WO2023189336A1 - 焼結機の操業管理方法、焼結鉱の製造方法及び制御装置 - Google Patents

焼結機の操業管理方法、焼結鉱の製造方法及び制御装置 Download PDF

Info

Publication number
WO2023189336A1
WO2023189336A1 PCT/JP2023/008931 JP2023008931W WO2023189336A1 WO 2023189336 A1 WO2023189336 A1 WO 2023189336A1 JP 2023008931 W JP2023008931 W JP 2023008931W WO 2023189336 A1 WO2023189336 A1 WO 2023189336A1
Authority
WO
WIPO (PCT)
Prior art keywords
raw material
particle size
charging
granulated particles
granulation
Prior art date
Application number
PCT/JP2023/008931
Other languages
English (en)
French (fr)
Inventor
友司 岩見
謙弥 堀田
寿幸 廣澤
隆英 樋口
Original Assignee
Ｊｆｅスチール株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ｊｆｅスチール株式会社 filed Critical Ｊｆｅスチール株式会社
Priority to CN202380020965.4A priority Critical patent/CN118660979A/zh
Priority to JP2023552601A priority patent/JP7468799B2/ja
Publication of WO2023189336A1 publication Critical patent/WO2023189336A1/ja

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
    • C22B1/00—Preliminary treatment of ores or scrap
    • C22B1/14—Agglomerating; Briquetting; Binding; Granulating
    • C22B1/16—Sintering; Agglomerating
    • C22B1/20—Sintering; Agglomerating in sintering machines with movable grates

Definitions

  • the present disclosure relates to a sintering machine operation management method, a sintered ore manufacturing method, and a control device.
  • Patent Document 1 discloses a method for estimating the particle size distribution of a raw material in the height direction in a sintering raw material layer loaded onto a pallet of a sintering machine.
  • Patent Document 1 states that if the endowment matrix P is constant, that is, the particle size distribution of the target raw material (for example, coke breeze) does not change, the components for each particle size can be estimated. However, even if the particle size distribution of coke breeze does not change, the components for each particle size vary greatly depending on other blended raw materials. There was a problem in that it was not possible to accurately estimate the distribution of raw materials in the height direction. Furthermore, the method of Patent Document 1 does not take into account the moisture content of the sintered raw material during granulation, and when the moisture content during granulation differs, the heightwise distribution of the raw material in the sintered raw material layer There was also the issue of not being able to estimate the distribution.
  • the target raw material for example, coke breeze
  • the purpose of the present disclosure is to provide an operational management method for a sintering machine that can estimate particle size segregation and component segregation in a raw material charging layer even when the mixing conditions of raw materials or the moisture content during granulation differ, and the production of sintered ore.
  • An object of the present invention is to provide a method and a control device.
  • a sintering machine operation management method includes: A method for operating a sintering machine for sintering granulated particles obtained by adding water to a sintering raw material containing an iron-containing raw material and a carbon-containing raw material, the method comprising: a raw material information acquisition step of acquiring raw material information including particle size, component composition, and blending ratio of each raw material contained in the sintered raw material; A granulation condition acquisition step of acquiring granulation conditions including the moisture content of the sintered raw material when granulating the granulated particles from the sintered raw material; a granulation result estimation step of estimating a granulation result including a particle size of the granulated particles and a component composition for each particle size of the granulated particles based on the raw material information and the granulation conditions; A charging condition acquisition step of acquiring charging conditions when charging the granulated particles into the sintering machine to form a raw material charging layer; A charging result estimation step of estimating particle
  • a method for producing sintered ore according to an embodiment of the present disclosure produces sintered ore using the sintering machine operation management method described above.
  • a control device includes: A control device for controlling a sintering machine that sinters granulated particles obtained by adding water to a sintering raw material containing an iron-containing raw material and a carbon-containing raw material, the control device comprising: a raw material information acquisition unit that acquires raw material information including particle size, component composition, and blending ratio of each raw material contained in the sintering raw material; a granulation condition acquisition unit that acquires granulation conditions including the water content of the sintered raw material when granulating the granulated particles from the sintered raw material; a granulation result estimation unit that estimates a granulation result including a particle size of the granulated particles and a component composition for each particle size of the granulated particles based on the raw material information and the granulation conditions; a charging condition acquisition unit that acquires charging conditions when charging the granulated particles into the sintering machine to form a raw material charging layer; a charging result estimation unit that estimates particle size
  • the particle size in the raw material charging layer Segregation and component segregation can be estimated.
  • 1 is a diagram schematically showing a configuration example of sintering equipment according to an embodiment of the present disclosure.
  • 1 is a diagram schematically showing a configuration example of a control device according to an embodiment of the present disclosure.
  • 1 is a flowchart illustrating an example of a procedure of a sintering machine operation management method according to an embodiment of the present disclosure. It is a figure which shows the particle size distribution of granulated particles in an Example, and the actual value of carbon concentration for each particle size. It is a figure showing the correlation between the actual value and the estimated value in an example. It is a figure showing an example of a charging estimation model in an example. It is a graph showing the correlation between the calculated yield and the actual yield in the example. It is a figure showing the state of operation of the sintering machine in an example.
  • FIG. 1 is a diagram schematically showing a configuration example of a sintering facility 1 according to an embodiment of the present disclosure.
  • the sintering equipment 1 is equipment that can produce sintered ore from sintering raw materials including iron-containing raw materials and carbon-containing raw materials.
  • the sintering equipment 1 includes a control device 10, a granulator 20, a sintering machine 30, a crusher 40, a cooler 50, and a sieving device 60.
  • the control device 10 can communicate with the granulator 20, sintering machine 30, crusher 40, cooler 50, and sieving device 60.
  • the control device 10 controls a granulator 20, a sinterer 30, a crusher 40, a cooler 50, and a sieving device 60.
  • control device 10 The details of the configuration and functions of the control device 10 will be described later.
  • the granulator 20 granulates granulated particles from a sintered raw material containing an iron-containing raw material and a carbon-containing raw material. When the granulator 20 granulates the granulated particles, granulation water is added to the sintering raw material.
  • the sintering raw material may further contain a calcium oxide (CaO)-containing raw material as an auxiliary raw material.
  • the granulated particles granulated by the granulator 20 are conveyed to the sintering machine 30.
  • the granulator 20 may be any granulator capable of producing granulated particles, and may be a drum mixer, for example.
  • the sintering machine 30 may be any sintering machine that sinters the granulated particles, and may be, for example, a Dwight Lloyd type sintering machine.
  • the sintering machine 30 includes a sintering raw material supply device 31, a pallet 32, an ignition furnace 33, and a wind box 34.
  • the sintering raw material supply device 31 charges the granulated particles supplied from the granulator 20 into a pallet 32.
  • the pallet 32 is an endlessly movable pallet.
  • a raw material charging layer is formed on the pallet 32.
  • the ignition furnace 33 ignites the carbon-containing raw material contained in the surface layer of the raw material charging layer formed on the pallet 32.
  • the wind box 34 sucks air from the raw material charging layer formed on the pallet 32 downward.
  • the combustion and melt in the raw material charging layer moves below the raw material charging layer.
  • the raw material charging layer is sintered by combustion and movement of the molten material within the raw material charging layer.
  • a sintered cake is obtained from the raw material charge layer.
  • the crusher 40 crushes the sintered cake supplied from the sintering machine 30.
  • the crusher 40 supplies crushed sintered cake to the cooler 50.
  • the cooler 50 cools the crushed sintered cake supplied from the crusher 40.
  • the crushed sintered cake cooled by the cooler 50 is supplied to a sieving device 60.
  • the sieving device 60 sieves the crushed sintered cake cooled by the cooler 50 according to the particle size of the crushed material. For example, the sieving device 60 sieves the crushed sintered cake into sintered ore with a particle size of 5 mm or more and return ore with a particle size of less than 5 mm.
  • sintered ore is produced by finally being sieved by the sieving device 60.
  • the return ore sieved by the sieving device 60 may be mixed with the sintering raw material and used again as the raw material for the sintered ore.
  • control device 10 Next, the configuration and functions of the control device 10 will be explained. First, an overview of the functions of the control device 10 will be explained.
  • the control device 10 acquires raw material information that is information about raw materials contained in the sintered raw materials supplied to the granulator 20.
  • the control device 10 acquires granulation conditions including the moisture content of the sintered raw material when the granulator 20 granulates the granulated particles from the sintered raw material.
  • the control device 10 estimates the granulation result of the granulated particles to be granulated by the granulator 20 based on the acquired raw material information and granulation conditions.
  • the granulation result estimated by the control device 10 includes the particle size of the granulated particles and the component composition for each particle size of the granulated particles.
  • the control device 10 acquires charging conditions when the sintering raw material supply device 31 charges granulated particles into the pallet 32 to form a raw material charging layer.
  • the control device 10 estimates the particle size segregation and component segregation of the granulated particles in the height direction of the raw material charging layer formed on the pallet 32 based on the estimated granulation results and the acquired charging conditions. do.
  • the control device 10 acquires guidance information including a set value for setting at least one of the estimated particle size segregation and component segregation as a target value.
  • the guidance information includes the blending ratio of the carbon-containing raw material, the particle size of the carbon-containing raw material, the blending ratio of the CaO-containing raw material, the moisture content during granulation, the space factor in the granulator 20, and the rotation of the granulator 20.
  • the setting value includes at least one of the speed, the speed of the pallet 32, the opening degree of the sub-gate, and the chute angle.
  • FIG. 2 is a diagram schematically showing a configuration example of the control device 10 according to an embodiment of the present disclosure.
  • the control device 10 may be a general-purpose computer such as a workstation or a personal computer, or may be a dedicated computer configured to function as the control device 10 of the sintering equipment 1.
  • the control device 10 includes a control section 11, an input section 12, an output section 13, a storage section 14, and a communication section 15.
  • the control unit 11 includes at least one processor, at least one dedicated circuit, or a combination thereof.
  • the processor is a general-purpose processor such as a CPU (Central Processing Unit) or a GPU (Graphics Processing Unit), or a dedicated processor specialized for specific processing.
  • the dedicated circuit is, for example, an FPGA (Field-Programmable Gate Array) or an ASIC (Application Specific Integrated Circuit).
  • the control unit 11 reads programs, data, etc. stored in the storage unit 14 and executes various functions.
  • the control unit 11 controls the granulator 20 , sintering machine 30 , crusher 40 , cooler 50 , and sieving device 60 .
  • the control unit 11 executes the program read from the storage unit 14 to control the control unit 11, the raw material information acquisition unit 111, the granulation condition acquisition unit 112, the granulation result estimation unit 113, the charging condition acquisition unit 114, It can function as the charging result estimation section 115 and the guidance information acquisition section 116.
  • the input unit 12 includes one or more input interfaces that detect user input and obtain input information based on user operations.
  • the input unit 12 includes, for example, physical keys, capacitive keys, a touch screen provided integrally with the display of the output unit 13, a microphone that accepts voice input, and the like.
  • the output unit 13 includes one or more output interfaces that output information and notify the user.
  • the output unit 13 includes, for example, a display that outputs information as an image, a speaker that outputs information as audio, and the like.
  • the display included in the output unit 13 may be, for example, an LCD (Liquid Crystal Display), a CRT (Cathode Ray Tube) display, or the like.
  • the storage unit 14 is, for example, a flash memory, a hard disk, an optical memory, or the like. A part of the storage unit 14 may be located outside the control device 10. In this case, part of the storage unit 14 may be a hard disk, a memory card, etc. connected to the control device 10 via an arbitrary interface.
  • the storage unit 14 stores programs for the control unit 11 to execute each function, data used by the programs, and the like.
  • the communication unit 15 includes at least one of a communication module that supports wired communication and a communication module that supports wireless communication.
  • the control device 10 can communicate with other terminal devices via the communication unit 15.
  • the raw material information acquisition unit 111 acquires raw material information that is information about raw materials contained in the sintering raw material supplied to the granulator 20.
  • the raw material information includes the particle size, component composition, and blending ratio of each raw material contained in the sintered raw material.
  • the sintering raw material includes an iron-containing raw material, a CaO-containing raw material, and a carbon-containing raw material
  • the raw material information includes the particle size, component composition, and blending ratio of each of the iron-containing raw material, CaO-containing raw material, and carbon-containing raw material.
  • the iron-containing raw material may be, for example, iron ore.
  • the CaO-containing raw material may be limestone, for example.
  • the carbon-containing feedstock may be, for example, coke breeze.
  • the particle size of each raw material may include a content ratio for each predetermined particle size classification.
  • the component composition of each raw material may include, for example, at least one of carbon (C) concentration, water concentration, calcium oxide (CaO) concentration, and aluminum oxide (Al 2 O 3 ) concentration.
  • the raw material information acquisition unit 111 may acquire raw material information through an input operation to the input unit 12 by an operator.
  • the operator can obtain raw material information in advance by performing sieving, chemical analysis, etc. on each raw material. Further, the raw material information acquisition unit 111 may acquire raw material information by receiving raw material information input by an operator into another terminal device via the communication unit 15.
  • the raw material information acquisition unit 111 outputs the acquired raw material information to the granulation condition acquisition unit 112.
  • the granulation condition acquisition unit 112 acquires granulation conditions including the moisture content of the sintered raw material when the granulator 20 granulates the granulated particles from the sintered raw material.
  • the granulation condition acquisition unit 112 may acquire the granulation conditions from the granulator 20 or may acquire the granulation conditions through an input operation to the input unit 12 by an operator.
  • the moisture content of the sintered raw material when the granulator 20 granulates granulated particles from the sintered raw material is determined by the moisture content of each raw material included in the sintered raw material and the granules added to the granulator 20. It is required from water. Moreover, the moisture content of each raw material can be measured using, for example, an infrared moisture meter.
  • the granulation conditions acquired by the granulation condition acquisition unit 112 only need to include the water content of the sintered raw material when the granulator 20 granulates the granulated particles from the sintered raw material.
  • 20 may further include other conditions set when granulating particles are granulated from the sintered raw material.
  • the granulation conditions may further include the space factor within the granulator 20, the rotation speed of the granulator 20, and the residence time.
  • the granulation condition acquisition unit 112 outputs the granulation conditions and the raw material information acquired from the raw material information acquisition unit 111 to the granulation result estimation unit 113.
  • the granulation result estimation unit 113 estimates the granulation result of the granulated particles granulated by the granulator 20 based on the raw material information and granulation conditions acquired from the granulation condition acquisition unit 112.
  • the granulation result estimated by the control device 10 includes the particle size of the granulated particles and the component composition for each particle size of the granulated particles.
  • the granulation result estimation unit 113 estimates the granulation result using a granulation estimation model including a particle size estimation model and a component estimation model.
  • the particle size estimation model and the component estimation model may be stored in the storage unit 14.
  • the particle size estimation model calculates the particle size by dividing the particle size of the granulated particles into multiple types by inputting the blending ratio of each raw material contained in the sintered raw material and the granulation conditions including the moisture content of the sintered raw material during granulation. This is a trained machine learning model that outputs the content of granulated particles in one of the particle size categories.
  • the granulation result estimating unit 113 inputs the blending ratio of each raw material and the granulation conditions including the water content of the sintered raw material during granulation into the particle size estimation model read from the storage unit 14.
  • the content of granulated particles in one particle size classification can be estimated.
  • the content of granulated particles in one particle size classification is an example of the particle size of the granulated particles.
  • the particle size of the granulated particles may be expressed by other indicators.
  • the particle size classification may be, for example, three levels. When there are three levels of particle size classification, for example, they may be classified as greater than 8 mm, greater than or equal to 2.8 mm and less than or equal to 8.0 mm, and less than 2.8 mm.
  • the particle size divisions are not limited to three levels, and may be divided into more than three levels.
  • the granulation result estimating unit 113 can repeat the same process for other particle size categories and estimate the content of granulated particles in each particle size category. Then, the granulation result estimating unit 113 can obtain the particle size distribution of the granulated particles by estimating the content of the granulated particles in all particle size categories.
  • the component estimation model inputs the blending ratio of each raw material and the granulation conditions including the moisture content of the sintered raw material during granulation, and calculates the size of the granulated particles into one of the multiple particle size classifications.
  • This is a trained machine learning model that outputs the content of specific components in granulated particles in particle size classifications.
  • the granulation result estimation unit 113 inputs the blending ratio of each raw material and the granulation conditions including the water content of the sintered raw material during granulation into the component estimation model read from the storage unit 14. The content of a specific component in granulated particles in one particle size classification can be estimated.
  • the granulation result estimating unit 113 can repeat the same process for other particle size categories and estimate the content of the specific component of the granulated particles in each particle size category. Then, the granulation result estimating unit 113 can determine the content of the specific component in the granulated particles by estimating the content of the specific component in the granulated particles in all particle size categories.
  • the granulation result estimation unit 113 outputs the estimated content of granulated particles in each particle size classification and the content of a specific component of the granulated particles in each particle size classification to the charging result estimation unit 115. .
  • the granularity estimation model and the component estimation model may be generated in advance by machine learning using a large number of data sets including input values and output performance values, and may be stored in the storage unit 14.
  • the input to the particle size estimation model and component estimation model may include particle sizes of other raw materials. Further, the inputs to the particle size estimation model and the component estimation model may include granulation conditions such as the rotation speed and residence time of the granulator 20.
  • the particle size estimation model and the component estimation model may be multiple regression models.
  • the input to the machine learning model becomes the explanatory variable of the multiple regression model
  • the output of the machine learning model becomes the objective variable of the multiple regression model.
  • each parameter of the multiple regression model may be calculated in advance using a large number of data sets including input values and output performance values, and stored in the storage unit 14.
  • the particle size estimation model and the component estimation model may be updated by performing machine learning using a data set acquired later.
  • each parameter of the multiple regression model may be updated using the data set acquired later.
  • the charging condition acquisition unit 114 acquires charging conditions when the sintering raw material supply device 31 charges granulated particles into the pallet 32 to form a raw material charging layer.
  • the charging condition acquisition unit 114 may acquire the charging conditions from the sintering machine 30 or may acquire the charging conditions through an input operation to the input unit 12 by an operator.
  • the charging conditions acquired by the charging condition acquisition unit 114 may include, for example, the speed of the pallet 32, the opening degree of the sub-gate included in the sintering raw material supply device 31, the angle of the chute provided in the sintering raw material supply device 31, etc. .
  • the charging condition acquisition unit 114 outputs the acquired charging conditions to the charging result estimation unit 115.
  • the storage unit 14 stores a table showing the content ratio of granulated particles of each particle size for each charging section in which the height direction of the raw material charging layer is divided into a plurality of sections according to the particle size distribution of the granulated particles and charging conditions. are doing.
  • the table showing the content ratio of granulated particles of each particle size for each charging category is an example of a charging estimation model.
  • the charging result estimating unit 115 When the charging result estimating unit 115 acquires the granulation result of the granulated particles from the granulation result estimating unit 113 and the charging conditions from the charging condition acquisition unit 114, the charging result estimating unit 115 stores the particle size distribution and charging from the storage unit 14.
  • a table is read that shows the content ratio of granulated particles of each particle size for each charging section in which the height of the raw material charging layer is divided into a plurality of sections corresponding to the conditions.
  • the granulation result of the granulated particles obtained from the granulation result estimation unit 113 includes the content of the granulated particles in each particle size classification of the granulated particles, and the granulated particles in each particle size classification of the granulated particles. content of specific components.
  • the content ratio of granulated particles of each particle size in each charging section where the raw material charging layer is divided into a plurality of sections in the height direction is determined by controlling the sintering material supply device 31 of the sintering machine 30 using a DEM (Discrete Element Method). By executing a simulation, it is possible to calculate the amount in advance for each charging section.
  • the table calculated in this manner may be stored in the storage unit 14 in advance.
  • DEM calculates the force generated on the granules when granules distributed according to the estimated particle size distribution collide with each other, and based on the calculated force, the behavior of the granules during the analysis time is controlled by a predetermined value. This is a method of calculating for each time interval.
  • information to be input includes, in addition to the particle size distribution of the granulated particles, the speed of the pallet 32, the opening degree of the sub-gate included in the sintering raw material supply device 31, and the angle of the chute provided in the sintering raw material supply device 31.
  • Spring constants between granulated particles, spring constants in the tangential and normal directions between granulated particles and wall elements (pallet 32, chute, granulator 20), and between granulated particles and wall elements The coefficient of friction (static friction, rolling friction) is used.
  • each constant is set so that the experimental value of the angle of repose for a plurality of raw material formulations and water contents matches the value calculated by DEM.
  • the number of granulated particles having an average particle size is the largest, and as the distance from the average particle size increases, the number of granulated particles having that particle size decreases. Therefore, the size of the particle size division of the granulated particles may be narrowed to the size of the particle size division close to the average particle diameter. Thereby, the difference in the number of granulated particles included in each particle classification can be reduced. Narrowing the size of the particle size classification overall increases the calculation load, but by narrowing only the size of the particle size classification that is close to the average particle size, more detailed charging data can be obtained while suppressing the increase in calculation load. It becomes possible to obtain.
  • the charging result estimation unit 115 determines the raw material charging layer formed on the pallet 32 based on the granulation result obtained from the granulation result estimation unit 113 and the charging conditions obtained from the charging condition acquisition unit 114. Estimate the particle size segregation and component segregation of the granulated particles in the height direction.
  • the charging result estimating unit 115 estimates the particle size segregation of the granulated particles in the height direction of the raw material charging layer using a table showing the content ratio of the granulated particles of each particle size for each charging category. In addition, since the component composition of each particle size of the granulated particles is estimated by the granulation result estimating unit 113, the charging result estimating unit 115 calculates the particle size segregation of the granulated particles in the height direction of the raw material charging layer. , the component segregation of the granulated particles in the height direction of the raw material charging layer can be estimated based on the component composition for each particle size in each charging section.
  • the charging result estimating unit 115 estimates the particle size segregation and component segregation of the granulated particles in charging sections divided not only in the height direction of the raw material charging layer but also in the width direction of the raw material charging layer. It's okay.
  • the storage unit 14 stores a table showing the content ratio of granulated particles of each particle size for each charging section divided not only in the height direction but also in the width direction of the raw material charging layer.
  • the table showing the content ratio of granulated particles of each particle size for each charging category is an example of a charging estimation model.
  • the trained machine when the content of granulated particles for each particle size classification, component composition, and charging conditions are input, the trained machine outputs the content ratio of granulated particles of each particle size for each charging classification.
  • a learning model or a multiple regression model may be used.
  • the guidance information acquisition unit 116 acquires guidance information including a setting value for setting at least one of the particle size segregation and component segregation estimated by the charging result estimation unit 115 as a target value.
  • the guidance information includes the blending ratio of the carbon-containing raw material, the particle size of the carbon-containing raw material, the blending ratio of the CaO-containing raw material, the moisture content during granulation, the space factor in the granulator 20, and the rotation speed of the granulator 20. , the speed of the pallet 32, the opening degree of the sub-gate, and the chute angle.
  • the particle size of the carbon-containing raw material can be controlled by changing the throughput of the rod mill.
  • the space factor within the granulator 20 can be controlled by changing the amount of sintering raw material conveyed to the granulator 20.
  • At least one target value of particle size segregation and component segregation is determined on the condition that the quality of the sintered ore produced by the sintering equipment 1 satisfies a predetermined quality of the sintered ore. Specifically, when at least one of grain size segregation and component segregation is input, a yield estimation model (quality estimation model) that outputs the yield of sintered ore is constructed, and various methods are applied to the yield estimation model. The yield of sintered ore (quality of sintered ore) is estimated by inputting the particle size segregation and component segregation.
  • the yield estimation model It is determined whether the yield of the output sintered ore exceeds the target value, and when it is determined that the yield of the output sintered ore exceeds the target value, the grain size segregation and component segregation input at that time are determined. Specify as the target value.
  • a trained machine learning model or multiple regression model may be used as the yield estimation model.
  • the yield of sintered ore is an example of the quality of sintered ore.
  • the yield of sintered ore may be, for example, a value calculated by the following equation (1). (Mass of sintered ore with particle size of 5 mm or more x 100) / (Mass of sintered ore with particle size of 5 mm or more + Mass of return ore with particle size of less than 5 mm) (1)
  • the quality of the sintered ore As for the quality of the sintered ore, the strength of the sintered ore, the reducibility of the sintered ore, etc. may be used instead of the yield of the sintered ore.
  • the guidance information acquisition unit 116 When the guidance information acquisition unit 116 specifies at least one target value of particle size segregation and component segregation, the guidance information acquisition unit 116 back-calculates the charging estimation model and the granulation estimation model to achieve the target value. Blending ratio of raw materials, particle size of carbon-containing raw materials, blending ratio of CaO-containing raw materials, moisture content during granulation, space factor in granulator 20, rotational speed of granulator 20, speed of pallet 32, At least one set value of the opening degree and the chute angle of the sub-gate is acquired.
  • the guidance information acquisition unit 116 acquires the blending ratio of the carbon-containing raw material, the particle size of the carbon-containing raw material, the blending ratio of the CaO-containing raw material, the water content during granulation, the space factor in the granulator 20, and the granulator 20.
  • the acquired installation value is output to the output unit 13.
  • the output unit 13 outputs the setting value acquired from the guidance information acquisition unit 116. For example, when the output unit 13 includes a display, the output unit 13 displays the setting value acquired from the guidance information acquisition unit 116 on the display.
  • the operator who visually confirmed the set values displayed on the display can manufacture sintered ore with the target particle size segregation and component segregation by adjusting to the set values and operating the sintering equipment 1.
  • the guidance information acquisition unit 116 may automatically set the calculated setting value as the setting value when operating the sintering equipment 1.
  • the sintering equipment 1 can automatically produce sintered ore with target particle size segregation and component segregation. This makes it possible to produce sintered ore that satisfies the target quality.
  • step S101 the control unit 11 of the control device 10 acquires raw material information including the particle size, component composition, and blending ratio of each raw material contained in the sintering raw material.
  • step S102 the control unit 11 acquires granulation conditions including the water content of the sintered raw material when the granulator 20 granulates the granulated particles from the sintered raw material.
  • step S103 the control unit 11 estimates a granulation result including the particle size of the granulated particles and the component composition for each particle size of the granulated particles, based on the acquired raw material information and granulation conditions.
  • step S104 the control unit 11 acquires charging conditions when charging the sintering machine 30 with granulated particles to form a raw material charging layer.
  • step S105 the control unit 11 estimates the particle size segregation and component segregation of the granulated particles in the height direction of the raw material charging layer based on the estimated granulation result and the acquired charging conditions.
  • the control unit 11 acquires guidance information including a setting value for setting at least one of the estimated particle size segregation and the component segregation as a target value.
  • the guidance information includes the blending ratio of the carbon-containing raw material, the particle size of the carbon-containing raw material, the blending ratio of the CaO-containing raw material, the moisture content during granulation, the space factor in the granulator 20, and the rotation of the granulator 20.
  • the setting value may include at least one of the speed, the speed of the pallet 32, the opening degree of the sub-gate, and the chute angle.
  • the control unit 11 may output the acquired guidance information to the output unit 13 and display it on the output unit 13.
  • FIG. 4 is a table showing the particle size distribution of granulated particles and actual values of carbon concentration for each particle size when granulated particles were manufactured under various conditions.
  • FIG. 4 shows the mixing ratio, coke powder particle size, and water content during granulation as conditions. Furthermore, as actual values, the particle size distribution of the granulated particles and the carbon concentration for each particle size are shown.
  • raw material A is iron ore from South America.
  • Raw material B is iron ore from South America, which is a different brand from raw material A.
  • Raw material C is iron ore from Australia.
  • 2- mm indicates the proportion of coke powder having a diameter of less than 2 mm.
  • -1 mm indicates the proportion of coke breeze having a diameter of less than 1 mm.
  • +8.0 indicates the proportion of granulated particles having a diameter exceeding 8.0 mm.
  • 2.8-8.0 indicates the proportion of granulated particles having a diameter of 2.8 mm or more and 8.0 mm or less.
  • “-2.8” indicates the proportion of granulated particles having a diameter of less than 2.8 mm.
  • “+8.0” indicates the concentration of carbon whose diameter exceeds 8.0 mm.
  • “2.8-8.0” indicates the concentration of carbon having a diameter of 2.8 mm or more and 8 mm or less.
  • “-2.8” indicates the concentration of carbon whose diameter is less than 2.8 mm.
  • a particle size estimation model and a component estimation model were generated using the actual values shown in FIG. 4, and these were used to estimate the content of granulated particles in each particle size category and the carbon concentration for each particle size.
  • two types of estimation were performed: estimation using a machine learning model and estimation using a multiple regression model.
  • the particle size estimation model used was a model that outputs the content of granulated particles in each particle size category by inputting the particle size of coke powder, the blending ratio of sintering raw materials, and the water content during granulation.
  • the component estimation model used was a model that outputs the carbon concentration for each particle size by inputting the particle size of coke breeze, the blending ratio of sintering raw materials, and the water content during granulation.
  • the particle size estimation model uses the particle size of coke breeze, the blending ratio of sintered raw materials, and the moisture content during granulation as explanatory variables, and calculates the content of granulated particles in each particle size category.
  • a model with the objective variable as the objective variable was used.
  • the component estimation model used was a model in which the particle size of coke breeze, the blending ratio of sintering raw materials, and the water content during granulation were used as explanatory variables, and the carbon concentration for each particle size was used as an objective variable.
  • FIG. 5 is a table showing correlation coefficients between estimated values and actual values when estimated using a machine learning model and when estimated using a multiple regression model.
  • the correlation coefficient when a neural network is used and the correlation coefficient when a C&R Tree (Classification and Regression Tree) is used are shown.
  • the correlation coefficient is high regardless of which model is used, and it is confirmed that the control device 10 can estimate the particle size of the granulated particles and the component concentration of the specific component for each particle size with high accuracy. Ta.
  • the correlation coefficient when using a machine learning model is generally larger, It was confirmed that by using machine learning, the particle size of granulated particles and the carbon concentration for each particle size can be estimated with higher accuracy.
  • FIG. 6 is a diagram showing an example of a charging estimation model.
  • the charging estimation model is a table showing the content ratio of granulated particles of each particle size for each charging classification.
  • FIG. 6 shows the content ratio of granulated particles of each particle size for each charging section of the raw material charging layer.
  • Three types of particle size of the granulated particles are shown: “+8.0”, “2.8 to 8.0”, and “-2.8".
  • “+8.0” means the particle size of the granulated particles is over 8.0 mm
  • “2.8-8.0” means the particle size of the granulated particles is 2.8 mm or more and 8.0 mm or less
  • “- 2.8'''' means that the particle size of the granulated particles is less than 2.8 mm.
  • the table shown in FIG. 6 is generated by performing a DEM simulation for each particle size distribution and charging condition of the granulated particles.
  • the generated table showing the content ratio of granulated particles of each particle size for each charging classification is stored in the storage unit 14.
  • FIG. 7 is a graph showing the correlation between the calculated yield estimated by machine learning using particle size segregation and the actual yield. As shown in FIG. 7, it was confirmed that the yield of sintered ore could be estimated with high accuracy by using particle size segregation.
  • FIG. 8 is a diagram showing the operation of the sintering machine 30.
  • the portion shown as a "comparative example” is the result when the sintering machine 30 was operated based on the existing operation policy.
  • the portion shown as “Example” is the result when the sintering machine 30 was operated by acquiring the guidance information described in this embodiment.
  • particle size segregation was estimated using a granulation estimation model and a charging estimation model. Then, identify the target value at which the grain size segregation satisfies the target yield of sintered ore, determine the set value of the water content during granulation that makes the grain size segregation meet the target value, and set the set value. Sintered ore was produced using this method. As a result, a decrease in the yield of sintered ore was suppressed, and it was possible to manufacture sintered ore while maintaining a high yield.
  • the control device 10 controls the particle size, component composition, and blending ratio of each raw material contained in the sintering raw materials.
  • a charging result estimation step of estimating the particle size segregation and component segregation of the granulated particles is executed.
  • the operation management method of the sintering machine 30 according to the present embodiment and the control device 10 according to the present embodiment are capable of controlling raw material information including the blending ratio of each raw material contained in the sintering raw material and sintering during granulation. Since the particle size segregation or component segregation of the granulated particles in the height direction of the raw material charging layer is estimated based on the granulation conditions including the moisture content of the coagulating material, it is possible to estimate the particle size segregation or component segregation of the granulated particles in the height direction of the raw material charging layer. Even if they are different, the particle size segregation or component segregation of the granulated particles in the height direction of the raw material charging layer can be estimated.
  • the guidance information acquisition unit 116 executes a guidance information acquisition step of acquiring guidance information including a set value for setting at least one of particle size segregation and component segregation as a target value.
  • the guidance information includes the blending ratio of the carbon-containing raw material, the particle size of the carbon-containing raw material, the blending ratio of the CaO-containing raw material, the moisture content during granulation, and the content of It includes at least one set value of the space factor, the rotational speed of the granulator 20, the speed of the pallet 32, the opening degree of the sub-gate, and the chute angle.
  • the control device 10 adjusts the manufacturing conditions of sintered ore based on the guidance information including the set value for setting at least one of the particle size segregation and the component segregation as the target value, thereby achieving the target value. It is possible to produce sintered ore that satisfies the quality. Therefore, the operation management method of the sintering machine 30 according to the present embodiment and the control device 10 according to the present embodiment estimate the grain size segregation and component segregation in the raw material charging layer, and adjust the estimated grain size segregation and component segregation. This can be easily reflected in the manufacturing conditions of sintered ore. Further, the adjustment of the sintered ore production conditions based on the guidance information may be operated by an operator who has obtained the information, or may be automatically executed by the control device 10 according to the present embodiment.
  • the sintered ore with a particle size of 5 mm or more and the return ore with a particle size of less than 5 mm are sieved using a sieving device 60. Only after determining the yield could it be possible to adjust the manufacturing conditions for sintered ore based on the yield.
  • the operation management method of the sintering machine 30 according to the present embodiment it is possible to acquire guidance information including the setting values of the manufacturing conditions of the sintered ore, and based on the guidance information, the sintered ore is The manufacturing conditions can be adjusted, allowing for faster adjustments.
  • the present disclosure is not limited to the embodiments described above.
  • a plurality of blocks shown in the block diagram may be integrated, or one block may be divided. Instead of performing the steps in the flowchart in chronological order as described, they may be performed in parallel or in a different order depending on the processing power of the device performing each step or as needed. Other changes are possible without departing from the spirit of the present disclosure.
  • the sintering raw material includes an iron-containing raw material, a CaO-containing raw material, and a carbon-containing raw material has been described as an example.
  • the sintering raw material is not limited to this, and it is sufficient that the sintering raw material contains an iron-containing raw material and a carbon-containing raw material, and does not need to contain a CaO-containing raw material.
  • the guidance information includes the blending ratio of CaO-containing raw materials
  • the sintering raw materials include iron-containing raw materials, CaO-containing raw materials, and carbon-containing raw materials.
  • control unit 11 has the function of the guidance information acquisition unit 116
  • the present invention is not limited to this, and the control section 11 may not have the function of the guidance information acquisition section 116.
  • the control unit 11 has the function of the guidance information acquisition unit 116, it will be possible to manufacture sintered ore that satisfies the target quality. It is preferable that

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Materials Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

焼結機３０の操業管理方法は、原料情報を取得するステップと、造粒粒子を造粒する際の焼結原料の水分含有量を含む造粒条件を取得するステップと、原料情報及び造粒条件に基づいて造粒粒子の粒度と造粒粒子の粒度毎の成分組成とを含む造粒結果を推定するステップと、原料装入層を形成する際の装入条件を取得するステップと、造粒結果及び装入条件に基づいて原料装入層の高さ方向における造粒粒子の粒度偏析及び成分偏析を推定するステップと、ガイダンス情報を取得するガイダンス情報取得ステップと、を含む。ガイダンス情報は、炭素含有原料の配合割合、炭素含有原料の粒度、水分含有量、パレットの速度、サブゲートの開度及びシュート角度のうちの少なくとも１つの設定値を含む

Description

焼結機の操業管理方法、焼結鉱の製造方法及び制御装置
　本開示は、焼結機の操業管理方法、焼結鉱の製造方法及び制御装置に関する。
　焼結機の操業において、原料装入層の装入偏析は、原料装入層の上層部の歩留改善を左右する重要な指標である。
　しかしながら、原料装入層の偏析情報を把握するためには、現状のところ、焼結機を停止した後にサンプリングなどを行って、原料装入層を直接測定する必要がある。そのため、通気データ及び排鉱部の火落ち状況などを見て装入偏析の良し悪しを判断し、焼結機の操業を管理することが行われている。
　例えば特許文献１は、焼結機のパレットに装入された焼結原料層における高さ方向の原料の粒度分布を推定する方法を開示している。
特開２０２０－１２１８５号公報
　特許文献１は、賦存マトリックスＰが一定、すなわち対象原料（例えば粉コークス）の粒度分布が変わらなければ粒度毎の成分を推定できるとしている。しかしながら、粉コークス粒度分布が変わらない場合であっても他の配合原料によって大きく粒度毎の成分が変わることから、原料の配合条件が異なる場合には特許文献１に開示の方法では焼結原料層における高さ方向の原料の分布を精度よく推定できないという課題があった。さらに、特許文献１の方法は、造粒時の焼結原料の水分含有量も考慮しておらず、造粒時の水分含有量が異なる場合には焼結原料層における高さ方向の原料の分布を推定できないという課題もあった。
　本開示の目的は、原料の配合条件又は造粒の際の水分含有量が異なる場合でも原料装入層内の粒度偏析及び成分偏析を推定できる焼結機の操業管理方法、焼結鉱の製造方法及び制御装置を提供することである。
　本開示の一実施形態に係る焼結機の操業管理方法は、
　鉄含有原料及び炭素含有原料を含む焼結原料に水を添加して造粒された造粒粒子を焼結する焼結機の操業管理方法であって、
　前記焼結原料に含まれる各原料の粒度、成分組成及び配合割合を含む原料情報を取得する、原料情報取得ステップと、
　前記焼結原料から前記造粒粒子を造粒する際の前記焼結原料の水分含有量を含む造粒条件を取得する、造粒条件取得ステップと、
　前記原料情報及び前記造粒条件に基づいて、前記造粒粒子の粒度と、前記造粒粒子の粒度毎の成分組成とを含む造粒結果を推定する、造粒結果推定ステップと、
　前記焼結機に前記造粒粒子を装入して原料装入層を形成する際の装入条件を取得する、装入条件取得ステップと、
　前記造粒結果及び前記装入条件に基づいて、前記原料装入層の高さ方向における、前記造粒粒子の粒度偏析及び成分偏析を推定する、装入結果推定ステップと、
　前記粒度偏析及び前記成分偏析のうちの少なくとも１つを目標値とするための設定値を含むガイダンス情報を取得する、ガイダンス情報取得ステップと、
　を含み、
　前記ガイダンス情報は、前記炭素含有原料の配合割合、前記炭素含有原料の粒度、前記水分含有量、パレットの速度、サブゲートの開度及びシュート角度のうちの少なくとも１つの設定値を含む。
　本開示の一実施形態に係る焼結鉱の製造方法は、上記焼結機の操業管理方法を用いて焼結鉱を製造する。
　本開示の一実施形態に係る制御装置は、
　鉄含有原料及び炭素含有原料を含む焼結原料に水を添加して造粒された造粒粒子を焼結する焼結機を制御する制御装置であって、
　前記焼結原料に含まれる各原料の粒度、成分組成及び配合割合を含む原料情報を取得する、原料情報取得部と、
　前記焼結原料から前記造粒粒子を造粒する際の前記焼結原料の水分含有量を含む造粒条件を取得する、造粒条件取得部と、
　前記原料情報及び前記造粒条件に基づいて、前記造粒粒子の粒度と、前記造粒粒子の粒度毎の成分組成とを含む造粒結果を推定する、造粒結果推定部と、
　前記焼結機に前記造粒粒子を装入して原料装入層を形成する際の装入条件を取得する、装入条件取得部と、
　前記造粒結果及び前記装入条件に基づいて、前記原料装入層の高さ方向における、前記造粒粒子の粒度偏析及び成分偏析を推定する、装入結果推定部と、
　前記粒度偏析及び前記成分偏析のうちの少なくとも１つを目標値とするための設定値を含むガイダンス情報を取得する、ガイダンス情報取得部と、
　を備え、
　前記ガイダンス情報は、前記炭素含有原料の配合割合、前記炭素含有原料の粒度、前記水分含有量、パレットの速度、サブゲートの開度及びシュート角度のうちの少なくとも１つの設定値を含む。
　本開示に係る焼結機の操業管理方法、焼結鉱の製造方法及び制御装置によれば、原料の配合条件又は造粒の際の水分含有量が異なる場合でも、原料装入層内の粒度偏析及び成分偏析を推定することができる。
本開示の一実施形態に係る焼結設備の構成例を模式的に示す図である。 本開示の一実施形態に係る制御装置の構成例を模式的に示す図である。 本開示の一実施形態に係る焼結機の操業管理方法の手順例を示すフローチャートである。 実施例における造粒粒子の粒度分布及び粒度毎の炭素濃度の実績値を示す図である。 実施例における実績値と推定した値との相関を示す図である。 実施例における装入推定モデルの一例を示す図である。 実施例における計算歩留と実績歩留との相関関係を示すグラフである。 実施例における焼結機の操業の様子を示す図である。
　以下、本開示の実施形態について図面を参照して説明する。
　図１は、本開示の一実施形態に係る焼結設備１の構成例を模式的に示す図である。焼結設備１は、鉄含有原料及び炭素含有原料を含む焼結原料から焼結鉱を製造することができる設備である。
　焼結設備１は、制御装置１０と、造粒機２０と、焼結機３０と、破砕機４０と、クーラー５０と、篩分装置６０とを備える。
　制御装置１０は、造粒機２０、焼結機３０、破砕機４０、クーラー５０及び篩分装置６０と通信可能である。制御装置１０は、造粒機２０、焼結機３０、破砕機４０、クーラー５０及び篩分装置６０を制御する。
　制御装置１０の構成及び機能の詳細については後述する。
　造粒機２０は、鉄含有原料及び炭素含有原料を含む焼結原料から造粒粒子を造粒する。造粒機２０が造粒粒子を造粒する際、焼結原料には造粒水が添加される。焼結原料は、副原料として、さらに酸化カルシウム（ＣａＯ）含有原料を含んでもよい。造粒機２０が造粒した造粒粒子は、焼結機３０に搬送される。
　造粒機２０は、造粒粒子を製造可能な任意の造粒機であってよいが、例えば、ドラムミキサであってよい。
　焼結機３０は、造粒粒子を焼結する任意の焼結機であってよいが、例えば、ドワイトロイド式の焼結機であってよい。焼結機３０は、焼結原料供給装置３１と、パレット３２と、点火炉３３と、ウインドボックス３４とを備える。
　焼結原料供給装置３１は、造粒機２０から供給された造粒粒子を、パレット３２に装入する。
　パレット３２は、無端移動式のパレットである。パレット３２は、焼結原料供給装置３１から造粒粒子を装入されると、パレット３２上に原料装入層を形成する。
　点火炉３３は、パレット３２上に形成されている原料装入層の表層に含まれている炭素含有原料に点火する。
　ウインドボックス３４は、パレット３２上に形成されている原料装入層の空気を下方に吸引する。ウインドボックス３４によって原料装入層の空気が下方に吸引されると、原料装入層内の燃焼及び溶融体は、原料装入層の下方に移動する。このように、原料装入層内において燃焼及び溶融体が移動することにより、原料装入層は焼結される。その結果、原料装入層から焼結ケーキが得られる。
　破砕機４０は、焼結機３０から供給される焼結ケーキを破砕する。破砕機４０は、焼結ケーキの破砕物をクーラー５０に供給する。
　クーラー５０は、破砕機４０から供給された焼結ケーキの破砕物を冷却する。クーラー５０によって冷却された焼結ケーキの破砕物は、篩分装置６０に供給される。
　篩分装置６０は、クーラー５０によって冷却された焼結ケーキの破砕物を、破砕物の粒径に応じて篩い分ける。例えば、篩分装置６０は、焼結ケーキの破砕物を、粒径が５ｍｍ以上の焼結鉱と粒径が５ｍｍ未満の返鉱とに篩い分ける。
　このように、最終的に篩分装置６０によって篩い分けられることによって、焼結鉱が製造される。また、篩分装置６０によって篩い分けられた返鉱は、焼結原料に配合され、焼結鉱の原料として再び利用されてよい。
　続いて、制御装置１０の構成及び機能について説明する。最初に、制御装置１０の機能の概要について説明する。
　制御装置１０は、造粒機２０に供給される焼結原料が含む原料についての情報である原料情報を取得する。
　制御装置１０は、造粒機２０が焼結原料から造粒粒子を造粒する際の焼結原料の水分含有量を含む造粒条件を取得する。
　制御装置１０は、取得した原料情報及び造粒条件に基づいて、造粒機２０によって造粒される造粒粒子の造粒結果を推定する。制御装置１０によって推定される造粒結果は、造粒粒子の粒度と、造粒粒子の粒度毎の成分組成とを含む。
　制御装置１０は、焼結原料供給装置３１がパレット３２に造粒粒子を装入して原料装入層を形成する際の装入条件を取得する。
　制御装置１０は、推定した造粒結果と、取得した装入条件とに基づいて、パレット３２上に形成される原料装入層の高さ方向における、造粒粒子の粒度偏析及び成分偏析を推定する。
　制御装置１０は、推定した粒度偏析及び成分偏析のうちの少なくとも１つを目標値とするための設定値を含むガイダンス情報を取得する。当該ガイダンス情報は、炭素含有原料の配合割合、炭素含有原料の粒度、ＣａＯ含有原料の配合割合、造粒の際の水分含有量、造粒機２０内の占積率、造粒機２０の回転速度、パレット３２の速度、サブゲートの開度、シュート角度のうちの少なくとも１つの設定値を含む。
　続いて、制御装置１０の構成について説明する。
図２は、本開示の一実施形態に係る制御装置１０の構成例を模式的に示す図である。制御装置１０は、ワークステーション、パソコンなどのような汎用のコンピュータであってもよいし、焼結設備１の制御装置１０として機能するように構成された専用のコンピュータであってもよい。
　制御装置１０は、制御部１１と、入力部１２と、出力部１３と、記憶部１４と、通信部１５とを備える。
　制御部１１は、少なくとも１つのプロセッサ、少なくとも１つの専用回路、又はこれらの組み合わせを含む。プロセッサは、ＣＰＵ（Central Processing Unit）若しくはＧＰＵ（Graphics Processing Unit）などの汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。専用回路は、例えば、ＦＰＧＡ（Field-Programmable Gate Array）又はＡＳＩＣ（Application Specific Integrated Circuit）である。
　制御部１１は、記憶部１４に記憶されているプログラム、データなどを読み込み、各種機能を実行する。制御部１１は、造粒機２０、焼結機３０、破砕機４０、クーラー５０及び篩分装置６０を制御する。
　制御部１１は、記憶部１４から読み込んだプログラムを実行することにより、制御部１１を、原料情報取得部１１１、造粒条件取得部１１２、造粒結果推定部１１３、装入条件取得部１１４、装入結果推定部１１５及びガイダンス情報取得部１１６として機能させることができる。
　原料情報取得部１１１、造粒条件取得部１１２、造粒結果推定部１１３、装入条件取得部１１４、装入結果推定部１１５及びガイダンス情報取得部１１６が実行する処理については後述する。
　入力部１２は、ユーザ入力を検出して、ユーザの操作に基づく入力情報を取得する１つ以上の入力用インターフェースを含む。入力部１２は、例えば、物理キー、静電容量キー、出力部１３のディスプレイと一体的に設けられたタッチスクリーン、又は音声入力を受け付けるマイク等を含む。
　出力部１３は、情報を出力してユーザに通知する１つ以上の出力用インターフェースを含む。出力部１３は、例えば、情報を画像で出力するディスプレイ、情報を音声で出力するスピーカ等を含む。出力部１３が含むディスプレイは、例えば、ＬＣＤ（Liquid Crystal Display）、ＣＲＴ（Cathode Ray Tube）ディスプレイなどであってよい。
　記憶部１４は、例えば、フラッシュメモリ、ハードディスク、光メモリ等である。記憶部１４の一部は、制御装置１０の外部にあってもよい。この場合、記憶部１４の一部は、制御装置１０と任意のインターフェースを介して接続されたハードディスク、メモリーカード等であってよい。
　記憶部１４は、制御部１１が各機能を実行するためのプログラム、当該プログラムが使用するデータなどを格納している。
　通信部１５は、有線通信に対応する通信モジュール及び無線通信に対応する通信モジュールの少なくとも一方を含む。制御装置１０は、通信部１５を介して他の端末装置などと通信可能である。
　続いて、原料情報取得部１１１、造粒条件取得部１１２、造粒結果推定部１１３、装入条件取得部１１４、装入結果推定部１１５及びガイダンス情報取得部１１６が実行する処理について説明する。
　原料情報取得部１１１は、造粒機２０に供給される焼結原料が含む原料についての情報である原料情報を取得する。原料情報は、焼結原料に含まれる各原料の粒度、成分組成及び配合割合を含む。例えば、焼結原料が鉄含有原料、ＣａＯ含有原料及び炭素含有原料を含む場合、原料情報は、鉄含有原料、ＣａＯ含有原料及び炭素含有原料のそれぞれについての、粒度、成分組成及び配合割合を含む。鉄含有原料は、例えば鉄鉱石であってよい。ＣａＯ含有原料は、例えば石灰石であってよい。炭素含有原料は、例えば粉コークスであってよい。
　各原料の粒度は、予め定められた粒度区分毎の含有割合を含んでよい。各原料の成分組成は、例えば、炭素（Ｃ）濃度、水分濃度、酸化カルシウム（ＣａＯ）濃度及び酸化アルミニウム（Ａｌ２Ｏ３）濃度のうちの少なくとも１つを含んでよい。
　原料情報取得部１１１は、原料情報を、オペレータによる入力部１２への入力操作によって取得してよい。オペレータは、各原料について、篩い分け、化学分析などをすることにより、予め原料情報を取得しておくことができる。また、原料情報取得部１１１は、他の端末装置にオペレータが入力した原料情報を、通信部１５を介して受信することによって、原料情報を取得してもよい。
　原料情報取得部１１１は、取得した原料情報を造粒条件取得部１１２に出力する。
　造粒条件取得部１１２は、造粒機２０が焼結原料から造粒粒子を造粒する際の焼結原料の水分含有量を含む造粒条件を取得する。造粒条件取得部１１２は、造粒機２０から造粒条件を取得してもよいし、オペレータによる入力部１２への入力操作によって造粒条件を取得してもよい。造粒機２０が焼結原料から造粒粒子を造粒する際の焼結原料の水分含有量は、焼結原料が含む各原料の水分含有量と、造粒機２０に添加される造粒水とから求められる。また、各原料の水分含有量は、例えば、赤外水分計を用いて測定することができる。
　造粒条件取得部１１２が取得する造粒条件は、造粒機２０が焼結原料から造粒粒子を造粒する際の焼結原料の水分含有量を含んでいればよいが、造粒機２０が焼結原料から造粒粒子を造粒する際に設定されたその他の条件をさらに含んでいてもよい。例えば、造粒条件は、造粒機２０内の占積率、造粒機２０の回転速度及び滞留時間をさらに含んでいてもよい。
　造粒条件取得部１１２は、造粒条件と、原料情報取得部１１１から取得した原料情報とを、造粒結果推定部１１３に出力する。
　造粒結果推定部１１３は、造粒条件取得部１１２から取得した原料情報及び造粒条件に基づいて、造粒機２０によって造粒される造粒粒子の造粒結果を推定する。制御装置１０によって推定される造粒結果は、造粒粒子の粒度と、造粒粒子の粒度毎の成分組成とを含む。
　造粒結果推定部１１３は、造粒結果を推定する際、粒度推定モデル及び成分推定モデルを含む造粒推定モデルを用いて、造粒結果を推定する。粒度推定モデル及び成分推定モデルは、記憶部１４に格納されていてよい。
　粒度推定モデルは、焼結原料に含まれる各原料の配合割合と造粒の際の焼結原料の水分含有量を含む造粒条件とを入力すると、造粒粒子の粒度を複数に区分した粒度区分のうちの１つの粒度区分における造粒粒子の含有量を出力する学習済の機械学習モデルである。
　造粒結果推定部１１３は、各原料の配合割合と、造粒の際の焼結原料の水分含有量を含む造粒条件とを、記憶部１４から読み出した粒度推定モデルに入力することによって、１つの粒度区分における造粒粒子の含有量を推定することができる。
　なお、１つの粒度区分における造粒粒子の含有量は、造粒粒子の粒度の一例である。造粒粒子の粒度は、他の指標によって表現されてもよい。
　粒度区分は、例えば、３水準であってよい。粒度区分が３水準である場合、例えば、８ｍｍ超え、２．８ｍｍ以上８．０ｍｍ以下、２．８ｍｍ未満のように区分されてよい。粒度区分は３水準に限られず、それより多くに区分された粒度区分であってもよい。
　造粒結果推定部１１３は、他の粒度区分についても同じ処理を繰り返し、それぞれの粒度区分における造粒粒子の含有量を推定することができる。そして、造粒結果推定部１１３は、全ての粒度区分における造粒粒子の含有量を推定することによって、造粒粒子の粒度分布を求めることができる。
　成分推定モデルは、各原料の配合割合と造粒の際の焼結原料の水分含有量を含む造粒条件とを入力すると、造粒粒子の粒度を複数に区分した粒度区分のうちの１つの粒度区分における造粒粒子の特定成分の含有量を出力する学習済の機械学習モデルである。
　造粒結果推定部１１３は、各原料の配合割合と、造粒の際の焼結原料の水分含有量を含む造粒条件とを、記憶部１４から読み出した成分推定モデルに入力することによって、１つの粒度区分における造粒粒子の特定成分の含有量を推定することができる。
　造粒結果推定部１１３は、他の粒度区分についても同じ処理を繰り返し、それぞれの粒度区分における造粒粒子の特定成分の含有量を推定することができる。そして、造粒結果推定部１１３は、全ての粒度区分における造粒粒子の特定成分の含有量を推定することによって、造粒粒子の特定成分の含有量を求めることができる。
　造粒結果推定部１１３は、推定した、それぞれの粒度区分における造粒粒子の含有量と、それぞれの粒度区分における造粒粒子の特定成分の含有量とを、装入結果推定部１１５に出力する。
　粒度推定モデル及び成分推定モデルは、入力の値と出力の実績値とを１組とした多数のデータセットを用いて機械学習させることによって予め生成され、記憶部１４に格納されていてよい。
　粒度推定モデル及び成分推定モデルへの入力には、他の原料の粒度が含まれていてもよい。また、粒度推定モデル及び成分推定モデルへの入力には、造粒機２０の回転速度、滞留時間などの造粒条件が含まれていてもよい。
　また、粒度推定モデル及び成分推定モデルとして機械学習モデルを用いる場合を説明したが、粒度推定モデル及び成分推定モデルは重回帰モデルであってもよい。この場合、機械学習モデルにおける入力が重回帰モデルの説明変数となり、機械学習モデルにおける出力が重回帰モデルの目的変数となる。重回帰モデルにおいても、入力の値と出力の実績値とを１組とした多数のデータセットを用いて重回帰モデルの各パラメータが予め算出され、記憶部１４に格納されていてよい。
　また、粒度推定モデル及び成分推定モデルが機械学習モデルである場合、粒度推定モデル及び成分推定モデルは、後に取得されたデータセットを用いて機械学習を行うことによって更新されてよい。粒度推定モデル及び成分推定モデルが重回帰モデルである場合、後に取得されたデータセットを用いて、重回帰モデルの各パラメータが更新されてよい。
　装入条件取得部１１４は、焼結原料供給装置３１がパレット３２に造粒粒子を装入して原料装入層を形成する際の装入条件を取得する。装入条件取得部１１４は、焼結機３０から装入条件を取得してもよいし、オペレータによる入力部１２への入力操作によって装入条件を取得してもよい。
　装入条件取得部１１４が取得する装入条件は、例えば、パレット３２の速度、焼結原料供給装置３１が備えるサブゲートの開度、焼結原料供給装置３１が備えるシュートの角度などを含んでよい。
　装入条件取得部１１４は、取得した装入条件を装入結果推定部１１５に出力する。
　記憶部１４は、造粒粒子の粒度分布及び装入条件毎に、原料装入層の高さ方向を複数に区分した装入区分毎の各粒度の造粒粒子の含有割合を示すテーブルを格納している。本実施形態において、装入区分毎の各粒度の造粒粒子の含有割合を示すテーブルは、装入推定モデルの一例である。
　装入結果推定部１１５は、造粒結果推定部１１３から造粒粒子の造粒結果を取得し、装入条件取得部１１４から装入条件を取得すると、記憶部１４から、粒度分布及び装入条件に対応した、原料装入層の高さを複数に区分した装入区分毎の各粒度の造粒粒子の含有割合を示すテーブルを読み出す。ここで、造粒結果推定部１１３から取得する造粒粒子の造粒結果は、造粒粒子のそれぞれの粒度区分における造粒粒子の含有量と、造粒粒子のそれぞれの粒度区分における造粒粒子の特定成分の含有量とを意味する。
　原料装入層を高さ方向に複数に区分した装入区分毎の各粒度の造粒粒子の含有割合は、ＤＥＭ（Discrete Element Method）を用いて焼結機３０の焼結原料供給装置３１を模擬したシミュレーションを実行することによって、装入区分毎に予め算出することができる。このようにして算出されたテーブルが、記憶部１４に予め格納されていてよい。
　ＤＥＭは、推定された粒度分布で分布している造粒粒子同士が衝突したときに造粒粒子に生じる力を算出し、算出した力に基づいて、解析時間における造粒粒子の挙動を所定の時間間隔毎に算出する手法である。
　ＤＥＭにおいては、入力する情報として、造粒粒子の粒度分布、パレット３２の速度、焼結原料供給装置３１が備えるサブゲートの開度、及び焼結原料供給装置３１が備えるシュートの角度に加えて、造粒粒子同士のばね定数、造粒粒子と壁要素（パレット３２、シュート、造粒機２０）との間の接線方向及び法線方向のばね定数、及び、造粒粒子と壁要素との間の摩擦係数（静摩擦、転がり摩擦）を用いる。
　パレット３２の速度、焼結原料供給装置３１が備えるサブゲートの開度、及び焼結原料供給装置３１が備えるシュートの角度は、実際の装置における操業のデータを使用することができる。また、各種定数については、複数の原料の配合及び水分含有量における安息角の実験値がＤＥＭによる算出値と一致するように、それぞれの定数が設定される。
　造粒粒子は、平均粒径の造粒粒子の数が最も多くなり、平均粒径から離れるにしたがって、その粒径の造粒粒子の数が少なくなる。したがって、造粒粒子の粒度区分は、平均粒径に近い粒度区分の大きさを狭くしてもよい。これにより、各粒子区分に含まれる造粒粒子の数の差を小さくすることができる。粒度区分の大きさを全体的に狭くすると計算負荷が高くなるが、平均粒径に近い粒度区分の大きさのみを狭くすることで、計算負荷の増大を抑制しつつ、より詳細な装入データを取得することが可能となる。
　装入結果推定部１１５は、造粒結果推定部１１３から取得した造粒結果と、装入条件取得部１１４から取得した装入条件とに基づいて、パレット３２上に形成される原料装入層の高さ方向における、造粒粒子の粒度偏析及び成分偏析を推定する。
　装入結果推定部１１５は、装入区分毎の各粒度の造粒粒子の含有割合を示すテーブルを用いて、原料装入層の高さ方向における造粒粒子の粒度偏析を推定する。また、造粒粒子の粒度毎の成分組成は、造粒結果推定部１１３によって推定されているので、装入結果推定部１１５は、原料装入層の高さ方向における造粒粒子の粒度偏析と、装入区分毎の粒度毎の成分組成とに基づいて、原料装入層の高さ方向における造粒粒子の成分偏析を推定することができる。
　なお、装入結果推定部１１５は、原料装入層の高さ方向に限らず、原料装入層の幅方向にも区分した装入区分における、造粒粒子の粒度偏析及び成分偏析を推定してもよい。この場合、記憶部１４には、原料装入層の高さ方向だけでなく幅方向にも分割した装入区分毎の各粒度の造粒粒子の含有割合を示すテーブルが格納される。
　なお、装入区分毎の各粒度の造粒粒子の含有割合を示すテーブルは、装入推定モデルの一例である。また、装入推定モデルとして、粒度区分毎の造粒粒子の含有量、成分組成及び装入条件を入力すると、装入区分毎の各粒度の造粒粒子の含有割合を出力する学習済の機械学習モデル又は重回帰モデルを用いてもよい。
　ガイダンス情報取得部１１６は、装入結果推定部１１５で推定した粒度偏析及び成分偏析のうちの少なくとも１つを目標値とするための設定値を含むガイダンス情報を取得する。ガイダンス情報は、炭素含有原料の配合割合、炭素含有原料の粒度、ＣａＯ含有原料の配合割合、造粒の際の水分含有量、造粒機２０内の占積率、造粒機２０の回転速度、パレット３２の速度、サブゲートの開度、シュート角度のうちの少なくとも１つの設定値を含んでよい。これら設定値のうち、炭素含有原料の粒度は、ロッドミルの処理量を変えることで制御できる。また、造粒機２０内の占積率は、造粒機２０への焼結原料の搬送量を変えることで制御できる。
　粒度偏析及び成分偏析のうちの少なくとも１つの目標値は、焼結設備１によって製造される焼結鉱の品質が焼結鉱の所定の品質を満たすことを条件として決定される。具体的には、粒度偏析及び成分偏析のうちの少なくとも１つを入力すると、焼結鉱の歩留を出力する歩留推定モデル（品質推定モデル）を構築し、当該歩留推定モデルに様々な粒度偏析及び成分偏析を入力することによって焼結鉱の歩留（焼結鉱の品質）を推定する。出力される焼結鉱の歩留が目標値を上回ったか否かを判定し、出力された焼結鉱の歩留が目標値を上回ったと判定すると、そのときに入力された粒度偏析及び成分偏析を目標値として特定する。歩留推定モデルとして、学習済の機械学習モデル又は重回帰モデルを用いてよい。
　なお、焼結鉱の歩留は、焼結鉱の品質の一例である。焼結鉱の歩留は、例えば、下記の式（１）によって算出される値であってよい。
　（粒径５ｍｍ以上の焼結鉱の質量×１００）／（粒径５ｍｍ以上の焼結鉱の質量＋粒径５ｍｍ未満の返鉱の質量）　　　（１）
　焼結鉱の品質としては、焼結鉱の歩留の代わりに、焼結鉱の強度、焼結鉱の被還元性などが用いられてもよい。
　ガイダンス情報取得部１１６は、粒度偏析及び成分偏析のうちの少なくとも１つの目標値を特定すると、装入推定モデル及び造粒推定モデルを逆算して、当該目標値を達成することができる、炭素含有原料の配合割合、炭素含有原料の粒度、ＣａＯ含有原料の配合割合、造粒の際の水分含有量、造粒機２０内の占積率、造粒機２０の回転速度、パレット３２の速度、サブゲートの開度、シュート角度のうちの少なくとも１つの設定値を取得する。
　ガイダンス情報取得部１１６は、炭素含有原料の配合割合、炭素含有原料の粒度、ＣａＯ含有原料の配合割合、造粒の際の水分含有量、造粒機２０内の占積率、造粒機２０の回転速度、パレット３２の速度、サブゲートの開度、シュート角度のうちの少なくとも１つの設定値を取得すると、取得した設置値を出力部１３に出力する。
　出力部１３は、ガイダンス情報取得部１１６から取得した設定値を出力する。例えば、出力部１３がディスプレイを含む場合、出力部１３は、ガイダンス情報取得部１１６から取得した設定値をディスプレイに表示する。
　ディスプレイに表示された設置値を視認したオペレータは、当該設定値に調整して焼結設備１を動作させることによって、目標とする粒度偏析及び成分偏析で焼結鉱を製造することができる。
　あるいは、ガイダンス情報取得部１１６は、算出した設定値を、焼結設備１を動作させる際の設定値として自動的に設定してもよい。これにより、焼結設備１は、目標とする粒度偏析及び成分偏析で焼結鉱を自動的に製造することができる。これにより、目標とする品質を満足する焼結鉱の製造が実現できる。
　図３に示すフローチャートを参照して、本実施形態に係る焼結設備１が実行する焼結機３０の操業管理方法について説明する。
　ステップＳ１０１において、制御装置１０の制御部１１は、焼結原料に含まれる各原料の粒度、成分組成及び配合割合を含む原料情報を取得する。
　ステップＳ１０２において、制御部１１は、造粒機２０が焼結原料から造粒粒子を造粒する際の焼結原料の水分含有量を含む造粒条件を取得する。
　ステップＳ１０３において、制御部１１は、取得した原料情報及び造粒条件に基づいて、造粒粒子の粒度と、造粒粒子の粒度毎の成分組成とを含む造粒結果を推定する。
　ステップＳ１０４において、制御部１１は、焼結機３０に造粒粒子を装入して原料装入層を形成する際の装入条件を取得する。
　ステップＳ１０５において、制御部１１は、推定した造粒結果及び取得した前記装入条件に基づいて、原料装入層の高さ方向における、造粒粒子の粒度偏析及び成分偏析を推定する。
　ステップＳ１０６において、制御部１１は、推定した粒度偏析及び前記成分偏析のうちの少なくとも１つを目標値とするための設定値を含むガイダンス情報を取得する。当該ガイダンス情報は、炭素含有原料の配合割合、炭素含有原料の粒度、ＣａＯ含有原料の配合割合、造粒の際の水分含有量、造粒機２０内の占積率、造粒機２０の回転速度、パレット３２の速度、サブゲートの開度、シュート角度のうちの少なくとも１つの設定値を含んでよい。制御部１１は、取得したガイダンス情報を出力部１３に出力し、出力部１３に表示させてよい。
（実施例）
　図４～図８を参照して、本実施形態に係る焼結設備１における焼結機３０の操業管理方法の実施例について説明する。
　図４は、様々な条件で造粒粒子を製造したときの造粒粒子の粒度分布及び粒度毎の炭素濃度の実績値を示す表である。
　図４に示すように、Ｔ１～Ｔ２４の２４通りの条件で測定を行った。図４には、条件として、配合割合、粉コークス粒度及び造粒時の水分含有量を示している。また、実績値として、造粒粒子の粒度分布及び粒度毎の炭素濃度を示している。
　図４に示す配合割合において、原料Ａは、南米産の鉄鉱石である。原料Ｂは、原料Ａとは銘柄の異なる南米産の鉄鉱石である。原料Ｃは、豪州産の鉄鉱石である。また、粉コークス粒度において、「－２ｍｍ」は、径の大きさが２ｍｍ未満の粉コークスの割合を示す。「－１ｍｍ」は、径の大きさが１ｍｍ未満の粉コークスの割合を示す。また、造粒粒子の粒度分布において、「＋８．０」は、径の大きさが８．０ｍｍ超えの造粒粒子の割合を示す。「２．８－８．０」は、径の大きさが２．８ｍｍ以上８．０ｍｍ以下の造粒粒子の割合を示す。「－２．８」は、径の大きさが２．８ｍｍ未満の造粒粒子の割合を示す。また、粒度毎の炭素濃度において、「＋８．０」は、径の大きさが８．０ｍｍ超えの炭素の濃度を示す。「２．８－８．０」は、径の大きさが２．８ｍｍ以上８ｍｍ以下の炭素の濃度を示す。「－２．８」は、径の大きさが２．８ｍｍ未満の炭素の濃度を示す。
　図４に示す実績値を用いて粒度推定モデル及び成分推定モデルを生成し、これらを用いて、各粒度区分における造粒粒子の含有量及び粒度毎の炭素濃度を推定した。この際、機械学習モデルを用いた推定と重回帰モデルを用いた推定の２通りの推定を行った。
　機械学習モデルを用いて推定する場合、粒度推定モデル及び成分推定モデルを用いて推定を行った。粒度推定モデルは、粉コークスの粒度、焼結原料の配合割合及び造粒時の水分含有量を入力すると、各粒度区分の造粒粒子の含有量を出力するモデルを使用した。成分推定モデルは、粉コークスの粒度、焼結原料の配合割合及び造粒時の水分含有量を入力すると、粒度毎の炭素濃度を出力するモデルを使用した。
　重回帰モデルを用いて推定する場合、粒度推定モデルは、粉コークスの粒度、焼結原料の配合割合及び造粒時の水分含有量を説明変数とし、各粒度区分の造粒粒子の含有量を目的変数とするモデルを使用した。成分推定モデルは、粉コークスの粒度、焼結原料の配合割合及び造粒時の水分含有量を説明変数とし、粒度毎の炭素濃度を目的変数とするモデルを使用した。
　図５は、機械学習モデルを用いて推定した場合と、重回帰モデルを用いて推定した場合の推定値と実績値との相関係数を示す表である。また、機械学習モデルを用いた場合については、ニューラルネットワークを用いた場合の相関係数と、Ｃ＆Ｒ　Ｔｒｅｅ（Classification and Regression Tree）を用いた場合の相関係数とを示している。
　図５を参照すると、何れのモデルを仕様した場合も高い相関係数となっており、制御装置１０が高い精度で造粒粒子の粒度及び粒度毎の特定成分の成分濃度を推定できることが確認された。
　また、機械学習モデルを用いた場合の相関係数と重回帰モデルを用いた場合の相関係数とを比較すると、全般的に機械学習モデルを用いた場合の相関係数が大きくなっており、機械学習を用いることで、造粒粒子の粒度及び粒度毎の炭素濃度をより高い精度で推定できることが確認された。
　図６は、装入推定モデルの一例を示す図である。装入推定モデルは、装入区分毎の各粒度の造粒粒子の含有割合を示すテーブルである。
　図６は、原料装入層の装入区分毎に、各粒度の造粒粒子の含有割合を示している。造粒粒子の粒度は、「＋８．０」、「２．８～８．０」及び「－２．８」の３通りを示している。「＋８．０」は造粒粒子の粒径が８．０ｍｍ超えであり、「２．８～８．０」は造粒粒子の粒径が２．８ｍｍ以上８．０ｍｍ以下であり、「－２．８」は造粒粒子の粒径が２．８ｍｍ未満である。
　図６に示すテーブルは、造粒粒子の粒度分布及び装入条件毎にＤＥＭによるシミュレーションを実施することで生成される。生成された、装入区分毎の各粒度の造粒粒子の含有割合を示すテーブルは、記憶部１４に格納される。
　図７は、粒度偏析を用いた機械学習によって推定した計算歩留と実績歩留との相関関係を示すグラフである。図７に示すように、粒度偏析を用いることで高い精度で焼結鉱の歩留を推定できることが確認された。
　図８は、焼結機３０の操業の様子を示す図である。図８において、「比較例」として示している部分は、既存の操業方針に基づき焼結機３０の操業を行ったときの結果である。また、「実施例」として示している部分は、本実施形態に記載のガイダンス情報を取得して焼結機３０の操業を行ったときの結果である。
　図８に示す操業試験中は、ベースの配合原料に対して、単味の微粉鉱石を配合し、その配合率を段階的に増加させた。単味鉱石はベースの配合原料に対して細粒のものを使用した。
　比較例の操業期間では微粉の単味原料が配合されることで、造粒性の悪化が予測されるため、造粒時の水分含有量を増加させている。しかしながら、添加水分による熱ロスによって大きく歩留が低下した。
　一方、実施例の期間では、造粒推定モデル及び装入推定モデルを用いて粒度偏析を推定した。そして、当該粒度偏析が焼結鉱の歩留の目標を満足する目標値を特定し、当該粒度偏析が目標値となるような造粒時の水分含有量の設定値を求め、当該設定値を用いて焼結鉱の製造を実施した。これにより、焼結鉱の歩留低下が抑制され、高い歩留を維持しながら焼結鉱を製造することができた。
　上述のように、本実施形態に係る焼結機３０の操業管理方法及び本実施形態に係る制御装置１０において、制御装置１０は、焼結原料に含まれる各原料の粒度、成分組成及び配合割合の情報を含む原料情報を取得する、原料情報取得ステップと、焼結原料から造粒粒子を造粒する際の焼結原料の水分含有量を含む造粒条件を取得する、造粒条件取得ステップと、原料情報及び造粒条件に基づいて、造粒粒子の粒度と、造粒粒子の粒度毎の成分組成とを含む造粒結果を推定する、造粒結果推定ステップと、焼結機３０に造粒粒子を装入して原料装入層を形成する際の装入条件を取得する、装入条件取得ステップと、造粒結果及び装入条件に基づいて、原料装入層の高さ方向における、造粒粒子の粒度偏析及び成分偏析を推定する、装入結果推定ステップと、を実行する。このように、本実施形態に係る焼結機３０の操業管理方法及び本実施形態に係る制御装置１０は、焼結原料に含まれる各原料の配合割合を含む原料情報及び造粒する際の焼結原料の水分含量を含む造粒条件に基づいて原料装入層の高さ方向における造粒粒子の粒度偏析又は成分偏析を推定するので、原料の配合条件又は造粒の際の水分含有量が異なる場合でも、原料装入層の高さ方向における造粒粒子の粒度偏析又は成分偏析を推定できる。
　また、本実施形態に係るガイダンス情報取得部１１６は、粒度偏析及び成分偏析のうちの少なくとも１つを目標値とするための設定値を含むガイダンス情報を取得する、ガイダンス情報取得ステップを実行する。ここで、ガイダンス情報は、焼結鉱の製造条件となる炭素含有原料の配合割合、炭素含有原料の粒度、ＣａＯ含有原料の配合割合、造粒の際の水分含有量、造粒機２０内の占積率、造粒機２０の回転速度、パレット３２の速度、サブゲートの開度、シュート角度のうちの少なくとも１つの設定値を含む。これにより、制御装置１０は、粒度偏析及び成分偏析のうちの少なくとも１つを目標値とするための設定値を含むガイダンス情報に基づいて焼結鉱の製造条件を調整することで、目標とする品質を満足する焼結鉱を製造することができる。したがって、本実施形態に係る焼結機３０の操業管理方法及び本実施形態に係る制御装置１０は、原料装入層内の粒度偏析及び成分偏析を推定し、推定された粒度偏析及び成分偏析を焼結鉱の製造条件に容易に反映することができる。また、ガイダンス情報に基づく焼結鉱の製造条件の調整は、情報を得たオペレータが操作してもよいし、本実施形態に係る制御装置１０によって自動的に実行されてもよい。
　例えば、焼結鉱の歩留に基づいて製造条件を調整する場合、従来は、篩分装置６０で粒径５ｍｍ以上の焼結鉱と粒径５ｍｍ未満の返鉱とに篩い分けをして歩留を求めた後でなければ、歩留に基づく焼結鉱の製造条件の調整を実施することができなかった。これに対し、本実施形態に係る焼結機３０の操業管理方法によれば、焼結鉱の製造条件の設定値を含むガイダンス情報を取得することができ、当該ガイダンス情報に基づいて焼結鉱の製造条件を調整することができるため、より迅速な調整が可能になる。
　本開示は上述の実施形態に限定されるものではない。例えば、ブロック図に記載の複数のブロックを統合してもよいし、又は１つのブロックを分割してもよい。フローチャートに記載の複数のステップを記述に従って時系列に実行する代わりに、各ステップを実行する装置の処理能力に応じて、又は必要に応じて、並列的に又は異なる順序で実行してもよい。その他、本開示の趣旨を逸脱しない範囲での変更が可能である。
　例えば、上述の実施形態において、焼結原料が鉄含有原料、ＣａＯ含有原料及び炭素含有原料を含む場合を例に挙げて説明した。しかしながら、これに限らず、焼結原料は、鉄含有原料及び炭素含有原料を含んでいればよく、ＣａＯ含有原料を含まなくてもよい。但し、ガイダンス情報にＣａＯ含有原料の配合割合が含まれる場合には、焼結原料は、鉄含有原料、ＣａＯ含有原料及び炭素含有原料を含む。
　さらに、上述の実施形態において、制御部１１がガイダンス情報取得部１１６の機能を有する場合を例に挙げて説明した。しかしながら、これに限らず、制御部１１は、ガイダンス情報取得部１１６の機能を有していなくてもよい。ただし、制御部１１がガイダンス情報取得部１１６の機能を有すると、目標とする品質を満足する焼結鉱を製造できるようになるので、制御部１１は、ガイダンス情報取得部１１６の機能を有していることが好ましい。
　１　焼結設備
　１０　制御装置
　１１　制御部
　１２　入力部
　１３　出力部
　１４　記憶部
　１５　通信部
　２０　造粒機
　３０　焼結機
　３１　焼結原料供給装置
　３２　パレット
　３３　点火炉
　３４　ウインドボックス
　４０　破砕機
　５０　クーラー
　６０　篩分装置
　１１１　原料情報取得部
　１１２　造粒条件取得部
　１１３　造粒結果推定部
　１１４　装入条件取得部
　１１５　装入結果推定部
　１１６　ガイダンス情報取得部

Claims (10)

  1. 　鉄含有原料及び炭素含有原料を含む焼結原料に水を添加して造粒された造粒粒子を焼結する焼結機の操業管理方法であって、
    　前記焼結原料に含まれる各原料の粒度、成分組成及び配合割合を含む原料情報を取得する、原料情報取得ステップと、
    　前記焼結原料から前記造粒粒子を造粒する際の前記焼結原料の水分含有量を含む造粒条件を取得する、造粒条件取得ステップと、
    　前記原料情報及び前記造粒条件に基づいて、前記造粒粒子の粒度と、前記造粒粒子の粒度毎の成分組成とを含む造粒結果を推定する、造粒結果推定ステップと、
    　前記焼結機に前記造粒粒子を装入して原料装入層を形成する際の装入条件を取得する、装入条件取得ステップと、
    　前記造粒結果及び前記装入条件に基づいて、前記原料装入層の高さ方向における、前記造粒粒子の粒度偏析及び成分偏析を推定する、装入結果推定ステップと、
    　前記粒度偏析及び前記成分偏析のうちの少なくとも１つを目標値とするための設定値を含むガイダンス情報を取得する、ガイダンス情報取得ステップと、
    　を含み、
    　前記ガイダンス情報は、前記炭素含有原料の配合割合、前記炭素含有原料の粒度、前記水分含有量、パレットの速度、サブゲートの開度及びシュート角度のうちの少なくとも１つの設定値を含む、焼結機の操業管理方法。
  2. 　前記造粒結果推定ステップは、
    　　前記炭素含有原料の粒度、前記焼結原料に含まれる各原料の配合割合及び前記水分含有量を含む造粒条件を入力すると、前記造粒粒子の粒度を複数に区分した粒度区分のうちの１つの粒度区分における前記造粒粒子の含有量を出力する粒度推定モデルと、
    　　前記炭素含有原料の粒度、前記焼結原料に含まれる各原料の配合割合及び前記水分含有量を含む造粒条件を入力すると、前記造粒粒子の粒度を複数に区分した粒度区分のうちの１つの粒度区分における前記造粒粒子の特定成分の含有量を出力する成分推定モデルと、
    　を含む造粒推定モデルを用いて前記造粒結果を推定する、請求項１に記載の焼結機の操業管理方法。
  3. 　前記原料情報取得ステップは、前記成分組成として、炭素（Ｃ）濃度、水分濃度、酸化カルシウム（ＣａＯ）濃度及び酸化アルミニウム（Ａｌ２Ｏ３）濃度のうちの少なくとも１つを取得する、請求項１又は２に記載の焼結機の操業管理方法。
  4. 　前記装入結果推定ステップは、前記原料装入層の高さ方向を複数に区分した装入区分のそれぞれの装入区分における各粒度の前記造粒粒子の含有割合を示す装入推定モデルを用いて前記粒度偏析及び前記成分偏析を推定する、請求項１から３のいずれか一項に記載の焼結機の操業管理方法。
  5. 　前記装入結果推定ステップは、前記原料装入層の幅方向を複数に区分した装入区分のそれぞれの装入区分における各粒度の前記造粒粒子の含有割合を示す装入推定モデルを用いて前記粒度偏析及び前記成分偏析を推定する、請求項１から４のいずれか一項に記載の焼結機の操業管理方法。
  6. 　前記焼結原料は、ＣａＯ含有原料をさらに含み、
    　前記造粒条件は、造粒機内の占積率及び造粒機の回転速度をさらに含み、
    　前記ガイダンス情報は、前記炭素含有原料の配合割合、前記炭素含有原料の粒度、前記ＣａＯ含有原料の配合割合、前記水分含有量、造粒機内の占積率、造粒機の回転速度、パレットの速度、サブゲートの開度及びシュート角度のうちの少なくとも１つの設定値を含む、請求項１から５のいずれか一項に記載の焼結機の操業管理方法。
  7. 　前記粒度偏析及び前記成分偏析の目標値は、品質推定モデルによって推定される焼結鉱の品質が所定の品質を満足することを条件として算出され、
    　前記品質推定モデルは、入力データに前記粒度偏析及び前記成分偏析のうちの少なくとも１つを含み、出力データが焼結鉱の品質である、請求項１から６のいずれか一項に記載の焼結機の操業管理方法。
  8. 　前記品質推定モデルは、前記品質推定モデルの生成後に実施される焼結機の操業において取得される前記粒度偏析及び前記成分偏析のうちの少なくとも１つと、前記焼結鉱の品質の実績値とに基づいて更新される、請求項７に記載の焼結機の操業管理方法。
  9. 　請求項１から８のいずれか一項に記載の焼結機の操業管理方法において取得されたガイダンス情報を、焼結鉱の製造条件として用いて焼結鉱を製造する、焼結鉱の製造方法。
  10. 　鉄含有原料及び炭素含有原料を含む焼結原料に水を添加して造粒された造粒粒子を焼結する焼結機を制御する制御装置であって、
    　前記焼結原料に含まれる各原料の粒度、成分組成及び配合割合を含む原料情報を取得する、原料情報取得部と、
    　前記焼結原料から前記造粒粒子を造粒する際の前記焼結原料の水分含有量を含む造粒条件を取得する、造粒条件取得部と、
    　前記原料情報及び前記造粒条件に基づいて、前記造粒粒子の粒度と、前記造粒粒子の粒度毎の成分組成とを含む造粒結果を推定する、造粒結果推定部と、
    　前記焼結機に前記造粒粒子を装入して原料装入層を形成する際の装入条件を取得する、装入条件取得部と、
    　前記造粒結果及び前記装入条件に基づいて、前記原料装入層の高さ方向における、前記造粒粒子の粒度偏析及び成分偏析を推定する、装入結果推定部と、
    　前記粒度偏析及び前記成分偏析のうちの少なくとも１つを目標値とするための設定値を含むガイダンス情報を取得する、ガイダンス情報取得部と、
    　を備え、
    　前記ガイダンス情報は、前記炭素含有原料の配合割合、前記炭素含有原料の粒度、前記水分含有量、パレットの速度、サブゲートの開度及びシュート角度のうちの少なくとも１つの設定値を含む、制御装置。
PCT/JP2023/008931 2022-03-28 2023-03-08 焼結機の操業管理方法、焼結鉱の製造方法及び制御装置 WO2023189336A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202380020965.4A CN118660979A (zh) 2022-03-28 2023-03-08 烧结机的运行管理方法、烧结矿的制造方法以及控制装置
JP2023552601A JP7468799B2 (ja) 2022-03-28 2023-03-08 焼結機の操業管理方法、焼結鉱の製造方法及び制御装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-051816 2022-03-28
JP2022051816 2022-03-28

Publications (1)

Publication Number Publication Date
WO2023189336A1 true WO2023189336A1 (ja) 2023-10-05

Family

ID=88200651

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/008931 WO2023189336A1 (ja) 2022-03-28 2023-03-08 焼結機の操業管理方法、焼結鉱の製造方法及び制御装置

Country Status (4)

Country Link
JP (1) JP7468799B2 (ja)
CN (1) CN118660979A (ja)
TW (1) TW202340484A (ja)
WO (1) WO2023189336A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5913034A (ja) * 1982-07-14 1984-01-23 Nippon Kokan Kk <Nkk> 焼結設備における原料の装入条件試験装置
JPS6223058B2 (ja) * 1983-05-31 1987-05-21 Kawasaki Steel Co
JP2005097658A (ja) * 2003-09-24 2005-04-14 Jfe Steel Kk 焼結鉱主原料成分割合予測方法および焼結鉱成分割合制御方法ならび焼結鉱主原料成分割合予測プログラム
JP2020012185A (ja) * 2018-07-20 2020-01-23 日本製鉄株式会社 高さ方向原料分布推定装置、高さ方向原料分布推定プログラム、及びその方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5913034B2 (ja) 2012-09-28 2016-04-27 本田技研工業株式会社 ツインクラッチ制御装置
JP6223058B2 (ja) 2013-08-21 2017-11-01 三菱電機株式会社 照明ランプ及び照明装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5913034A (ja) * 1982-07-14 1984-01-23 Nippon Kokan Kk <Nkk> 焼結設備における原料の装入条件試験装置
JPS6223058B2 (ja) * 1983-05-31 1987-05-21 Kawasaki Steel Co
JP2005097658A (ja) * 2003-09-24 2005-04-14 Jfe Steel Kk 焼結鉱主原料成分割合予測方法および焼結鉱成分割合制御方法ならび焼結鉱主原料成分割合予測プログラム
JP2020012185A (ja) * 2018-07-20 2020-01-23 日本製鉄株式会社 高さ方向原料分布推定装置、高さ方向原料分布推定プログラム、及びその方法

Also Published As

Publication number Publication date
CN118660979A (zh) 2024-09-17
TW202340484A (zh) 2023-10-16
JP7468799B2 (ja) 2024-04-16
JPWO2023189336A1 (ja) 2023-10-05

Similar Documents

Publication Publication Date Title
CN113640173B (zh) 一种模拟高炉动态反应下焦炭劣化评价方法
Roeplal et al. Modelling of phenomena affecting blast furnace burden permeability using the Discrete Element Method (DEM)–A review
TW202040114A (zh) 粒度分佈監視裝置、粒度分佈監視方法、電腦程式、爐、高爐、爐的控制方法以及高爐操作方法
JP2019196515A (ja) 焼結鉱製造設備の制御装置、焼結鉱製造設備および焼結鉱の製造方法
WO2023189336A1 (ja) 焼結機の操業管理方法、焼結鉱の製造方法及び制御装置
Hirosawa et al. Dependence of the dissipated energy of particles on the sizes and numbers of particles and balls in a planetary ball mill
CN109211631B (zh) 一种测定含铁炉料软熔性能的方法
JP2012167366A (ja) リン濃度予測装置及び吹錬制御方法
EP4029953B1 (en) Method for operating blast furnace
WO2023189335A1 (ja) 焼結機の操業管理方法、焼結鉱の製造方法及び制御装置
JP7070191B2 (ja) 高さ方向原料分布推定装置、高さ方向原料分布推定プログラム、及びその方法
CN113159562A (zh) 一种用多元散料层空隙度评价烧结矿粒度的方法
TWI848627B (zh) 燒結機的運行管理方法、燒結礦的製造方法及控制裝置
KR20240132328A (ko) 소결기의 조업 관리 방법, 소결광의 제조 방법 및 제어 장치
WO2023189251A1 (ja) 造粒粒子の予測方法、造粒粒子の製造方法、造粒粒子製造装置及び焼結鉱の製造方法
TWI852394B (zh) 燒結礦的製造方法及控制裝置
WO2023189329A1 (ja) 焼結鉱の製造方法及び制御装置
KR20240140131A (ko) 조립 입자의 예측 방법, 조립 입자의 제조 방법, 조립 입자 제조 장치 및 소결광의 제조 방법
WO2023189248A1 (ja) 造粒粒子の粒度分布推定方法、造粒粒子製造方法及び造粒粒子製造装置
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
KR100786499B1 (ko) 소결광 제조방법
JP2006307010A (ja) コークスの製造方法
JP2024035729A (ja) 返鉱率制御方法、焼結鉱の製造方法及び返鉱率制御装置
JPS62188733A (ja) 焼結鉱の製造方法
CN107832883A (zh) 一种产品制造过程中基于利润确定原料配比的方法和装置

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2023552601

Country of ref document: JP

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23779363

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20247025622

Country of ref document: KR

Kind code of ref document: A