JP2022108041A - 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 - Google Patents

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 Download PDF

Info

Publication number
JP2022108041A
JP2022108041A JP2021002835A JP2021002835A JP2022108041A JP 2022108041 A JP2022108041 A JP 2022108041A JP 2021002835 A JP2021002835 A JP 2021002835A JP 2021002835 A JP2021002835 A JP 2021002835A JP 2022108041 A JP2022108041 A JP 2022108041A
Authority
JP
Japan
Prior art keywords
blast furnace
data
molten iron
operator
learning model
Prior art date
Legal status (The legal status 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 status listed.)
Granted
Application number
JP2021002835A
Other languages
English (en)
Other versions
JP7380604B2 (ja
Inventor
笙太 野田
Shota Noda
稜介 益田
Ryosuke Masuda
佳也 橋本
Yoshiya Hashimoto
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
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 Steel Corp filed Critical JFE Steel Corp
Priority to JP2021002835A priority Critical patent/JP7380604B2/ja
Publication of JP2022108041A publication Critical patent/JP2022108041A/ja
Application granted granted Critical
Publication of JP7380604B2 publication Critical patent/JP7380604B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Manufacture Of Iron (AREA)
  • Blast Furnaces (AREA)

Abstract

【課題】高炉プロセスの操業状態を精度よく制御可能な学習モデルを生成可能な学習モデル生成方法及び学習モデル生成装置を提供すること。【解決手段】本発明に係る学習モデル生成方法は、溶銑温度に関係する観測量の履歴データを画像化した画像データを入力データ、溶銑温度に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第１機械学習と、高炉内の通気状況に関係する観測量の履歴データを画像化した画像データを入力データ、高炉内の通気状況に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第２機械学習と、を分離して実行する。【選択図】図２

Description

本発明は、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に関する。
製鉄業における高炉プロセスにおいて、溶銑温度は重要な管理指標である。特に近年の高炉操業は、原燃料コストの合理化を追及すべく、低コークス比及び高微粉炭比の条件下で行われており、炉況が不安定化しやすいために、溶銑温度のばらつき低減のニーズは大きい。ところが、高炉プロセスでは、コークスのガス化や鉱石の還元及び溶解等の種々の反応が生じている。また、炉内に固体が充填された状態で操業が行われるため、プロセス全体の熱容量が大きく、アクションに対する応答の時定数が長い。このため、溶銑温度のばらつき低減のためには、高炉の複雑なダイナミクスを適切に考慮した溶銑温度の制御則が求められる。
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）や過去データ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。具体的には、特許文献１には、実測の炉頂ガス組成に合致するように物理モデル中のガス還元速度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記載されている。また、特許文献２には、過去の操業事例の中から現在の操業条件に類似する操業事例を抽出し、抽出された操業事例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記載されている。
特開平１１－３３５７１０号公報 特開２００７－４７２８号公報
しかしながら、特許文献１に記載の方法によれば、荷下り速度（原料降下速度）の変動や原料中の鉄分の変動等の物理モデルでは考慮することが困難、且つ、オンライン測定が困難な外乱が発生した場合、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、特許文献２に記載の方法では、溶銑温度の予測精度が担保されるのは現在の操業条件に類似する操業事例がある場合に限られ、今までに実績のない操業条件に対しては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。
本発明は、上記課題に鑑みてなされたものであって、その目的は、高炉プロセスの操業状態を精度よく制御可能な学習モデルを生成可能な学習モデル生成方法及び学習モデル生成装置を提供することにある。また、本発明の他の目的は、高炉の溶銑温度及び通気状況を精度よく制御可能な高炉の制御ガイダンス方法を提供することにある。さらに、本発明の他の目的は、溶銑を歩留まりよく製造可能な溶銑の製造方法を提供することにある。
本発明に係る学習モデル生成方法は、溶銑温度、羽口埋込温度、通気抵抗、炉熱指数、及びコークス比のうちの少なくとも一つを含む高炉プロセスの操業状態を示す観測量の履歴データを画像化した画像データを入力データ、前記履歴データに基づいてオペレータが決定した微粉炭比及び送風湿分の少なくとも一方を含む高炉プロセスの操作量を出力データとして、オペレータが高炉プロセスの操作量を決定する行動モデルを機械学習し、機械学習された行動モデルを出力するステップを含み、前記ステップは、溶銑温度に関係する観測量の履歴データを画像化した画像データを入力データ、溶銑温度に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第１機械学習と、高炉内の通気状況に関係する観測量の履歴データを画像化した画像データを入力データ、高炉内の通気状況に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第２機械学習と、を分離して実行することにより、オペレータが溶銑温度を制御する操作量を決定する第１行動モデル及びオペレータが高炉内の通気状況を制御する操作量を決定する第２行動モデルを出力するステップを含むことを特徴とする。
本発明に係る学習モデル生成方法は、上記発明において、前記行動モデルは、畳み込みニューラルネットワークであることを特徴とする。
本発明に係る学習モデル生成装置は、溶銑温度、羽口埋込温度、通気抵抗、炉熱指数、及びコークス比のうちの少なくとも一つを含む高炉プロセスの操業状態を示す観測量の履歴データを画像化した画像データを入力データ、前記履歴データに基づいてオペレータが決定した微粉炭比及び送風湿分の少なくとも一方を含む高炉プロセスの操作量を出力データとして、オペレータが高炉プロセスの操作量を決定する行動モデルを機械学習し、機械学習された行動モデルを出力する手段を備え、前記手段は、溶銑温度に関係する観測量の履歴データを画像化した画像データを入力データ、溶銑温度に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第１機械学習と、高炉内の通気状況に関係する観測量の履歴データを画像化した画像データを入力データ、高炉内の通気状況に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第２機械学習と、を分離して実行することにより、オペレータが溶銑温度を制御する操作量を決定する第１行動モデル及びオペレータが高炉内の通気状況を制御する操作量を決定する第２行動モデルを出力することを特徴とする。
本発明に係る高炉の制御ガイダンス方法は、本発明に係る学習モデル生成方法によって生成された第１行動モデル及び第２行動モデルを用いて高炉の溶銑温度を目標温度に制御可能な前記操作量及び高炉内の通気状況を安定化させることが可能な前記操作量を決定し、決定した操作量に従って該操作量の変更ガイダンスを行うステップを含むことを特徴とする。
本発明に係る溶銑の製造方法は、本発明に係る高炉の制御ガイダンス方法を用いて溶銑を製造するステップを含むことを特徴とする。
本発明に係る学習モデル生成方法及び学習モデル生成装置によれば、高炉プロセスの操業状態を精度よく制御可能な学習モデルを生成することができる。また、本発明に係る、高炉の制御ガイダンス方法によれば、高炉の溶銑温度及び通気状況を精度よく制御することができる。さらに、本発明に係る溶銑の製造方法によれば、溶銑を歩留まりよく製造することができる。
図１は、本発明の一実施形態である学習モデル生成装置の構成を示すブロック図である。 図２は、本発明の一実施形態である学習モデル生成処理の流れを示すフローチャートである。 図３は、オペレータの実際操作及び本発明例のモデル出力の時間変化を示す図である。 図４は、オペレータの実際操作及び比較例のモデル出力の時間変化を示す図である。
以下、図面を参照して、本発明の一実施形態である学習モデル生成装置の構成及びその動作について説明する。
〔構成〕
まず、図１を参照して、本発明の一実施形態である学習モデル生成装置の構成について説明する。
図１は、本発明の一実施形態である学習モデル生成装置の構成を示すブロック図である。図１に示すように、本発明の一実施形態である学習モデル生成装置１は、オペレータが高炉プロセスの操作量を決定する行動モデルを機械学習により生成する装置であり、プロセッサやメモリ等を備える周知の情報処理装置によって構成されている。本実施形態では、学習モデル生成装置１は、プロセッサがコンピュータプログラムを実行することにより、モデル学習部１１及びモデル出力部１２として機能する。各部の機能については後述する。
学習モデル生成装置１には、機械学習の際に用いる学習データが格納されている履歴データデータベース（履歴データＤＢ）２がデータ読み取り可能な形態で接続されている。本実施形態では、履歴データＤＢ２には、溶銑温度、羽口埋込温度、通気抵抗、炉熱指数、及びコークス比のうちの少なくとも一つを含む高炉プロセスの操業状態を示す１以上の観測量の履歴データを画像化した画像データ、と、履歴データに基づいてオペレータが決定した微粉炭比及び送風湿分の少なくとも一方を含む高炉プロセスの操作量とが、関連付けされて学習データとして格納されている。
ここで、画像データの形態は、一方の軸を時間軸とし、他方の軸を観測量とする観測量の履歴データを、時間軸をあわせて時間軸とは異なる方向に１以上の観測量を配置させた２次元配置の画像データとしている。各観測量の履歴表示は通常のトレンドグラフのような線図でもよいし、各履歴データの数値に色及び／又は色の濃淡を対応づけて得られる画像とする、いわゆるコンター図としてもよい。また、画像データには、高炉プロセスの操作量の履歴データを含めるようにしてもよい。さらに、観測量や操作量の履歴データに対しては、値域を統一するために画像データとする前に正規化処理を施すことが望ましい。
このような構成を有する学習モデル生成装置１は、以下に示す学習モデル生成処理を実行することにより、オペレータが高炉プロセスの操作量を決定する行動モデルを機械学習により生成する。以下、図２を参照して、学習モデル生成処理を実行する際の学習モデル生成装置１の動作について説明する。
〔学習モデル生成処理〕
図２は、本発明の一実施形態である学習モデル生成処理の流れを示すフローチャートである。図２に示すフローチャートは、学習モデル生成装置１に対して学習モデル生成処理の実行指令が入力されたタイミングで開始となり、学習モデル生成処理はステップＳ１の処理に進む。
ステップＳ１の処理では、モデル学習部１１が、履歴データＤＢ２から学習データを取得する。これにより、ステップＳ１の処理は完了し、学習モデル生成処理はステップＳ２の処理に進む。
ステップＳ２の処理では、モデル学習部１１が、ステップＳ１の処理において取得した学習データを用いて、制御対象である高炉プロセスの操業状態を示す１以上の観測量の履歴データを画像化した画像データを入力データ、履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとして、オペレータが高炉プロセスの操作量を決定する行動モデルを機械学習する。また、この際、モデル学習部１１は、溶銑温度に関係する観測量（例えば溶銑温度、羽口埋込温度、コークス比等）の履歴データを画像化した画像データを入力データ、溶銑温度に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量（例えば微粉炭比や送風湿分等）を出力データとした第１機械学習と、高炉内の通気状況に関係する観測量（例えば通気抵抗や炉熱指数等）の履歴データを画像化した画像データを入力データ、高炉内の通気状況に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量（例えば微粉炭比や送風湿分等）を出力データとした第２機械学習と、を分離して実行する。
ここで、機械学習によって生成する行動モデルは、畳み込みニューラルネットワーク（Convolutional neural network：CNN）であることが望ましい。また、画像データの形態が、一方の軸に時間軸、他方の軸に履歴データを配置した２次元画像である場合には、ＣＮＮの畳み込み演算は時間軸方向にのみに対して行うことが望ましい。また、入力データは、予め定めた連続した所定時間区間の画像データとし、出力データは所定時間区間の直後の操作量の値とするとよい。また、学習データとしては、操作量変更後、予め定めた時間経過後の制御量として定めた観測量の１つ又は複数の値が、それぞれの目標値を中心とした所定範囲内にある、画像データと操作量との組み合わせを用いることが望ましい。これは、オペレータの操作結果として制御量が適切な変化をし、目標値から所定の範囲に制御できたデータを学習データとして利用するためである。これにより、ステップＳ２の処理は完了し、学習モデル生成処理はステップＳ３の処理に進む。
ステップＳ３の処理では、モデル出力部１２が、ステップＳ２の処理において生成された、制御対象である高炉プロセスの操業状態を示す１以上の観測量の履歴データを画像化した画像データを入力データ、履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとする、オペレータが高炉プロセスの操作量を決定する行動モデルを出力する。また、モデル出力部１２は、オペレータが溶銑温度を制御する操作量を決定する第１行動モデル及びオペレータが高炉内の通気状況を制御する操作量を決定する第２行動モデルを出力する。これにより、ステップＳ３の処理は完了し、一連の学習モデル生成処理は終了する。
以後、オペレータは、予め定めた所定区間の観測量履歴の画像データを行動モデルに入力することにより得られた操作量に従って高炉プロセスの操業状態を制御することができる。また、第１行動モデル及び第２行動モデルを用いて高炉の溶銑温度を目標温度に制御可能な操作量及び高炉内の通気状況を安定化させることが可能な操作量を決定し、決定した操作量に従って操作量の変更ガイダンスを行うことにより、高炉の溶銑温度及び通気状況を精度よく制御することができる。また、この変更ガイダンスに従って溶銑を製造することにより、溶銑を歩留まりよく製造することができる。
以上の説明から明らかなように、本発明の一実施形態である学習モデル生成装置１は、制御対象である高炉プロセスの操業状態を示す１以上の観測量の履歴データを画像化した画像データを入力データ、履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとして、オペレータが高炉プロセスの操作量を決定する行動モデルを機械学習し、機械学習した行動モデルを出力する。これにより、予測対象の画像データを行動モデルに入力することにより得られた操作量に従って高炉プロセスの状態を制御することにより、高炉プロセスの操業状態を精度よく制御することができる。
また、一般に、溶銑温度を制御する操作と高炉内の通気状況を安定化させるための操作とは重複しているため、干渉が発生する。そのため、溶銑温度を制御する操作量と高炉内の通気状況を安定化するための操作量とを分離せずに機械学習した場合、オペレータの操作を適切に再現できない。これに対して、本実施形態では、溶銑温度に関係する観測量の履歴データを画像化した画像データを入力データ、溶銑温度に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第１機械学習と、高炉内の通気状況に関係する観測量の履歴データを画像化した画像データを入力データ、高炉内の通気状況に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第２機械学習と、を分離して実行する。これにより、溶銑温度の制御だけでなく高炉内の通気状況を安定化するためのガイダンスをすることができる。また、溶銑温度及び高炉内の通気状況どちら起因のガイダンスであるか明確にできるため、オペレータにガイダンスの理由を明確に説明できるようになる。
なお、履歴データＤＢ２に新たな学習データが追加された場合、モデル学習部１１は、新たに追加された学習データを追加学習用データとして行動モデルを追加学習させることにより、行動モデルを更新することが望ましい。
図３，４は、オペレータの実際操作及びモデル出力の時間変化の一例を示す図である。ここで、図３は、本発明例として、溶銑温度を制御する操作量と高炉内の通気状況を安定化するための操作量とを分離して機械学習させたモデルで出力した結果を示す。また、図４は、比較例として、溶銑温度を制御する操作量と高炉内の通気状況を安定化するための操作量とを分離せずに機械学習させたモデルで出力した結果を示す。また、図中、丸印はオペレータの実際操作、実線はモデル出力、破線はガイダンス出力判定線を示す。
図３，４に示す例では、オペレータは、モデル出力が炉熱上げアクション、炉熱維持、及び炉熱下げアクションの３つのアクションのうち、どのアクションに属するか判定線を用いて判定を行っている。図４に示す比較例では、点線で囲まれた部分のモデル出力は炉熱維持のアクションとなっているが、実際にはオペレータが炉熱変更の実アクションをとっており、乖離している。これに対して、図３に示す発明例では、モデル出力でも炉熱変更のアクションが指示されており、実アクションと適合している。このことから、本発明によれば、高炉プロセスの操業状態を精度よく制御可能な学習モデルを生成することができ、結果として、高炉の溶銑温度及び通気状況を精度よく制御できることが確認された。
以上、本発明者らによってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。
１ 学習モデル生成装置
２ 履歴データデータベース（履歴データＤＢ）
１１ モデル学習部
１２ モデル出力部

Claims (5)

  1. 溶銑温度、羽口埋込温度、通気抵抗、炉熱指数、及びコークス比のうちの少なくとも一つを含む高炉プロセスの操業状態を示す観測量の履歴データを画像化した画像データを入力データ、前記履歴データに基づいてオペレータが決定した微粉炭比及び送風湿分の少なくとも一方を含む高炉プロセスの操作量を出力データとして、オペレータが高炉プロセスの操作量を決定する行動モデルを機械学習し、機械学習された行動モデルを出力するステップを含み、
    前記ステップは、溶銑温度に関係する観測量の履歴データを画像化した画像データを入力データ、溶銑温度に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第１機械学習と、高炉内の通気状況に関係する観測量の履歴データを画像化した画像データを入力データ、高炉内の通気状況に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第２機械学習と、を分離して実行することにより、オペレータが溶銑温度を制御する操作量を決定する第１行動モデル及びオペレータが高炉内の通気状況を制御する操作量を決定する第２行動モデルを出力するステップを含むことを特徴とする学習モデル生成方法。
  2. 前記行動モデルは、畳み込みニューラルネットワークであることを特徴とする請求項１に記載の学習モデル生成方法。
  3. 溶銑温度、羽口埋込温度、通気抵抗、炉熱指数、及びコークス比のうちの少なくとも一つを含む高炉プロセスの操業状態を示す観測量の履歴データを画像化した画像データを入力データ、前記履歴データに基づいてオペレータが決定した微粉炭比及び送風湿分の少なくとも一方を含む高炉プロセスの操作量を出力データとして、オペレータが高炉プロセスの操作量を決定する行動モデルを機械学習し、機械学習された行動モデルを出力する手段を備え、
    前記手段は、溶銑温度に関係する観測量の履歴データを画像化した画像データを入力データ、溶銑温度に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第１機械学習と、高炉内の通気状況に関係する観測量の履歴データを画像化した画像データを入力データ、高炉内の通気状況に関係する観測量の履歴データに基づいてオペレータが決定した高炉プロセスの操作量を出力データとした第２機械学習と、を分離して実行することにより、オペレータが溶銑温度を制御する操作量を決定する第１行動モデル及びオペレータが高炉内の通気状況を制御する操作量を決定する第２行動モデルを出力することを特徴とする学習モデル生成装置。
  4. 請求項１又は２に記載の学習モデル生成方法によって生成された第１行動モデル及び第２行動モデルを用いて高炉の溶銑温度を目標温度に制御可能な前記操作量及び高炉内の通気状況を安定化させることが可能な前記操作量を決定し、決定した操作量に従って該操作量の変更ガイダンスを行うステップを含むことを特徴とする高炉の制御ガイダンス方法。
  5. 請求項４に記載の高炉の制御ガイダンス方法を用いて溶銑を製造するステップを含むことを特徴とする溶銑の製造方法。
JP2021002835A 2021-01-12 2021-01-12 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 Active JP7380604B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021002835A JP7380604B2 (ja) 2021-01-12 2021-01-12 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021002835A JP7380604B2 (ja) 2021-01-12 2021-01-12 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

Publications (2)

Publication Number Publication Date
JP2022108041A true JP2022108041A (ja) 2022-07-25
JP7380604B2 JP7380604B2 (ja) 2023-11-15

Family

ID=82556220

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021002835A Active JP7380604B2 (ja) 2021-01-12 2021-01-12 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

Country Status (1)

Country Link
JP (1) JP7380604B2 (ja)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003328017A (ja) * 2002-05-10 2003-11-19 Sumitomo Metal Ind Ltd 高炉操業の教育方法
JP2008097458A (ja) * 2006-10-13 2008-04-24 Nippon Steel Corp プラント操業支援装置、プラント操業支援方法、コンピュータプログラム及び記憶媒体
JP2008144265A (ja) * 2006-11-13 2008-06-26 Kobe Steel Ltd 高炉の溶銑温度予測方法
JP2019019385A (ja) * 2017-07-19 2019-02-07 Ｊｆｅスチール株式会社 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
JP2021503042A (ja) * 2017-11-14 2021-02-04 ポスコＰｏｓｃｏ 高炉の送風制御装置およびその方法
JP2021507115A (ja) * 2017-12-19 2021-02-22 ポスコＰｏｓｃｏ 炉況管理装置及び方法
JP2021509440A (ja) * 2017-12-26 2021-03-25 ポスコＰｏｓｃｏ 高炉操業状況評価システム及び方法
JP6897723B2 (ja) * 2019-07-19 2021-07-07 Ｊｆｅスチール株式会社 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003328017A (ja) * 2002-05-10 2003-11-19 Sumitomo Metal Ind Ltd 高炉操業の教育方法
JP2008097458A (ja) * 2006-10-13 2008-04-24 Nippon Steel Corp プラント操業支援装置、プラント操業支援方法、コンピュータプログラム及び記憶媒体
JP2008144265A (ja) * 2006-11-13 2008-06-26 Kobe Steel Ltd 高炉の溶銑温度予測方法
JP2019019385A (ja) * 2017-07-19 2019-02-07 Ｊｆｅスチール株式会社 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
JP2021503042A (ja) * 2017-11-14 2021-02-04 ポスコＰｏｓｃｏ 高炉の送風制御装置およびその方法
JP2021507115A (ja) * 2017-12-19 2021-02-22 ポスコＰｏｓｃｏ 炉況管理装置及び方法
JP2021509440A (ja) * 2017-12-26 2021-03-25 ポスコＰｏｓｃｏ 高炉操業状況評価システム及び方法
JP6897723B2 (ja) * 2019-07-19 2021-07-07 Ｊｆｅスチール株式会社 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法

Also Published As

Publication number Publication date
JP7380604B2 (ja) 2023-11-15

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
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
JP6531782B2 (ja) 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
JP2018145520A (ja) 高炉炉熱予測装置及び高炉炉熱予測方法
CN113254738B (zh) 烧成曲线的自适应预测方法、设备及计算机存储介质
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
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
JP2023025646A (ja) 制御装置、方法及びプログラム
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
JP2021082139A (ja) 追加学習装置、方法、及びプログラム
JP6915754B2 (ja) プロセスの制御方法、操業ガイダンス方法、高炉の操業方法、溶銑の製造方法およびプロセスの制御装置
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
JP6933196B2 (ja) 高炉の荷下り速度予測モデルの学習方法、高炉の荷下り速度予測方法、高炉の操業ガイダンス方法、高炉の荷下り速度制御方法、溶銑の製造方法、高炉の操業方法、及び高炉の荷下り速度予測モデルの学習装置
Kronberger et al. Latest generation sinter process optimization systems
WO2024053568A1 (ja) 焼結プロセスの制御方法、操業ガイダンス方法、焼結鉱の製造方法、焼結プロセスの制御装置、操業ガイダンス装置、焼結操業ガイダンスシステム及び端末装置
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
JP7331885B2 (ja) 予測装置、予測方法、予測プログラム、および、制御装置
WO2024101351A1 (ja) 装置、方法およびプログラム
JP2000129319A (ja) 高炉炉熱制御方法及び装置
JPH01136912A (ja) 高炉炉熱自動制御システム
WO2024048310A1 (ja) プロセスの制御方法、高炉の操業方法、溶銑の製造方法及びプロセスの制御装置
JP2000017310A (ja) 高炉の操業方法
JPH01205008A (ja) 高炉炉熱制御装置
RU2252263C1 (ru) Устройство формирования управлений конвертерного процесса
JP2737136B2 (ja) 高炉炉熱制御装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220822

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230704

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230905

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230921

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231003

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231016

R150 Certificate of patent or registration of utility model

Ref document number: 7380604

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150