ｔにおける溶銑温度の平均値に対する、時刻ｔ＋βの溶銑温度の差分ΔＴを算出する。なお、α、βの値は、例えば炉体の時定数等に基づいて予め定めるものとする。
αを決定するにあたって、送風流量、コークス比、送風湿分等の操業諸元が類似の期間であることが好ましい。一方で、高炉は、炉内のガス流れや温度分布の円周方向のばらつきの影響により、複数の出銑口間で溶銑温度の偏差が発生することがある。そのため、長時間の溶銑温度の平均値を求めることが必要である。従って、αは１～３日程度とすることが好ましい。また、βを決定するにあたって、溶銑温度の急変化に対して操業アクションで対応できる値であることが必要である。送風湿分の操作は、溶銑温度への即効性が高いが、炉底における溶銑の滞留時間が２時間程度である。そのため、βは２よりも大きい値である必要がある。これにより、ステップＳ１３の処理は完了し、モデル学習処理はステップＳ１４の処理に進む。
ステップＳ１３の処理では、モデル学習処理部３２が、ステップＳ１２で取得した溶銑温度の履歴データに対して、時刻ｔ－αから時刻ｔにおける溶銑温度の平均値に対する、時刻ｔ＋βの溶銑温度の差分ΔＴを算出する。なお、α、βの値は、例えば炉体の時定数等に基づいて予め定めるものとする。これにより、ステップＳ１３の処理は完了し、モデル学習処理はステップＳ１４の処理に進む。
ステップＳ１４の処理では、モデル学習処理部３２が、ステップＳ１１で取得した画像データのうち、時刻ｔ－γから時刻ｔにおけるものと、ステップ１３で算出したΔＴとを関連付けた学習データを生成する。なお、γの値は、例えば炉体の時定数等に基づいて予め定めるものとする。「γ＝０」の場合は、時刻ｔにおける画像データのみを使用するが、炉体温度分布の時間変化を学習するために、γは０よりも大きい値とし、連続した複数時刻における画像データを関連付けて機械学習させることが好ましい。γを決定するにあたって、炉頂から装入された原料が羽口に降下するまでの時間を目安とするとよい。これにより、ステップＳ１４の処理は完了し、モデル学習処理はステップＳ１５の処理に進む。
ステップＳ１５の処理では、モデル学習処理部３２が、ステップＳ１４の処理において生成された学習データを用いて、溶銑温度予測モデルを機械学習する。この溶銑温度予測モデルは、時刻ｔ－γから時刻ｔにおける炉体温度分布の時間変化を画像化した画像データを入力データとし、時刻ｔ－αから時刻ｔにおける溶銑温度の平均値に対する時刻ｔ＋βの溶銑温度の差分ΔＴを出力データとして、炉体温度分布の時間変化から将来の溶銑温度を予測するものである。
ここで、機械学習によって生成する溶銑温度予測モデルは、畳み込みニューラルネットワーク（ＣＮＮ）であることが好ましい。また、ＣＮＮの畳み込み演算は、画像データの縦軸方向および横軸方向、すなわち炉体の高さ方向および円周方向に行うことが好ましい（図７参照）。これにより、ステップＳ１５の処理は完了し、モデル学習処理はステップＳ１６の処理に進む。
ステップＳ１６の処理では、モデル学習処理部３２が、ステップＳ１５の処理において生成された溶銑温度予測モデルを出力する。これにより、ステップＳ１６の処理は完了し、一連のモデル学習処理は終了する。
なお、温度ＤＢ２１に新たな温度データが追加された場合、画像変換処理部３１は、例えば新たに追加された炉体温度データを画像化して画像ＤＢ２２に追加で格納する。そして、モデル学習処理部３２は、新たに追加された画像データを追加学習用データとして溶銑温度予測モデルを追加学習させることにより、モデルを更新することが好ましい。
〔溶銑温度予測方法〕
実施形態に係る溶銑温度予測方法について、図４を参照しながら説明する。溶銑温度予測方法は、コンピュータによって構築された情報処理装置１によって実行される。また、溶銑温度予測方法は、溶銑温度予測処理部３３による溶銑温度予測処理ステップを行う。また、溶銑温度予測方法は、必要に応じて、画像変換処理部３１による画像変換処理ステップ（図２参照）を、溶銑温度予測処理ステップの前に行ってもよい。
実施形態に係る溶銑温度予測方法について、図４を参照しながら説明する。溶銑温度予測方法は、コンピュータによって構築された情報処理装置１によって実行される。また、溶銑温度予測方法は、溶銑温度予測処理部３３による溶銑温度予測処理ステップを行う。また、溶銑温度予測方法は、必要に応じて、画像変換処理部３１による画像変換処理ステップ（図２参照）を、溶銑温度予測処理ステップの前に行ってもよい。
（溶銑温度予測処理ステップ）
図４は、溶銑温度予測処理ステップの具体的な流れを示すフローチャートである。同図のフローチャートは、溶銑温度予測装置（情報処理装置１）に対して溶銑温度予測処理の実行指令が入力されたタイミングで開始となり、溶銑温度予測処理はステップＳ２１の処理に進む。
図４は、溶銑温度予測処理ステップの具体的な流れを示すフローチャートである。同図のフローチャートは、溶銑温度予測装置（情報処理装置１）に対して溶銑温度予測処理の実行指令が入力されたタイミングで開始となり、溶銑温度予測処理はステップＳ２１の処理に進む。
ステップＳ２１の処理では、溶銑温度予測処理部３３が、画像ＤＢ２２から、現在時刻をｔ０としたときに、時刻ｔ０－γから時刻ｔ０における画像データを取得する。これにより、ステップＳ２１の処理は完了し、溶銑温度予測処理はステップＳ２２の処理に進む。
ステップＳ２２の処理では、溶銑温度予測処理部３３が、温度ＤＢ２１から、時刻ｔ０－αから時刻ｔ０における溶銑温度の履歴データを取得する。これにより、ステップＳ２２の処理は完了し、溶銑温度予測処理はステップＳ２３の処理に進む。
ステップＳ２３の処理では、溶銑温度予測処理部３３が、時刻ｔ０－αから時刻ｔ０における溶銑温度の平均値Ｔａｖｅを算出する。これにより、ステップＳ２３の処理は完了し、溶銑温度予測処理はステップＳ２４の処理に進む。
ステップＳ２４の処理では、溶銑温度予測処理部３３が、モデル学習処理部３２で出力された溶銑温度予測モデルを用いて、時刻ｔ０－γから時刻ｔ０における炉体温度分布の時間変化を画像化した画像データを入力データとして、時刻ｔ０－αから時刻ｔ０における溶銑温度の平均値Ｔａｖｅに対する時刻ｔ０＋βの溶銑温度の差分ΔＴ０ｐｒｅを出力する。これにより、ステップＳ２４の処理は完了し、溶銑温度予測処理はステップＳ２５の処理に進む。
ステップＳ２５の処理では、溶銑温度予測処理部３３が、時刻ｔ０＋βにおける溶銑温度の予測値をＴａｖｅ＋ΔＴ０ｐｒｅとして出力する。これにより、ステップＳ２５の処理は完了し、一連の溶銑温度予測処理は終了する。
〔高炉の操業方法〕
実施形態に係る高炉の操業方法は、例えばコンピュータによって構築された装置等によって実行される。高炉の操業方法では、上記の溶銑温度予測方法を用いて溶銑温度を予測する溶銑温度予測処理ステップと、溶銑温度予測処理ステップで予測された溶銑温度に基づいて操業条件を変更する操業条件変更ステップと、を行う。例えば、ｔ０＋βにおける溶銑温度の予測値が、溶銑温度の目標値に対して大幅に低下する場合、送風湿分を下限値まで低下させたり、炉頂におけるコークス比を大幅に増加させたりするとよい。
実施形態に係る高炉の操業方法は、例えばコンピュータによって構築された装置等によって実行される。高炉の操業方法では、上記の溶銑温度予測方法を用いて溶銑温度を予測する溶銑温度予測処理ステップと、溶銑温度予測処理ステップで予測された溶銑温度に基づいて操業条件を変更する操業条件変更ステップと、を行う。例えば、ｔ０＋βにおける溶銑温度の予測値が、溶銑温度の目標値に対して大幅に低下する場合、送風湿分を下限値まで低下させたり、炉頂におけるコークス比を大幅に増加させたりするとよい。
〔溶銑温度予測システム〕
実施形態に係る溶銑温度予測システム２は、図５に示すように、溶銑温度予測サーバ装置３と、端末装置４と、を備えている。溶銑温度予測サーバ装置３および端末装置４は、例えばインターネット回線網等のネットワークＮを通じて通信可能に構成されている。また、溶銑温度予測システム２のうち、端末装置４は、例えば製鉄所内に配置される。
実施形態に係る溶銑温度予測システム２は、図５に示すように、溶銑温度予測サーバ装置３と、端末装置４と、を備えている。溶銑温度予測サーバ装置３および端末装置４は、例えばインターネット回線網等のネットワークＮを通じて通信可能に構成されている。また、溶銑温度予測システム２のうち、端末装置４は、例えば製鉄所内に配置される。
溶銑温度予測サーバ装置３は、例えばクラウド上に配置されたサーバ等により実現される。この溶銑温度予測サーバ装置３は、図１に示した情報処理装置１によって実現される溶銑温度予測装置のネットワーク対応サーバ装置であり、当該溶銑温度予測装置と同様の構成を備えている。すなわち、溶銑温度予測サーバ装置３は、情報処理装置１の構成要素のうち、画像変換処理部および溶銑温度予測処理部として機能する演算部と、出力部と、を少なくとも備えている。
溶銑温度予測サーバ装置３の画像変換処理部は、炉体の温度データを二次元画像化する。また、溶銑温度予測サーバ装置３の溶銑温度予測処理部は、溶銑温度予測モデルに対して、現在の炉体の温度データについて画像変換処理部において出力される画像データを入力することにより、将来の溶銑温度を出力する。また、溶銑温度予測サーバ装置３の出力部は、溶銑温度予測処理部において予測された将来の溶銑温度を少なくとも含む情報を、ネットワークＮ経由で端末装置４に出力する。なお、上記の溶銑温度予測モデルは、画像変換処理部において出力された画像データを入力データとし、溶銑温度を出力データとして学習されたモデルである。
端末装置４は、溶銑温度予測サーバ装置３からネットワークＮを通じて各種情報を取得して表示する。この端末装置４は、例えばパソコン等の汎用コンピュータ、タブレット型コンピュータ等のモバイル情報処理機器によって実現される。また、端末装置４は、情報取得部および表示部として機能する演算部を備えている。また、端末装置４には、例えば液晶ディスプレイ（ＬＣＤ）、有機ＥＬディスプレイ（ＯＬＥＤ）、タッチパネルディスプレイ等の外部ディスプレイが接続されている。
端末装置４の情報取得部は、溶銑温度予測サーバ装置３から、当該溶銑温度予測サーバ装置３によって予測された将来の溶銑温度を少なくとも含む情報を取得する。この将来の溶銑温度は、現在の炉体の温度データを二次元画像化した画像データに基づいて予測されたものである。また、溶銑温度予測サーバ装置３から取得する情報としては、将来の溶銑温度以外にも、例えば温度ＤＢ２１に格納されている炉体温度データ、画像変換処理部３１で生成された画像データ（例えばコンター図）等が挙げられる。そして、端末装置４の表示部は、情報取得部が取得したこれらの情報を、上記の外部ディスプレイに表示させる。
以上説明した実施形態に係る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、溶銑温度予測システムおよび端末装置によれば、炉頂ゾンデ温度、スキンフロー温度、クーリングステーブ温度、羽口埋込温度等の、測定可能な炉体の円周方向における温度分布のみを用いて、溶銑温度の急上昇や急低下を精度よく予測することができる。
〔実施例〕
実施形態に係るモデル学習方法および溶銑温度予測方法の実施例について、図６～図１０を参照しながら説明する。
実施形態に係るモデル学習方法および溶銑温度予測方法の実施例について、図６～図１０を参照しながら説明する。
本実施例では、モデル学習処理における係数α，β，γ（図３のステップＳ１３，Ｓ１４参照）について、αを３２時間、βを８時間、γを１０時間とした。また、炉体温度データは、３０分周期で取得されたものを使用した。すなわち、炉体温度分布の画像データ２０枚を入力データとすることで、直近１０時間分の温度変化からＣＮＮで特徴を抽出することとした。
また、本実施例では、炉頂ゾンデ温度、スキンフロー温度、クーリングステーブ温度、羽口埋込温度の履歴データを用いて炉体温度分布の画像データを作成した。炉頂ゾンデ温度は、中心に近い程ノイズが多いため、炉体中心からの距離が最大となる測定点のみを使用した。また、クーリングステーブ温度は、炉体高さ方向に１０段分の測定点を使用した。
上から炉頂からの距離が小さい順に、炉頂ゾンデ温度１３、スキンフロー温度１２、クーリングステーブ温度２～１１、羽口埋込温度１として、内挿処理および標準化を行った後のコンター図を図６に示す。同図の縦軸は、炉体の高さ方向である。また、同図の横軸は、炉体の円周方向、すなわち方角を示しており、左端と右端が東である。
続いて、作成した画像データと、直近３２時間における溶銑温度の平均値に対する８時間後の溶銑温度の差分ΔＴのデータとを関連付けたデータセット２０５００点（約６００日分）を作成した。続いて、最初の２００００点でＣＮＮによる溶銑温度予測モデルの機械学習を行い、残りの５００点で溶銑温度予測モデルの精度を検証した。
ＣＮＮでは、図７の矢印で示すように、縦軸方向（炉体の高さ方向）および横軸方向（炉体の円周方向）に畳み込み演算を行う。機械学習で用いたＣＮＮの構造を図８に示す。同図におけるブロックは、それぞれ畳み込み層（Convolution）、プーリング層（Pooling）、ドロップアウト層（Dropout）、畳み込み層（Convolution）、プーリング層（Pooling）、平坦化（Flatten）、全結合層（Affine）、全結合層（Affine）を示している。また、同図の括弧内の数字は、データ配列の大きさを示している。例えば「（１３，９，２０）」は、「縦１３×横９×チャンネル数２０」の三次元配列を示している。但し、同図に示したＣＮＮの構造は一例であり、同図に示した構造以外の構造としてもよい。
本実施例における検証結果を図９および図１０に示す。図９は、検証用データにおける８時間後の溶銑温度の予測値および実績値を、１ステップ３０分ごと時系列で並べたトレンドである。同図における「×」のプロットは溶銑温度の予測値を、「〇」のプロットは溶銑温度の実績値をそれぞれ示している。
図１０は、直近３２時間の溶銑温度平均値からの差分に対する８時間後の溶銑温度の予測値と実績値の散布図である。図９に示すように、溶銑温度の予測値および実績値の傾向は一致している。また、予測値と実績値との差が±２０℃以内のケースは９６．４％、根二乗平均誤差は１０．２℃であり、良好な予測精度であることが確認できた。
以上、本発明に係る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、溶銑温度予測システムおよび端末装置について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。
１ 情報処理装置
１０ 入力部
２０ 記憶部
２１ 温度ＤＢ
２２ 画像ＤＢ
３０ 演算部
３１ 画像変換処理部
３２ モデル学習処理部
３３ 溶銑温度予測処理部
４０ 出力部
２ 溶銑温度予測システム
３ 溶銑温度予測サーバ装置
４ 端末装置
Ｎ ネットワーク
１０ 入力部
２０ 記憶部
２１ 温度ＤＢ
２２ 画像ＤＢ
３０ 演算部
３１ 画像変換処理部
３２ モデル学習処理部
３３ 溶銑温度予測処理部
４０ 出力部
２ 溶銑温度予測システム
３ 溶銑温度予測サーバ装置
４ 端末装置
Ｎ ネットワーク
Claims (13)
- コンピュータによって構築された装置によって実行される高炉の溶銑温度予測方法であって、
前記コンピュータが備える画像変換処理部が、炉体の温度データを二次元画像化する画像変換処理ステップと、
前記コンピュータが備える溶銑温度予測処理部が、前記画像変換処理ステップにおいて出力された画像データを入力データとし、溶銑温度を出力データとして学習された溶銑温度予測モデルに対して、現在の炉体の温度データについて前記画像変換処理ステップにおいて出力される画像データを入力することにより、将来の溶銑温度を出力する溶銑温度予測処理ステップと、
を含む高炉の溶銑温度予測方法。 - 前記炉体の温度データは、炉頂ゾンデ温度、スキンフロー温度、クーリングステーブ温度、羽口埋込温度のうちの少なくとも一つ以上を含み、
前記画像変換処理ステップは、前記炉体の温度を測定位置に対応させて二次元配置し、温度の値を、異なる色または濃淡によって画像化する、
請求項１に記載の高炉の溶銑温度予測方法。 - 前記入力データは、所定時間周期ごとの複数の画像データからなり、炉体温度分布の時間変化を示すデータである請求項１または請求項２に記載の高炉の溶銑温度予測方法。
- 前記溶銑温度予測処理ステップは、直近の所定時間の溶銑温度の平均値に対する、所定時間後の溶銑温度の差分の絶対値を予測する請求項１から請求項３のいずれか一項に記載の高炉の溶銑温度予測方法。
- コンピュータによって構築された装置によって実行される高炉の溶銑温度予測モデルの学習方法であって、
前記コンピュータが備える画像変換処理部が、炉体の温度データを二次元画像化する画像変換処理ステップと、
前記コンピュータが備えるモデル学習処理部が、前記画像変換処理ステップにおいて出力された画像データを入力データとし、溶銑温度を出力データとして、溶銑温度予測モデルの学習を行うモデル学習処理ステップと、
を含む高炉の溶銑温度予測モデルの学習方法。 - 前記モデル学習処理ステップは、基準時刻の前の所定期間における複数の炉体温度分布を示す画像データを入力データとし、前記基準時刻の前の所定期間における溶銑温度の平均値に対する、前記基準時刻の後の所定期間後の溶銑温度の差分を出力データとして、前記溶銑温度予測モデルの学習を行う請求項５に記載の高炉の溶銑温度予測モデルの学習方法。
- 請求項１から請求項４のいずれか一項に記載の高炉の溶銑温度予測方法を用いて溶銑温度を予測し、予測された溶銑温度に基づいて操業条件を変更する高炉の操業方法。
- 炉体の温度データを二次元画像化する画像変換処理部と、
前記画像変換処理部において出力された画像データを入力データとし、溶銑温度を出力データとして学習された溶銑温度予測モデルに対して、現在の炉体の温度データについて前記画像変換処理部において出力される画像データを入力することにより、将来の溶銑温度を出力する溶銑温度予測処理部と、
を備える高炉の溶銑温度予測装置。 - 前記炉体の温度データは、炉頂ゾンデ温度、スキンフロー温度、クーリングステーブ温度、羽口埋込温度のうちの少なくとも一つ以上を含み、
前記画像変換処理部は、前記炉体の温度を測定位置に対応させて二次元配置し、温度の値を、異なる色または濃淡によって画像化する、
請求項８に記載の高炉の溶銑温度予測装置。 - 前記入力データは、所定時間周期ごとの複数の画像データからなり、炉体温度分布の時間変化を示すデータである請求項８または請求項９に記載の高炉の溶銑温度予測装置。
- 前記溶銑温度予測処理部は、直近の所定時間の溶銑温度の平均値に対する、所定時間後の溶銑温度の差分の絶対値を予測する請求項８から請求項１０のいずれか一項に記載の高炉の溶銑温度予測装置。
- 溶銑温度予測サーバ装置と、端末装置と、を備える溶銑温度予測システムであって、
前記溶銑温度予測サーバ装置は、
炉体の温度データを二次元画像化する画像変換処理部と、
前記画像変換処理部において出力された画像データを入力データとし、溶銑温度を出力データとして学習された溶銑温度予測モデルに対して、現在の炉体の温度データについて前記画像変換処理部において出力される画像データを入力することにより、将来の溶銑温度を出力する溶銑温度予測処理部と、
前記溶銑温度予測処理部において予測された将来の溶銑温度を少なくとも含む情報を、前記端末装置に出力する出力部と、
を備え、
前記端末装置は、
前記溶銑温度予測サーバ装置から将来の溶銑温度を少なくとも含む情報を取得する情報取得部と、
前記情報取得部が取得した情報を表示する表示部と、
を備える溶銑温度予測システム。 - 溶銑温度予測サーバ装置から、現在の炉体の温度データを二次元画像化した画像データに基づいて予測された、将来の溶銑温度を少なくとも含む情報を取得する情報取得部と、
前記情報取得部が取得した情報を表示する表示部と、
を備える端末装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023536390A JP7384326B1 (ja) | 2022-03-07 | 2023-03-01 | 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 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022034139 | 2022-03-07 | ||
| JP2022-034139 | 2022-03-07 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023171501A1 true WO2023171501A1 (ja) | 2023-09-14 |
Family
ID=87935267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2023/007608 WO2023171501A1 (ja) | 2022-03-07 | 2023-03-01 | 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、溶銑温度予測システムおよび端末装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7384326B1 (ja) |
| WO (1) | WO2023171501A1 (ja) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021018569A (ja) * | 2019-07-19 | 2021-02-15 | 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 |
| JP2021507115A (ja) * | 2017-12-19 | 2021-02-22 | ポスコＰｏｓｃｏ | 炉況管理装置及び方法 |
-
2023
- 2023-03-01 WO PCT/JP2023/007608 patent/WO2023171501A1/ja active Application Filing
- 2023-03-01 JP JP2023536390A patent/JP7384326B1/ja active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021507115A (ja) * | 2017-12-19 | 2021-02-22 | ポスコＰｏｓｃｏ | 炉況管理装置及び方法 |
| JP2021018569A (ja) * | 2019-07-19 | 2021-02-15 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2023171501A1 (ja) | 2023-09-14 |
| TW202348804A (zh) | 2023-12-16 |
| JP7384326B1 (ja) | 2023-11-21 |
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 | |
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| 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 | |
| JP7384326B1 (ja) | 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 | |
| JP7107444B2 (ja) | 溶銑温度の制御方法、操業ガイダンス方法、高炉の操業方法、溶銑の製造方法、溶銑温度の制御装置および操業ガイダンス装置 | |
| EP3989013B1 (en) | Method for controlling process, operation guidance method, method for operating blast furnace, method for producing hot metal, and device for controlling process | |
| 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 | |
| JP7307341B2 (ja) | 炉内ガス圧力の変動検知方法 | |
| 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 | |
| JP7308063B2 (ja) | 演算装置、システム、演算方法及びプログラム | |
| 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 | |
| Bigeev et al. | Adapting a mathematical model of the end of the blow of a converter heat to existing conditions in the oxygen-converter shop at the Magnitogorsk Metallurgical Combine | |
| JP7522999B1 (ja) | 溶銑温度制御方法、高炉の操業方法、溶銑の製造方法、溶銑温度制御装置及び溶銑温度制御システム | |
| TWI787954B (zh) | 鋼液溫度預測方法與電腦系統 | |
| Hazra et al. | Application of data reconciliation and gross error detection techniques to enhance reliability and consistency of the blast furnace process data | |
| 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 | |
| KR20240024233A (ko) | 고로의 슬래그 레벨 추정 방법, 조업 가이던스 방법, 용선의 제조 방법, 고로의 슬래그 레벨 추정 장치 및 조업 가이던스 장치 | |
| JP2004059955A (ja) | 転炉吹錬制御方法 | |
| JP2022048698A (ja) | 高炉の制御装置、高炉の操業方法、及びプログラム | |
| TW202247052A (zh) | 高爐鐵水溫度預測方法與系統 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| WWE | Wipo information: entry into national phase |
Ref document number: 2023536390 Country of ref document: JP |
|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23766677 Country of ref document: EP Kind code of ref document: A1 |