JP4316421B2 - Blast furnace hot metal temperature prediction model identification method and program thereof, blast furnace hot metal temperature prediction method and program thereof - Google Patents
Blast furnace hot metal temperature prediction model identification method and program thereof, blast furnace hot metal temperature prediction method and program thereof Download PDFInfo
- Publication number
- JP4316421B2 JP4316421B2 JP2004139752A JP2004139752A JP4316421B2 JP 4316421 B2 JP4316421 B2 JP 4316421B2 JP 2004139752 A JP2004139752 A JP 2004139752A JP 2004139752 A JP2004139752 A JP 2004139752A JP 4316421 B2 JP4316421 B2 JP 4316421B2
- Authority
- JP
- Japan
- Prior art keywords
- hot metal
- metal temperature
- blast
- data
- 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.)
- Expired - Fee Related
Links
Landscapes
- Manufacture Of Iron (AREA)
Description
本発明は,安定な高炉操業を行うために用いる高炉の溶銑温度予測モデル同定方法及びそのプログラム,並びにそのモデルを用いた高炉の溶銑温度予測方法及びそのプログラムに関するものである。 The present invention relates to a hot metal temperature prediction model identification method for a blast furnace used to perform stable blast furnace operation and a program thereof, and a hot metal temperature prediction method and a program thereof using the model.
高炉の溶銑温度を安定化させることは,燃料原単位の低減や,Si等の含有率安定化の点から,操業上重要である。
溶銑温度は,送風温度,送風湿分,微粉炭吹き込み量,酸素富化量等の衝風条件に基づいて制御することができる。例えば,送風温度を上げると,その後,溶銑温度は上昇する。しかし,衝風条件を変化させてから溶銑温度が変化するまでに数時間以上の時間遅れがあるため,溶銑温度の現在値のみを見て衝風条件を変化させると,過剰操作や逆操作につながって溶銑温度の変動が大きくなる。このため,溶銑温度を安定させるには,数時間先の溶銑温度の予測結果に基づいて衝風条件を変化させる必要がある。
高炉の溶銑温度を変動させる要因の一つとして,ソルーションロスカーボンの発生がある。これは,C+CO2=2CO 等の化学反応により,カーボンがガス化する現象である。この反応は,高炉内で最大の吸熱反応であるため,ソルーションロスカーボン量が増えると,その後,溶銑温度が低下することが知られている。従って,高炉操業においては,オペレータ等は,ソルーションロスカーボン量が上昇すると,数時間先に溶銑温度が低下すると予測し,この予測結果に基づいて送風温度を上げる等の衝風条件の制御を行う場合が多い。
溶銑温度の予測式(予測モデル)は,過去の実績操業データに基づいて作成・調整することになる。しかし,実際の高炉操業では,オペレータの操作等により,ソルーションロスカーボン量の変化に対して衝風条件を変化させ,溶銑温度の変動を抑える操作が行われているため,実績操業データでは,ソルーションロスカーボン量と衝風条件は変動しているが溶銑温度の変動は少ないという結果となっている。従って,実績操業データを通常のデータ解析手法で解析すると,ソルーションロスカーボン量と溶銑温度との相関,及び衝風条件と溶銑温度との相関は各々小さく,精度の高い溶銑温度の予測式(予測モデル)の作成・調整(同定)が困難である。
従来,特許文献1には,炉熱レベル(≒溶銑温度)に影響を及ぼす複数の操作量(コークス比,送風量,送風温度,送風湿分,酸素富化量,微粉炭比)から未来の一定期間の炉熱レベルの変動を予測するモデル(ステップ応答モデル)を用いて炉熱レベルの変動を予測する技術が示されている。
また,特許文献2には,ソルーションロスカーボン量と炉頂窒素データとの各々について,所定時間幅における移動平均値を求め,各移動平均値と所定の閾値との比較により求めた評価点により炉熱レベルの低下有無を予測する技術が示されている。
The hot metal temperature can be controlled based on blast conditions such as the blowing temperature, blowing moisture, pulverized coal blowing amount, oxygen enrichment amount and the like. For example, when the blast temperature is raised, the hot metal temperature rises thereafter. However, since there is a time delay of several hours or more from the change of the blast condition to the change of the hot metal temperature, changing the blast condition by looking at only the current value of the hot metal temperature may cause excessive or reverse operation. As a result, the hot metal temperature varies greatly. For this reason, in order to stabilize the hot metal temperature, it is necessary to change the blast conditions based on the prediction result of the hot metal temperature several hours ahead.
One factor that fluctuates the hot metal temperature in the blast furnace is the generation of solution loss carbon. This is a phenomenon in which carbon is gasified by a chemical reaction such as C + CO 2 = 2CO 2 . Since this reaction is the most endothermic reaction in the blast furnace, it is known that when the amount of solution loss carbon increases, the hot metal temperature subsequently decreases. Therefore, in blast furnace operation, when the amount of solution loss carbon increases, the operator predicts that the hot metal temperature will decrease several hours ahead, and controls the blast conditions such as raising the blowing temperature based on this prediction result. There are many cases.
The hot metal temperature prediction formula (prediction model) is created and adjusted based on past performance data. However, in actual blast furnace operation, the operation is performed by the operator's operation, etc., to change the blast conditions against the change in the amount of solution loss carbon and to suppress the variation of the hot metal temperature. The result is that the amount of loss carbon and blast conditions fluctuate, but the temperature of the hot metal is small. Therefore, when the actual operation data is analyzed by a normal data analysis method, the correlation between the amount of solution loss carbon and the hot metal temperature and the correlation between the blast conditions and the hot metal temperature are small, and the prediction formula for the hot metal temperature is high (prediction It is difficult to create and adjust (identify) models.
Conventionally, in Patent Document 1, a plurality of manipulated variables (coke ratio, blowing rate, blowing temperature, blowing moisture, oxygen enrichment amount, pulverized coal ratio) affecting the furnace heat level (≈ hot metal temperature) A technique for predicting fluctuations in the furnace heat level using a model (step response model) that predicts fluctuations in the furnace heat level over a certain period is shown.
In Patent Document 2, a moving average value in a predetermined time width is obtained for each of the amount of solution loss carbon and the furnace top nitrogen data, and the furnace is calculated based on an evaluation score obtained by comparing each moving average value with a predetermined threshold value. Techniques for predicting the presence or absence of a decrease in heat level are shown.
しかしながら,特許文献1に示される技術によれば,操作量の変化に対する溶銑温度の変化を定量的に予測することができるが,ソルーションロスカーボンの発生という大きな外乱の影響を予測結果に反映することができず,精度の高い溶銑温度の予測ができないという問題点があった。
また,特許文献2に示される技術は,炉熱レベル(≒溶銑温度)の低下有無を予測するものである上,操作量の変化に対する溶銑温度の変化を予測結果に反映することができず,高精度で定量的に溶銑温度を予測することができないという問題点があった。さらに,何時間後の予測値であるかが明確でないため,対応する操作(制御)を行うべきタイミングを明確にできないこと,及び溶銑温度自体を定量的に予測するものではないため,定量的に操作量に反映する(制御する)ことができないことから,溶銑温度安定化制御に用いる予測値としては十分でないという問題点があった。また,溶銑温度を定量的に予測するものでないため,高炉の操業上,どの程度重大な事態につながるのかの判断指標に用いることができないという問題点もあった。
また,特許文献1及び2各々に示される技術を組み合わせたとしても,大きな外乱(ソルーションロスカーボンの発生等)に対する溶銑温度変化分及びその時間的要素が溶銑温度の予測値に定量的に反映されないため,上述した特許文献2における問題点はそのまま残る。
従って,本発明は上記事情に鑑みてなされたものであり,その目的とするところは,操作量(衝風条件)の変化とソルーションロスカーボンの発生等の外乱との両方を反映して精度の高い溶銑温度の予測を定量的に行うことができる溶銑温度予測モデルを同定できる高炉の溶銑温度予測モデル同定方法及びそのプログラム,並びにそれにより同定された溶銑温度予測モデルを用いた高炉の溶銑温度予測方法及びそのプログラムを提供することにある。
However, according to the technique disclosed in Patent Document 1, it is possible to quantitatively predict the change in the hot metal temperature with respect to the change in the operation amount, but to reflect the influence of a large disturbance such as generation of solution loss carbon in the prediction result. There was a problem that the hot metal temperature could not be predicted with high accuracy.
In addition, the technique disclosed in Patent Document 2 predicts whether or not the furnace heat level (≈ hot metal temperature) is lowered, and cannot reflect the change in hot metal temperature with respect to the change in operation amount in the prediction result. There was a problem that the hot metal temperature could not be predicted quantitatively with high accuracy. In addition, since it is not clear how many hours later the predicted value is, it is not possible to clarify the timing at which the corresponding operation (control) should be performed, and the hot metal temperature itself is not quantitatively predicted. Since it cannot be reflected (controlled) in the operation amount, there is a problem that it is not sufficient as a predicted value used for hot metal temperature stabilization control. In addition, since the hot metal temperature is not quantitatively predicted, there is a problem that it cannot be used as an index for determining how serious it will be in the operation of the blast furnace.
In addition, even when the techniques shown in Patent Documents 1 and 2 are combined, the hot metal temperature change and its temporal factors for large disturbances (such as generation of solution loss carbon) are not quantitatively reflected in the predicted value of the hot metal temperature. Therefore, the problem in the above-mentioned Patent Document 2 remains as it is.
Therefore, the present invention has been made in view of the above circumstances, and the object of the present invention is to reflect both changes in the manipulated variable (blast conditions) and disturbances such as generation of solution loss carbon. Blast furnace temperature prediction model identification method and program for identifying hot metal temperature prediction model capable of quantitatively predicting high hot metal temperature, and its program, and hot metal temperature prediction of blast furnace using the hot metal temperature prediction model identified thereby It is to provide a method and a program thereof.
上記目的を達成するために本発明は,高炉における送風温度,送風湿分,微粉炭吹き込み量及び酸素富化量の1又は複数を含む衝風条件データの実績値とソルーションロスカーボン量を含む外乱要因データの実績値と溶銑温度の実績値とを含む過去の実績操業データに基づいて溶銑温度予測モデルを同定する高炉の溶銑温度予測モデル同定方法であって,
前記衝風条件データの実績値を,予めモデル係数が設定されており前記衝風条件データの変化から衝風条件変化に起因する溶銑温度の変化分である衝風条件起因変化温度を求める衝風モデルに適用して前記衝風条件起因変化温度の推定値を求める衝風条件起因変化温度推定工程と,
前記溶銑温度の実績値と前記外乱要因データの実績値と前記溶銑温度の実績値から前記衝風条件起因変化温度の推定値を差し引いた差分溶銑温度の推定値とを,溶銑温度及び時系列の前記外乱要因データから前記差分溶銑温度の予測値を求める溶銑温度動的モデルに適用して前記差分溶銑温度の予測値がその推定値に近似するよう前記溶銑温度動的モデルのモデル係数を同定することにより,前記溶銑温度動的モデルの出力と前記衝風モデルの出力とを合成する溶銑温度予測モデルを同定するモデル係数同定工程と,を有してなることを特徴とする高炉の溶銑温度予測モデル同定方法である。ここで,前記衝風モデルは,そのモデル係数を含め予め与えられるものである。
前述したように,実際の高炉操業では,ソルーションロスカーボン量の変化に対して衝風条件を変化させ,溶銑温度の変動を抑える操作が行われているため,実績操業データでは,ソルーションロスカーボン量と衝風条件は変動しているが溶銑温度の変動は少ないという結果となっていることが多く,通常のデータ解析手法で解析しても,本来存在するデータ間の相関を把握できず,精度の高い溶銑温度の予測モデルの同定が困難である。
ここで,前記衝風モデルは,予め実験的或いは理論的に求めたものを適用しても,操業条件に関わらず比較的精度の高いモデルを構成することができる。
一方,ソルーションロスカーボン量等の外乱要因に関する動的モデル(前記溶銑温度動的モデル)は,例えば,1週間〜数ヶ月の単位で大きく変化し得る操業条件(高炉に投入する鋼材や生産する鋼材の種類等)によって特性が大きく異なることがある。このため,過去の同様の操業条件下での実績操業データに基づいて前記溶銑温度動的モデルを同定することが,モデル精度を高める上で有効となる。
そこで,上記各工程を経るモデル同定を行うことにより,まず,衝風条件変化に起因する溶銑温度の変化分(前記衝風条件起因変化温度)の推定値を予め除去した前記差分溶銑温度の推定値(ソルーションロスカーボン量を含む外乱要因に起因する溶銑温度の変化分)が求められ,これに基づいて溶銑温度動的モデル(外乱要因データから前記差分溶銑温度を求めるモデル)のモデル係数が同定される。その結果,本来存在する外乱要因データと溶銑温度との相関関係を前記溶銑温度動的モデルに反映する(同定する)ことが可能となる。その結果,前記溶銑温度動的モデルの出力と前記衝風モデルの出力とを合成する溶銑温度予測モデル(定量的な溶銑温度の予測モデル)の予測精度を高めることができる。
従って,上記各工程を経るモデル同定を,操業条件が変化するタイミング,或いはモデル予測精度が悪化する兆候が認められたタイミング等において,現在或いは今後の操業条件に似た条件下での過去の実績操業データを用いて行うことにより,高い精度で溶銑温度を定量的に予測できるモデルを同定することが可能となる。このようにして高精度で予測される溶銑温度は,オペレータが,高炉の操業上どの程度重大な事態につながるのかの判断指標とする等の操業支援や自動制御に用いる情報として好適である。
ここで,前記溶銑温度動的モデルとして,最も基本的な簡易モデルである線形モデルを用いた場合でも,後述するように精度の高い溶銑温度の予測を行うことが可能である。この場合,線形モデルの荷重係数が前記モデル係数となる。
例えば,前記溶銑温度動的モデルが以下の(A)式により表されるものが考えられる。
A blast that obtains a change temperature caused by a blast condition, which is a change in the hot metal temperature caused by a change in the blast condition from a change in the blast condition data, with a model coefficient set in advance as the actual value of the blast condition data. Blast condition-induced change temperature estimation step for obtaining an estimated value of the blast condition-induced change temperature applied to a model;
The actual value of the hot metal temperature, the actual value of the disturbance factor data, and the estimated value of the difference hot metal temperature obtained by subtracting the estimated value of the blast condition-induced change temperature from the actual value of the hot metal temperature, The model coefficient of the hot metal temperature dynamic model is identified so that the predicted value of the differential hot metal temperature approximates the estimated value when applied to the hot metal temperature dynamic model for obtaining the predicted value of the hot metal temperature from the disturbance factor data. A hot metal temperature prediction model for identifying a hot metal temperature prediction model for synthesizing the output of the hot metal temperature dynamic model and the output of the blast model. This is a model identification method. Here, the blast model including the model coefficient is given in advance.
As described above, in actual blast furnace operation, the blast conditions are changed to reduce the variation in hot metal temperature in response to changes in the amount of solution loss carbon. In many cases, the blast conditions vary, but the variation in the hot metal temperature is small. It is difficult to identify a predictive model of high hot metal temperature.
Here, even if the gust model is obtained experimentally or theoretically in advance, a model with relatively high accuracy can be constructed regardless of the operating conditions.
On the other hand, the dynamic model for the disturbance factors such as the amount of solution loss carbon (the hot metal temperature dynamic model) is, for example, the operating conditions that can change greatly in units of one week to several months (steel materials to be introduced into the blast furnace and steel materials to be produced). The characteristics may vary greatly depending on the type of For this reason, identifying the hot metal temperature dynamic model based on past operation data under the same operating conditions in the past is effective in improving the model accuracy.
Therefore, by performing model identification through each of the above steps, first, the estimation of the difference hot metal temperature from which the estimated value of the hot metal temperature change due to the change in the blast conditions (the change temperature caused by the blast conditions) has been removed in advance. Value (change in hot metal temperature due to disturbance factors including the amount of solution loss carbon) is obtained, and based on this, the model coefficient of the hot metal temperature dynamic model (model for obtaining the above-mentioned differential hot metal temperature from disturbance factor data) is identified Is done. As a result, it is possible to reflect (identify) the correlation between the disturbance factor data originally present and the hot metal temperature in the hot metal temperature dynamic model. As a result, the prediction accuracy of the hot metal temperature prediction model (quantitative hot metal temperature prediction model) that combines the output of the hot metal temperature dynamic model and the output of the blast model can be improved.
Therefore, the model identification through each of the above processes is based on past performance under conditions similar to the current or future operating conditions, such as when the operating conditions change or when signs of deterioration in model prediction accuracy are observed. By using the operation data, it is possible to identify a model that can predict hot metal temperature quantitatively with high accuracy. In this way, the hot metal temperature predicted with high accuracy is suitable as information used for operation support and automatic control, for example, as an index for the operator to determine how serious the situation will be in the operation of the blast furnace.
Here, even when a linear model which is the most basic simple model is used as the hot metal temperature dynamic model, it is possible to predict the hot metal temperature with high accuracy as will be described later. In this case, the load coefficient of the linear model is the model coefficient.
For example, the hot metal temperature dynamic model can be expressed by the following equation (A).
また,本発明は,前記高炉の溶銑温度予測モデル同定方法により同定されたモデルを用いた高炉の溶銑温度予測方法として捉えることもできる。
即ち,高炉における送風温度,送風湿分,微粉炭吹き込み量及び酸素富化量の1又は複数を含む衝風条件データとソルーションロスカーボン量を含む外乱要因データと溶銑温度とを含む操業データを逐次入力し,その入力データに基づいて将来の溶銑温度を予測する高炉の溶銑温度予測方法であって,
逐次入力した前記操業データを既定時間分蓄積するデータ蓄積工程と,
蓄積した前記操業データを前記高炉の溶銑温度予測モデル同定方法により同定された(モデル係数が同定された)高炉の溶銑温度予測モデルに適用して将来の溶銑温度を予測する溶銑温度予測工程と,を有してなることを特徴とする高炉の溶銑温度予測方法である。
これにより,高精度で高炉の溶銑温度を定量的に予測することができる。
この場合,蓄積した前記操業データから予測できる範囲よりもさらに将来の溶銑温度を予測する場合に,直近の前記衝風条件データ及び前記外乱要因データがその後も継続すると仮定したデータを前記溶銑温度予測モデルに適用して将来の溶銑温度を予測するものが考えられる。
このような予測を行っても,ソルーションロスカーボン量等の外乱要因データの今後の変化(予測できない変化)に起因する溶銑温度の変化分は予測結果に反映されない。しかし,少なくとも現在までの衝風条件データ及び外乱要因データの各実績値の影響は予測値に反映され,さらに,今後の外乱要因データの変化がないと仮定した場合に,現状の操作量,即ち,現在の衝風条件をそのまま維持すれば溶銑温度がどのような状態になるかを,蓄積したデータから予測できる範囲よりもさらに将来についても予測できるため,その予測値はオペレータの操業支援情報として有効な指標となる。
一方,前記溶銑温度予測工程が,蓄積した前記操業データから予測できる範囲よりもさらに将来の溶銑温度を予測する場合に,直近の前記衝風条件データがその後も継続しかつ前記外乱要因データがその後予め設定された想定最大変化分だけ変化すると仮定したデータを前記溶銑温度予測モデルに適用して将来の溶銑温度を予測するものも考えられる。
例えば,前記想定最大変化分として,前記ソルーションロスカーボン量の単位時間当たりの最大の増大幅と減少幅とを予め設定しておき,その増大幅で変化すると仮定して求めた溶銑温度予測温度と,その減少幅で変化すると仮定して求めた溶銑温度とを求めれば,蓄積したデータから予測できる範囲よりもさらに将来について,想定される溶銑温度の最大変化幅を予測できる。
この場合,蓄積した前記外乱要因データに基づいて前記外乱要因データの前記想定最大変化分を自動設定する外乱要因データ最大変化設定工程を有するものも考えられる。
例えば,前記想定最大変化分として,直近のデータから過去の既定時間内における平均値と最大値及び最小値との差から,単位時間当たりの最大の増大幅と減少幅とを求めること等により,直近のデータの変化傾向に応じた前記想定最大変化分を設定することが可能となる。
The present invention can also be understood as a hot metal temperature prediction method for a blast furnace using a model identified by the hot metal temperature prediction model identification method for the blast furnace.
That is, the operation data including the blast condition data including one or more of the blast furnace temperature, the blast moisture, the pulverized coal injection amount and the oxygen enrichment amount, the disturbance factor data including the solution loss carbon amount, and the hot metal temperature are sequentially obtained. A method of predicting the hot metal temperature of a blast furnace that inputs and predicts the future hot metal temperature based on the input data,
A data accumulation step for accumulating the operation data sequentially input for a predetermined time;
Applying the accumulated operation data to the hot metal temperature prediction model of the blast furnace identified by the method for identifying the hot metal temperature prediction model of the blast furnace (model coefficient is identified), and predicting the hot metal temperature in the future, This is a method for predicting the hot metal temperature of a blast furnace.
As a result, the hot metal temperature of the blast furnace can be predicted quantitatively with high accuracy.
In this case, when predicting the hot metal temperature in the future beyond the range that can be predicted from the accumulated operation data, the data assuming that the latest blast condition data and the disturbance factor data will continue thereafter are used. It can be applied to the model to predict the future hot metal temperature.
Even if such a prediction is performed, the change in the hot metal temperature due to the future change (unpredictable change) of disturbance factor data such as the amount of solution loss carbon is not reflected in the prediction result. However, at least the effect of each actual value of the blast condition data and disturbance factor data up to the present is reflected in the predicted value, and further assuming that there will be no change in the disturbance factor data in the future, Because the current hot blast conditions are maintained as they are, the state of the hot metal temperature can be predicted in the future beyond the range that can be predicted from the accumulated data. It is an effective indicator.
On the other hand, when the hot metal temperature predicting step predicts the hot metal temperature in the future beyond the range that can be predicted from the accumulated operation data, the latest blast condition data continues and the disturbance factor data thereafter It is also conceivable to predict the future hot metal temperature by applying data assumed to change by an assumed maximum change set in advance to the hot metal temperature prediction model.
For example, as the assumed maximum change, a maximum increase width and a decrease width per unit time of the amount of solution loss carbon are set in advance, and the hot metal temperature predicted temperature obtained on the assumption that the change is within the increase width, If the hot metal temperature obtained on the assumption that it changes with the decrease width is obtained, the maximum possible change range of the hot metal temperature can be predicted for the future beyond the range that can be predicted from the accumulated data.
In this case, it may be possible to have a disturbance factor data maximum change setting step of automatically setting the assumed maximum change of the disturbance factor data based on the accumulated disturbance factor data.
For example, as the assumed maximum change, by obtaining the maximum increase and decrease per unit time from the difference between the average value and the maximum and minimum values in the past predetermined time from the latest data, etc. It is possible to set the assumed maximum change corresponding to the change tendency of the latest data.
また,本発明は,前記高炉の溶銑温度予測モデル同定方法における各工程に対応する処理をコンピュータに実行させるための高炉の溶銑温度予測モデル同定プログラムとして捉えることもできる。
即ち,高炉における送風温度,送風湿分,微粉炭吹き込み量及び酸素富化量の1又は複数を含む衝風条件データの実績値とソルーションロスカーボン量を含む外乱要因データの実績値と溶銑温度の実績値とを含む過去の実績操業データが記憶された実勢操業データ記憶手段からデータを読み出し,該データに基づいて溶銑温度予測モデルを同定する処理をコンピュータに実行させるための高炉の溶銑温度予測モデル同定プログラムであって,
前記衝風条件データの実績値を,予めモデル係数が設定されており前記衝風条件データの変化から衝風条件変化に起因する溶銑温度の変化分である衝風条件起因変化温度を求める衝風モデルに適用して前記衝風条件起因変化温度の推定値を求める衝風条件起因変化温度推定処理と,
前記溶銑温度の実績値と前記外乱要因データの実績値と前記溶銑温度の実績値から前記衝風条件起因変化温度の推定値を差し引いた差分溶銑温度の推定値とを,溶銑温度及び時系列の前記外乱要因データから前記差分溶銑温度の予測値を求める溶銑温度動的モデルに適用して前記差分溶銑温度の予測値がその推定値に近似するよう前記溶銑温度動的モデルのモデル係数を同定することにより,前記溶銑温度動的モデルの出力と前記衝風モデルの出力とを合成する溶銑温度予測モデルを同定するモデル係数同定処理と,
前記モデル係数同定処理により同定された前記モデル係数を記憶手段に記憶させるモデル係数記録処理と,をコンピュータに実行させるための高炉の溶銑温度予測モデル同定プログラムである。
同様に,本発明は,前記高炉の溶銑温度予測モデル同定方法により同定されたモデルを用いた前記高炉の溶銑温度予測方法おける各工程に対応する処理をコンピュータに実行させるための高炉の溶銑温度予測プログラムとして捉えることもできる。
即ち,高炉における送風温度,送風湿分,微粉炭吹き込み量及び酸素富化量の1又は複数を含む衝風条件データとソルーションロスカーボン量を含む外乱要因データと溶銑温度とを含む操業データを逐次入力し,その入力データに基づいて将来の溶銑温度を予測する処理をコンピュータに実行させるために高炉の溶銑温度予測プログラムであって,
逐次入力した前記操業データを既定時間分記憶手段に蓄積するデータ蓄積処理と,
蓄積した前記操業データを前記高炉の溶銑温度予測モデル同定方法により同定された高炉の溶銑温度予測モデルに適用して将来の溶銑温度を予測して出力する溶銑温度予測処理と,をコンピュータに実行させるための高炉の溶銑温度予測プログラムである。
The present invention can also be understood as a blast furnace hot metal temperature prediction model identification program for causing a computer to execute processing corresponding to each process in the blast furnace hot metal temperature prediction model identification method.
That is, the actual value of the blast condition data including one or more of the blowing temperature, the blowing moisture, the amount of pulverized coal injection, and the oxygen enrichment amount in the blast furnace, the actual value of the disturbance factor data including the amount of solution loss carbon, and the hot metal temperature. A hot metal temperature prediction model for a blast furnace for reading data from actual operation data storage means storing past actual operation data including actual values and for causing a computer to execute a process for identifying a hot metal temperature prediction model based on the data An identification program,
A blast that obtains a change temperature caused by a blast condition, which is a change in the hot metal temperature caused by a change in the blast condition from a change in the blast condition data, with a model coefficient set in advance as the actual value of the blast condition data. Blast-condition-induced change temperature estimation processing for applying an estimated value of the blast-condition-induced change temperature to the model;
The actual value of the hot metal temperature, the actual value of the disturbance factor data, and the estimated value of the difference hot metal temperature obtained by subtracting the estimated value of the blast condition-induced change temperature from the actual value of the hot metal temperature, The model coefficient of the hot metal temperature dynamic model is identified so that the predicted value of the differential hot metal temperature approximates the estimated value when applied to the hot metal temperature dynamic model for obtaining the predicted value of the hot metal temperature from the disturbance factor data. A model coefficient identification process for identifying a hot metal temperature prediction model for combining the output of the hot metal temperature dynamic model and the output of the gust model,
A blast furnace hot metal temperature prediction model identification program for causing a computer to execute a model coefficient recording process for storing the model coefficient identified by the model coefficient identification process in a storage means.
Similarly, the present invention provides a hot metal temperature prediction of a blast furnace for causing a computer to execute a process corresponding to each step in the hot metal temperature prediction method of the blast furnace using the model identified by the hot metal temperature prediction model identification method of the blast furnace. It can also be understood as a program.
That is, the operation data including the blast condition data including one or more of the blast furnace temperature, the blast moisture, the pulverized coal injection amount and the oxygen enrichment amount, the disturbance factor data including the solution loss carbon amount, and the hot metal temperature are sequentially obtained. A blast furnace hot metal temperature prediction program for causing a computer to execute a process of inputting and predicting a future hot metal temperature based on the input data,
A data accumulation process for accumulating the operation data sequentially input in a storage means for a predetermined time;
Applying the accumulated operation data to the hot metal temperature prediction model of the blast furnace identified by the hot metal temperature prediction model identification method of the blast furnace to cause the computer to execute hot metal temperature prediction processing for predicting and outputting the future hot metal temperature This is a hot metal temperature prediction program for a blast furnace.
本発明によれば,衝風条件データの実績値を,前記衝風条件データの変化から衝風条件変化に起因する溶銑温度の変化分である衝風条件起因変化温度を求める衝風モデルに適用して前記衝風条件起因変化温度の推定値を求め,溶銑温度の実績値とソルーションロスカーボン量等の外乱要因データの実績値と溶銑温度の実績値から前記衝風条件起因変化温度の推定値を差し引いた差分溶銑温度の推定値とを,溶銑温度及び時系列の前記外乱要因データから前記差分溶銑温度の予測値を求める溶銑温度動的モデルに適用して前記差分溶銑温度の予測値がその推定値に近似するよう前記溶銑温度動的モデルのモデル係数を同定することにより,前記溶銑温度動的モデルの出力と前記衝風モデルの出力とを合成する溶銑温度予測モデルを同定するので,衝風条件変化に起因する溶銑温度の変化分(前記衝風条件起因変化温度)の推定値を予め除去した前記差分溶銑温度の推定値(ソルーションロスカーボン量を含む外乱要因に起因する溶銑温度の変化分)が求められ,これに基づいて溶銑温度動的モデル(外乱要因データから前記差分溶銑温度の予測値を求めるモデル)のモデル係数が同定される結果,高い精度で溶銑温度を定量的に予測できるモデルを同定することが可能となる。
また,そのようにして同定された(モデル係数が同定された)高炉の溶銑温度予測モデルに入力及び蓄積した操業データを適用して将来の溶銑温度を予測することにより,高精度で高炉の溶銑温度を定量的に予測することができる。
さらに,蓄積した操業データから予測できる範囲よりもさらに将来の溶銑温度を予測する場合に,直近の前記衝風条件データ及び前記外乱要因データがその後も継続すると仮定したデータを前記溶銑温度予測モデルに適用して将来の溶銑温度を予測する,或いは直近の前記衝風条件データがその後も継続しかつ前記外乱要因データがその後予め設定された想定最大変化分だけ変化すると仮定したデータを前記溶銑温度予測モデルに適用して将来の溶銑温度を予測することにより,現状の操作量,即ち,現在の衝風条件をそのまま維持すれば溶銑温度がどのような状態になるかを,蓄積したデータから予測できる範囲よりもさらに将来についても予測でき,オペレータの操業支援情報としてさらに有効な溶銑温度の予測値情報を提供することが可能となる。
According to the present invention, the actual value of the gust condition data is applied to the blast model for obtaining the change temperature caused by the blast condition, which is a change in the hot metal temperature caused by the change in the blast condition from the change in the blast condition data. The estimated value of the blast-condition-induced change temperature is obtained, and the estimated value of the blast-condition-induced change temperature is determined from the actual value of the hot metal temperature, the actual value of disturbance factor data such as the amount of solution loss carbon, and the actual value of the hot metal temperature. The estimated value of the difference hot metal temperature is applied to a hot metal temperature dynamic model for obtaining a predicted value of the difference hot metal temperature from the hot metal temperature and the disturbance data in time series. By identifying the model coefficient of the hot metal temperature dynamic model to approximate the estimated value, the hot metal temperature prediction model that combines the output of the hot metal temperature dynamic model and the output of the blast model is identified. Estimated value of the difference hot metal temperature (estimated of hot metal temperature due to disturbance factors including the amount of solution loss carbon) from which the estimated value of hot metal temperature due to change in blast conditions (previously changed temperature due to blast conditions) has been removed. Change), and based on this, the model coefficient of the hot metal temperature dynamic model (model that obtains the predicted value of the differential hot metal temperature from the disturbance factor data) is identified. As a result, the hot metal temperature is quantitatively determined with high accuracy. It is possible to identify a predictable model.
In addition, by applying the input and accumulated operation data to the hot metal temperature prediction model of the blast furnace thus identified (model coefficient is identified), the hot metal temperature of the blast furnace is predicted with high accuracy. The temperature can be predicted quantitatively.
Furthermore, when predicting the hot metal temperature in the future beyond the range that can be predicted from the accumulated operation data, the data assuming that the latest blast condition data and the disturbance factor data will continue thereafter are used as the hot metal temperature prediction model. Apply the predicted hot metal temperature, or the data assuming that the latest blast condition data will continue and the disturbance factor data will change by the preset maximum change thereafter. By applying it to the model and predicting the hot metal temperature in the future, it is possible to predict the state of the hot metal temperature from the accumulated data if the current operating amount, that is, the current blast conditions are maintained as they are. It is possible to predict the future beyond the range, and to provide predicted value information of the hot metal temperature that is more effective as operation support information for the operator. The ability.
以下添付図面を参照しながら,本発明の実施の形態について説明し,本発明の理解に供する。尚,以下の実施の形態は,本発明を具体化した一例であって,本発明の技術的範囲を限定する性格のものではない。
ここに,図1は本発明の実施形態に係る高炉の溶銑温度予測モデルの同定処理及び溶銑温度予測処理を具現するプログラムを実行する計算機の概略構成を表すブロック図,図2は本発明の実施形態に係る高炉の溶銑温度予測モデルの同定処理及び溶銑温度予測処理における処理手順を表すフローチャート,図3は正規化した溶銑温度の実績値のトレンドグラフ,図4は正規化したソルーションロスカーボン量(外乱要因データ)の実績値のトレンドグラフ,図5は正規化した送風温度(衝風条件データ)の実績値のトレンドグラフ,図6は本発明の実施形態に係る高炉の溶銑温度予測モデルの同定処理で用いる衝風モデルに実績データを適用した出力である衝風条件起因変化温度の推定値のトレンドグラフ,図7は溶銑温度の実績値から衝風条件起因変化温度の推定値を差し引いた差分溶銑温度の推定値のトレンドグラフ,図8は本発明の実施形態に係る高炉の溶銑温度予測モデルの同定処理により同定した溶銑温度動的モデルに実績データを適用した出力である差分溶銑温度の予測値のトレンドグラフ,図9及び図10は本発明の実施形態に係る高炉の溶銑温度予測モデルの同定処理により同定した溶銑温度予測モデルに操業データを適用して得た溶銑温度の予測値と溶銑温度の実測値とのトレンドグラフである。
Hereinafter, embodiments of the present invention will be described with reference to the accompanying drawings so that the present invention can be understood. The following embodiment is an example embodying the present invention, and does not limit the technical scope of the present invention.
FIG. 1 is a block diagram showing a schematic configuration of a computer that executes a program for implementing a hot metal temperature prediction model identification process and a hot metal temperature prediction process of a blast furnace according to an embodiment of the present invention, and FIG. FIG. 3 is a trend graph of actual values of normalized hot metal temperature, FIG. 4 is a normalized amount of solution loss carbon ( Disturbance factor data) actual value trend graph, FIG. 5 is a trend graph of normalized air temperature (blast condition data) actual value, and FIG. 6 is an identification of a hot metal temperature prediction model of a blast furnace according to an embodiment of the present invention. Trend graph of estimated value of change temperature caused by blast condition, which is output of actual data applied to blast model used in processing, Fig. 7 shows blast from actual value of hot metal temperature FIG. 8 is a trend data of the hot metal temperature dynamic model identified by the identification processing of the hot metal temperature prediction model of the blast furnace according to the embodiment of the present invention. 9 and 10 are applied to the hot metal temperature prediction model identified by the identification process of the hot metal temperature prediction model of the blast furnace according to the embodiment of the present invention. It is a trend graph with the predicted value of the hot metal temperature obtained by this, and the measured value of the hot metal temperature.
まず,図1のブロック図を用いて,本発明の実施の形態に係る高炉の溶銑温度予測モデルの同定処理(同定方法)及び溶銑温度予測処理(予測方法)を具現するプログラムを実行する計算機Xについて説明する。
前記計算機Xは,例えばパーソナルコンピュータ等の一般的な計算機であり,CPU,RAM等からなり各種演算を行う演算部1と,液晶ディスプレイ等の出力手段の一例である表示部2と,キーボード,マウス等の入力手段の一例である操作部3と,前記演算部1により実行されるプログラムが予め格納されるプログラム記憶部4と,各種データが記憶されるデータ記憶部5と,高炉から各種操業データを入力するための通信インターフェース(I/F)6とを具備し,これらがシステムバス7により相互にデータ伝送可能に接続されている。
前記データ記憶部5には,高炉における過去の実績操業データd10が予め格納されている。
前記実績操業データd10には,送風温度,送風湿分,微粉炭吹き込み量及び酸素富化量の1又は複数を含む衝風条件データの実績値と,ソルーションロスカーボン量を含む外乱要因データの実績値と,溶銑温度の実績値とが含まれ,これらが,採取された日時データに関連付けられて前記データ記憶部5に記憶されている。この実績操業データd10は,本発明の実施の形態に係る高炉の溶銑温度予測モデルの同定処理(方法)において,溶銑温度の予測モデルにおけるモデル係数を同定する際に用いられるものである。経験則上,前記実績操業データd10として,数日分程度(例えば,5日分程度)のデータを用いれば,適切な同定が可能である。
また,前記演算部1は,前記通信I/F6を介して,高炉の操業データを逐次する処理を実行する。逐次入力する操業データには,高炉における送風温度,送風湿分,微粉炭吹き込み量及び酸素富化量の1又は複数を含む衝風条件データと,ソルーションロスカーボン量を含む外乱要因データと,溶銑温度とを含む操業データとが含まれる。そして,前記演算部1は,これら逐次入力した操業データデータに基づいて将来の溶銑温度を予測する演算を行い,その演算結果を前記表示部2にトレンドラフとして或いは数値として表示させる。
First, referring to the block diagram of FIG. 1, a computer X that executes a program that implements a hot metal temperature prediction model identification process (identification method) and a hot metal temperature prediction process (prediction method) of a blast furnace according to an embodiment of the present invention. Will be described.
The computer X is a general computer such as a personal computer, and includes a calculation unit 1 that includes a CPU, a RAM, and the like, performs various calculations, a display unit 2 that is an example of output means such as a liquid crystal display, a keyboard, and a mouse. An operation unit 3 which is an example of an input means, a program storage unit 4 in which a program executed by the arithmetic unit 1 is stored in advance, a data storage unit 5 in which various data are stored, and various operation data from the blast furnace And a communication interface (I / F) 6 for inputting data, and these are connected to each other via a system bus 7 so that data can be transmitted.
The data storage unit 5 stores in advance past operation data d10 in the blast furnace.
The actual operation data d10 includes the actual value of the blast condition data including one or more of the blowing temperature, the blowing moisture, the pulverized coal blowing amount, and the oxygen enrichment amount, and the disturbance factor data including the solution loss carbon amount. Values and actual values of the hot metal temperature are included, and these are stored in the data storage unit 5 in association with the collected date and time data. The actual operation data d10 is used when identifying the model coefficient in the hot metal temperature prediction model in the blast furnace hot metal temperature prediction model identification process (method) according to the embodiment of the present invention. As a rule of thumb, appropriate identification is possible if data for about several days (for example, about five days) is used as the actual operation data d10.
Moreover, the said calculating part 1 performs the process which serially operates the operation data of a blast furnace via the said communication I / F6. The operation data to be input sequentially includes blast condition data including one or more of the blast furnace air temperature, blast moisture, pulverized coal injection amount and oxygen enrichment amount, disturbance factor data including the amount of solution loss carbon, hot metal And operational data including temperature. And the said calculating part 1 performs the calculation which estimates future hot metal temperature based on these operation data data input sequentially, and displays the calculation result on the said display part 2 as a trend rough or as a numerical value.
次に,図2のフローチャートを用いて,前記計算機Xにより実行される高炉の溶銑温度予測モデルの同定処理及び溶銑温度予測処理の手順について説明する。ここで,図2(a)は,溶銑温度予測モデルの同定処理の手順を表し,図2(b)は,図2(a)の同定処理により同定された溶銑温度予測モデルを用いた溶銑温度予測処理の手順を表す。これらの処理は,前記演算部1が,前記プログラム記憶部4に記憶された溶銑温度予測モデル同定プログラム,溶銑温度予測プログラム各々に従って実行する。以下,S11,S12,…は,処理手順(ステップ)の番号を表す。
溶銑温度予測処理を実行する前に,まず,その予測に用いる溶銑温度予測モデルの同定処理を実行する。
Next, the procedure of the blast furnace hot metal temperature prediction model identification process and the hot metal temperature prediction process executed by the computer X will be described with reference to the flowchart of FIG. Here, FIG. 2 (a) shows the procedure of the hot metal temperature prediction model identification process, and FIG. 2 (b) shows the hot metal temperature using the hot metal temperature prediction model identified by the identification process of FIG. 2 (a). It represents the procedure of the prediction process. These processes are executed by the calculation unit 1 according to the hot metal temperature prediction model identification program and hot metal temperature prediction program stored in the program storage unit 4. Hereinafter, S11, S12,... Represent processing procedure (step) numbers.
Before executing the hot metal temperature prediction process, first, the hot metal temperature prediction model identification process used for the prediction is executed.
<溶銑温度予測モデルの同定処理(同定方法)>
(ステップS11)
前記演算部1は,前記データ記憶部5から前記衝風条件データの実績値を読み出し,これを予め与えられた衝風モデルに適用することにより,衝風条件変化に起因する溶銑温度の変化分である衝風条件起因変化温度の推定値を求める(S11:前記衝風条件起因変化温度推定処理(工程)の一例)。ここで,前記衝風モデルは,前記衝風条件データの変化から衝風条件変化に起因する溶銑温度の変化分である前記衝風条件起因変化温度を求めるモデルである。
以下,前記衝風モデルについて説明する。
衝風条件データから溶銑温度を求めるモデル(衝風条件の変動以外の外乱を想定しないモデル)としては,多数のものが知られているが,その1つとして,例えば,次の(1)式に示す1次遅れ系にむだ時間を加えたモデルが考えられる。これは,一般的に用いられる最も基本的で簡易なモデルである。
この(1)式における衝風条件値及び溶銑温度の各々を,衝風条件値変化及び溶銑温度の変化分である前記衝風条件起因変化温度に置き換えたモデルは,次の(2)式で表される。ここでは,この(2)式を,前記衝風条件データの変化から衝風条件変化に起因する溶銑温度の変化分である前記衝風条件起因変化温度を求める前記衝風モデルとする。
この(2)式(前記衝風モデル)に,前記衝風条件データの実績値(変化の実績値)を適用(代入)することにより,前記衝風条件起因変化温度の推定値が求まる。
<Hot metal temperature prediction model identification process (identification method)>
(Step S11)
The calculation unit 1 reads out the actual value of the blast condition data from the data storage unit 5 and applies it to a gust model given in advance, so that the amount of change in the hot metal temperature caused by the change in the blast condition is calculated. An estimated value of the blast condition-induced change temperature is obtained (S11: an example of the blast-condition-induced change temperature estimation process (step)). Here, the blast model is a model for obtaining the blast condition-induced change temperature, which is a change in the hot metal temperature caused by the blast condition change, from the change of the blast condition data.
Hereinafter, the blast model will be described.
Many models are known as models for obtaining hot metal temperature from blast condition data (models that do not assume disturbances other than fluctuations in blast conditions). For example, the following equation (1) is used. A model in which a dead time is added to the first-order lag system shown in Fig. 1 can be considered. This is the most basic and simple model commonly used.
A model in which each of the blast condition value and the hot metal temperature in the equation (1) is replaced with the change temperature caused by the blast condition, which is a change in the blast condition value and the hot metal temperature, is expressed by the following equation (2). expressed. Here, the equation (2) is used as the blast model for obtaining the blast condition-induced change temperature, which is a change in the hot metal temperature caused by the blast condition change, from the change in the blast condition data.
By applying (substituting) the actual value (actual change value) of the blast condition data to the equation (2) (the gust model), an estimated value of the blast condition-induced change temperature is obtained.
(ステップS12)
次に,前記演算部1は,前記データ記憶部5から前記溶銑温度の実績値を読み出し,該溶銑温度の実績値からステップS1で求めた前記衝風条件起因変化温度の推定値を差し引いた温度(差分溶銑温度という)の推定値を求める(S12)。
この差分溶銑温度を求める式は,次の(3)式により表される。
(ステップS13)
さらに,前記演算部1は,前記データ記憶部5から前記溶銑温度の実績値と前記外乱要因データの実績値とを読み出し,それら実績値とステップS12で求めた前記差分溶銑温度の推定値(溶銑温度の実績値から衝風条件起因変化温度の推定値を差し引いた温度)とを溶銑温度動的モデルに適用し,前記差分溶銑温度の予測値がその推定値に近似するよう前記溶銑温度動的モデルのモデル係数を同定する(S13:モデル係数同定処理(工程)の一例)。そして,同定したモデル係数は,前記データ記憶部5に記憶させる。ここで,前記溶銑温度動的モデルは,溶銑温度及び時系列の前記外乱要因データから前記差分溶銑温度の予測値を求める動的モデルである。
後述するように,前記溶銑温度動的モデルは,その出力(前記差分溶銑温度の予測値)と(2)式等で表される前記衝風モデル(モデル係数は既知)の出力(前記衝風条件起因変化温度)とを合成する溶銑温度予測モデルの一部を構成するものであるため,前記溶銑温度動的モデルのモデル係数を同定することにより,前記溶銑温度予測モデルが同定されることになる。
前記溶銑温度動的モデルとしては,例えば,比較的簡易な線形モデルを採用することができ,この場合,その線形モデルの荷重係数を前記モデル係数として同定する。
前記溶銑温度動的モデルを表す線形モデルは,例えば,次の(4)式(前記(A)式に相当)で表すことができる。
この(4)式(溶銑温度動的モデル)は,前記ソルーションロスカーボン量Vのみを前記外乱要因データとするものであるが,この他,炉頂ガス成分である窒素濃度やガス利用率(=CO2量/(CO量+CO2量)),炉頂ガス温度,炉壁温度,荷下り速度等を前記外乱要因データにさらに含めることが考えられる。
前記炉頂ガス成分が前記外乱要因データとなるのは,炉内での化学反応量が変化した場合,反応熱の変化により前記炉頂ガス成分が変化し,また,溶銑温度も変化することによる。
前記炉頂ガス温度が前記外乱要因データとなるのは,炉内でのガス流れの変化等により,ガスと装入物(コークスや鉱石)との間での熱交換効率が変化すると,炉頂ガスとして排出される熱量(=炉頂ガス温度×排出ガス量)と溶銑により排出される熱量とのバランスが変化し,その結果,溶銑温度が変化することによる。
前記炉壁温度が前記外乱要因データとなるのは,炉内でのガス流れの変化により,炉壁近傍を流れるガス量が変化すると,炉壁からの放熱量が変化する結果,溶銑温度が変化することによる。
前記荷下り速度が前記外乱要因データとなるのは,スリップ(炉内の装入物の降下速度が通常よりも急に速くなること)により,炉下部に上部からの低温の装入物が一時的に多く供給され,炉下部の温度低下が生じて溶銑温度が変化することによる。
これらは,ソルーションロスカーボン量よりは溶銑温度への影響度合いは少ないが,溶銑温度への外乱(操作できないパラメータ)として作用するものである。
前記モデル係数(荷重係数)の同定は,前記溶銑温度の実績値と前記外乱要因データの実績値と前記差分溶銑温度の推定値とを,前記溶銑温度動的モデルに適用し,例えば,最小自乗法等の近似計算手法により行うことができる。
より具体的には,前記溶銑温度動的モデル(4)式に,前記溶銑温度の実績値と前記外乱要因データの実績値とを代入した次の(5)式により得られる前記差分溶銑温度の予測値と,これに対応する前記差分溶銑温度の推定値(ステップS12で求めたもの)との差分(誤差)の2乗和を最小化するように,最小自乗法等の近似計算手法により前記モデル係数(荷重係数)c1,…,cM,d1,…,dN+1,βを決定(同定)する。
以上示したモデル同定処理を,操業条件が変化するタイミング,或いはモデル予測精度が悪化する兆候が認められたタイミング等において,現在或いは今後の操業条件に似た条件下での過去の実績操業データを用いて行うことにより,高い精度で溶銑温度を定量的に予測できるモデルを同定することが可能となる。このようにして高精度で予測される溶銑温度は,オペレータが,高炉の操業上どの程度重大な事態につながるのかの判断指標とする等の操業支援や自動制御に用いる情報として好適である。
(Step S12)
Next, the calculation unit 1 reads the actual value of the hot metal temperature from the data storage unit 5, and subtracts the estimated value of the blast-condition-induced change temperature obtained in step S1 from the actual value of the hot metal temperature. An estimated value (referred to as differential hot metal temperature) is obtained (S12).
The equation for obtaining this differential hot metal temperature is expressed by the following equation (3).
(Step S13)
Furthermore, the calculation unit 1 reads the actual value of the hot metal temperature and the actual value of the disturbance factor data from the data storage unit 5, and the actual value and the estimated value of the differential hot metal temperature obtained in step S12 (hot metal) The temperature obtained by subtracting the estimated value of the change temperature caused by the blast condition from the actual temperature value) and applying the hot metal temperature dynamic model so that the predicted value of the differential hot metal temperature approximates the estimated value. The model coefficient of the model is identified (S13: example of model coefficient identification process (process)). Then, the identified model coefficient is stored in the data storage unit 5. Here, the hot metal temperature dynamic model is a dynamic model for obtaining a predicted value of the differential hot metal temperature from the hot metal temperature and the time-series disturbance factor data.
As will be described later, the hot metal temperature dynamic model includes the output (predicted value of the differential hot metal temperature) and the output (the gust of wind) of the blast model (model coefficient is known) represented by equation (2) and the like. Therefore, the hot metal temperature prediction model is identified by identifying the model coefficient of the hot metal temperature dynamic model. Become.
As the hot metal temperature dynamic model, for example, a relatively simple linear model can be adopted. In this case, the load coefficient of the linear model is identified as the model coefficient.
The linear model representing the hot metal temperature dynamic model can be represented by, for example, the following equation (4) (corresponding to the equation (A)).
This equation (4) (hot metal temperature dynamic model) uses only the solution loss carbon amount V as the disturbance factor data, but in addition to this, the nitrogen concentration and gas utilization rate (= It is conceivable that the disturbance factor data further includes CO 2 amount / (CO amount + CO 2 amount)), furnace top gas temperature, furnace wall temperature, unloading speed, and the like.
The furnace top gas component becomes the disturbance factor data because when the amount of chemical reaction in the furnace changes, the top gas component changes due to the change in reaction heat, and the hot metal temperature also changes. .
The furnace top gas temperature becomes the disturbance factor data when the heat exchange efficiency between the gas and charge (coke or ore) changes due to changes in the gas flow in the furnace. This is because the balance between the amount of heat discharged as gas (= furnace top gas temperature x amount of exhaust gas) and the amount of heat discharged by hot metal changes, and as a result, the hot metal temperature changes.
The furnace wall temperature becomes the disturbance factor data because when the amount of gas flowing in the vicinity of the furnace wall changes due to the change in gas flow in the furnace, the heat dissipation from the furnace wall changes, resulting in a change in hot metal temperature. By doing.
The unloading speed becomes the disturbance factor data because the low temperature charge from the upper part is temporarily placed in the lower part of the furnace due to slip (the descending speed of the charge in the furnace becomes faster than usual). This is because the temperature of the lower part of the furnace decreases and the hot metal temperature changes.
These have less influence on the hot metal temperature than the amount of solution loss carbon, but act as a disturbance to the hot metal temperature (a parameter that cannot be manipulated).
The model coefficient (load coefficient) is identified by applying the actual value of the hot metal temperature, the actual value of the disturbance factor data, and the estimated value of the difference hot metal temperature to the hot metal temperature dynamic model, for example, An approximate calculation method such as multiplication can be used.
More specifically, the difference hot metal temperature obtained by the following equation (5) in which the actual value of the hot metal temperature and the actual value of the disturbance factor data are substituted into the hot metal temperature dynamic model (4). In order to minimize the sum of squares of the difference (error) between the predicted value and the corresponding estimated value of the difference hot metal temperature (obtained in step S12), the approximate calculation method such as the least square method is used. Model coefficients (load coefficients) c 1 ,..., C M , d 1 ,..., D N + 1 , β are determined (identified).
In the model identification process shown above, past operating data under conditions similar to the current or future operating conditions at the timing when operating conditions change or when signs of deterioration in model prediction accuracy are observed. It is possible to identify a model that can predict the hot metal temperature quantitatively with high accuracy. In this way, the hot metal temperature predicted with high accuracy is suitable as information used for operation support and automatic control, for example, as an index for the operator to determine how serious the situation will be in the operation of the blast furnace.
次に,前記溶銑温度予測モデルの同定処理により同定された前記溶銑温度予測モデル(6)式(に(2)式及び(5)式を代入した式)を用いて溶銑温度を予測する溶銑温度予測処理の手順について説明する。
この溶銑温度の予測処理(予測方法)は,高炉における前記衝風条件データ(送風温度,送風湿分,微粉炭吹き込み量及び酸素富化量の1又は複数を含むデータ)と前記外乱要因データ(前記ソルーションロスカーボン量を含むデータ)と溶銑温度とを含む操業データを逐次入力し,その入力データに基づいて将来の溶銑温度を予測する処理である。
<溶銑温度予測処理(予測方法)>
(ステップS21)
まず,前記演算部1は,前記通信I/F6を介して,高炉における前記操業データを入力し,この入力データ(溶銑温度,前記衝風条件データ及び前記外乱要因データを含む)を,前記データ記憶部5又は前記演算部1の主記憶領域に蓄積する(S21)。このとき,前記衝風モデルと前記溶銑温度動的モデルとによる過去の計算結果(前記差分溶銑温度の予測値及び前記衝風条件起因変化温度)も同様に蓄積する。このデータ蓄積は,以後,データが逐次入力されるごとに行われ,前記溶銑温度予測モデルの入力として必要な既定の時間分過去のものまで消去されずに蓄積される(前記データ蓄積工程の一例)。前述の(2)式及び(5)式を用いる例では,i=0を現時点であるとすると,(2)式において次のサンプルリング時点(i=1)の値の算出に必要となる|−L|(=|1−1−L|)サンプル前,(3)式において次のサンプリング時点(i=1)の値の算出に必要となる|1−M|サンプル前,|1−N―L2|サンプル前のうち,最大の時間(サンプリング数)前までのデータを蓄積する。ここで,M,N,L,L2は予め設定される値であるため,蓄積が必要なサンプリング点数(即ち,時間)は,予め定まる(既定時間)。経験上,上記L,L2は数時間分程度(例えば,2時間程度)のサンプル数を要し,上記M,Nは数日分程度(例えば,2日間程度)サンプル数を要する。
(ステップS22〜S24)
次に,前記演算部1は,蓄積した前記溶銑温度,前記衝風条件データ及び前記外乱要因データを,前述した高炉の溶銑温度予測モデル同定方法(S11〜S13)により同定された高炉の前記溶銑温度予測モデルに適用して溶銑温度の予測値を算出(将来の溶銑温度を予測)する(S22〜S24:前記溶銑温度予測工程の一例)。
この処理を,前記溶銑温度予測モデルとして(6)式を用いる場合について説明する。
まず,i=1(次のサンプリング時)とし,前記衝風モデルを表す(2)式の右辺に,蓄積した前記溶銑温度(現在値)と前記衝風条件データ(過去の時系列データ)とを適用して前記衝風条件起因変化温度の予測値を求める(S22)。
ここで,(2)式のモデル係数a1,b1,b2,αは,予めシミュレーション等により設定されたものである。
次に,前記溶銑温度動的モデルである(4)式から求めた(5)式の右辺に,蓄積した前記溶銑温度(時系列データ),前記ソルーションロスカーボン量(時系列データ)を適用して前記差分溶銑温度の予測値を求める(S23)。
さらに,それらの結果を(6)式に適用することにより両モデルの出力を合成したi=1の時点(次のサンプリング時点)の溶銑温度の予測値を求める(S24)。(6)式に代入する(5)式のモデル係数c1,…,cM,d1,…,dN+1,βは,前述した同定処理により算出され,前記データ記憶部5に記憶されたものを用いる。
同様の計算(S22〜S24)を,iを順次1ずつ加算しながら行うことにより,将来の任意の時点(予め設定された時点)までの溶銑温度の予測値を求める。但し,(2)式及び(4)式において,(i≧2)の時点の予測値の計算に用いる(i≧1)の時点の溶銑温度として,その前の計算で求めた溶銑温度の予測値を用いることはいうまでもない。また,ステップS22とS23とは逆の順序であってもかまわない。
これにより,高精度で高炉の溶銑温度を定量的に予測することができる。
Next, the hot metal temperature for predicting the hot metal temperature using the hot metal temperature prediction model (6) (identified by substituting equations (2) and (5)) identified by the hot metal temperature prediction model identification process. The procedure of the prediction process will be described.
The hot metal temperature prediction process (prediction method) includes the blast condition data in the blast furnace (data including one or more of blowing temperature, blowing moisture, pulverized coal blowing amount and oxygen enrichment amount) and the disturbance factor data ( This is a process of sequentially inputting operation data including the solution loss carbon amount) and hot metal temperature, and predicting the future hot metal temperature based on the input data.
<Hot metal temperature prediction process (prediction method)>
(Step S21)
First, the calculation unit 1 inputs the operation data in the blast furnace via the communication I / F 6, and this input data (including the hot metal temperature, the blast condition data, and the disturbance factor data) is used as the data. The data is stored in the main storage area of the storage unit 5 or the calculation unit 1 (S21). At this time, past calculation results (predicted value of the differential hot metal temperature and change temperature resulting from the blast condition) based on the blast model and the hot metal temperature dynamic model are also stored in the same manner. This data accumulation is thereafter performed every time data is sequentially input, and the data is accumulated without being erased up to a predetermined time required as an input of the hot metal temperature prediction model (an example of the data accumulation process). ). In the example using Expressions (2) and (5) described above, if i = 0 is the current time, it is necessary to calculate the value at the next sampling time (i = 1) in Expression (2). −L | (= | 1-1−L |) before sample, | 1-M | before sample, | 1-N required to calculate the value at the next sampling time point (i = 1) in equation (3) -L2 | Accumulate data up to the maximum time (sampling number) before the sample. Here, since M, N, L, and L2 are values set in advance, the number of sampling points (that is, time) that needs to be accumulated is determined in advance (predetermined time). From experience, the L and L2 require a sample number of about several hours (for example, about two hours), and the M and N require a sample number of about several days (for example, about two days).
(Steps S22 to S24)
Next, the calculation unit 1 uses the hot metal temperature of the blast furnace identified by the aforementioned hot metal temperature prediction model identification method (S11 to S13) of the blast furnace, using the accumulated hot metal temperature, the blast condition data, and the disturbance factor data. Applying to the temperature prediction model, a predicted value of the hot metal temperature is calculated (future hot metal temperature is predicted) (S22 to S24: an example of the hot metal temperature prediction process).
This process will be described for the case where the equation (6) is used as the hot metal temperature prediction model.
First, i = 1 (at the time of the next sampling), and the hot metal temperature (current value) and the blast condition data (past time series data) accumulated on the right side of the equation (2) representing the blast model Is applied to obtain the predicted value of the temperature change caused by the blast condition (S22).
Here, the model coefficients a 1 , b 1 , b 2 , and α in the equation (2) are set in advance by simulation or the like.
Next, the accumulated hot metal temperature (time series data) and the amount of solution loss carbon (time series data) are applied to the right side of equation (5) obtained from equation (4) which is the hot metal temperature dynamic model. Then, a predicted value of the difference hot metal temperature is obtained (S23).
Further, by applying these results to the equation (6), a predicted value of the hot metal temperature at the time point i = 1 (the next sampling time point) where the outputs of both models are synthesized is obtained (S24). The model coefficients c 1 ,..., C M , d 1 ,..., D N + 1 , β of the expression (5) to be substituted into the expression (6) are calculated by the above-described identification process and stored in the data storage unit 5. Use what was done.
The same calculation (S22 to S24) is performed while sequentially adding i one by one, thereby obtaining a predicted value of the hot metal temperature up to an arbitrary future time (a preset time). However, in the equations (2) and (4), the hot metal temperature obtained in the previous calculation is used as the hot metal temperature at the time (i ≧ 1) used for calculating the predicted value at the time (i ≧ 2). It goes without saying that values are used. Further, the order of steps S22 and S23 may be reversed.
As a result, the hot metal temperature of the blast furnace can be predicted quantitatively with high accuracy.
ところで,前記衝風条件モデル(2)式及び前記溶銑温度動的モデル(4)式は,各々むだ時間L,L2を有するため,そのむだ時間分だけ将来の溶銑温度の予測は,蓄積した操業データ(実績値)から求めることができる。しかし,それよりさらに将来の溶銑温度を予測する場合,将来の前記衝風条件データ及び前記外乱要因データ(ここでは,ソルーションロスカーボン量)が必要となる。
そこで,前記演算部1は,S22〜S24(溶銑温度予測工程)において,蓄積した前記操業データから予測できる範囲よりもさらに将来の溶銑温度を予測する場合には,直近の(今回入力した)前記衝風条件データ及び前記外乱要因データがその後も継続すると仮定したデータ(即ち,直近データ(i=0の時点のデータ)の値と同一の値)を前記溶銑温度予測モデルに適用して将来の溶銑温度を予測する。
このような予測を行っても,ソルーションロスカーボン量等の外乱要因データの今後の変化(予測できない変化)に起因する溶銑温度の変化分は予測結果に反映されない。しかし,少なくとも現在までの衝風条件データ及び外乱要因データの各実績値の影響は予測値に反映され,さらに,今後の外乱要因データの変化がないと仮定した場合に,現状の操作量,即ち,現在の衝風条件をそのまま維持すれば溶銑温度がどのような状態になるかを,蓄積したデータから予測できる範囲よりもさらに将来についても予測できるため,その予測値はオペレータの操業支援情報として有効な指標となる。
By the way, the blast condition model (2) and the hot metal temperature dynamic model (4) have dead times L and L2, respectively. Therefore, the prediction of the future hot metal temperature by the dead time is the accumulated operation. It can be obtained from data (actual value). However, when the future hot metal temperature is predicted further, the future blast condition data and the disturbance factor data (here, the amount of solution loss carbon) are required.
Therefore, when the calculation unit 1 predicts the hot metal temperature in the future from the range that can be predicted from the accumulated operation data in S22 to S24 (hot metal temperature prediction process), the latest (input this time) The data assuming that the blast condition data and the disturbance factor data continue thereafter (that is, the same value as the value of the latest data (data at the time of i = 0)) is applied to the hot metal temperature prediction model to Predict the hot metal temperature.
Even if such a prediction is performed, the change in the hot metal temperature due to the future change (unpredictable change) of disturbance factor data such as the amount of solution loss carbon is not reflected in the prediction result. However, at least the effect of each actual value of the blast condition data and disturbance factor data up to the present is reflected in the predicted value, and further assuming that there will be no change in the disturbance factor data in the future, Because the current hot blast conditions are maintained as they are, the state of the hot metal temperature can be predicted in the future beyond the range that can be predicted from the accumulated data. It is an effective indicator.
一方,蓄積した前記操業データからは予測できない将来の溶銑温度を予測する手法としては,他の方法も考えられる。
例えば,S22〜S24(溶銑温度予測工程)において,前記演算部1により,蓄積した前記操業データから予測できる範囲よりもさらに将来の溶銑温度を予測する場合に,直近(i=0の時点)の前記衝風条件データがその後も継続し,かつ前記外乱要因データがその後予め設定された想定最大変化分だけ変化すると仮定したデータを前記溶銑温度予測モデルに適用して溶銑温度の予測値を算出するものが考えられる。
例えば,前記想定最大変化分として,前記ソルーションロスカーボン量の単位時間当たりの最大の増大幅と減少幅とを予め設定しておき,その増大幅で変化すると仮定して求めた溶銑温度予測値と,その減少幅で変化すると仮定して求めた溶銑温度予測値とをオペレータに提供(画面出力等)することができる。これにより,蓄積したデータから予測できる範囲よりもさらに将来について,想定される溶銑温度の最大変化幅を予測でき,オペレータにとって有用な情報となる。
この場合,前記演算部1が所定のデータ処理プログラムを実行することにより,蓄積した前記外乱要因データに基づいて,前記外乱要因データの前記想定最大変化分を自動設定する処理を,溶銑温度の予測値計算を行う前に実行するよう構成してもよい(前記外乱要因データ最大変化設定工程の一例)。
例えば,前記想定最大変化分として,直近のデータから過去の既定時間内における平均値と最大値及び最小値との差から,単位時間当たりの最大の増大幅と減少幅とを求めること等により,直近のデータの変化傾向に応じた前記想定最大変化分を設定することが可能となる。
このような処理を行うことも,本発明に係る実施形態の一例である。
On the other hand, as a method for predicting the future hot metal temperature that cannot be predicted from the accumulated operation data, other methods are conceivable.
For example, in S22 to S24 (molten metal temperature prediction step), when the calculation unit 1 predicts the molten metal temperature in the future beyond the range that can be predicted from the accumulated operation data, the latest (at the time when i = 0). The predicted value of the hot metal temperature is calculated by applying to the hot metal temperature prediction model the data assuming that the blast condition data continues and the disturbance factor data is changed by an assumed maximum change thereafter. Things can be considered.
For example, as the assumed maximum change, a maximum increase width and a decrease width per unit time of the solution loss carbon amount are set in advance, and the hot metal temperature predicted value obtained on the assumption that the change is within the increase width, , It is possible to provide the operator with a hot metal temperature predicted value obtained on the assumption that it changes with the decrease width (screen output or the like). As a result, it is possible to predict the maximum change range of the hot metal temperature expected in the future beyond the range that can be predicted from the accumulated data, which is useful information for the operator.
In this case, the calculation unit 1 executes a predetermined data processing program to automatically set the assumed maximum change in the disturbance factor data based on the accumulated disturbance factor data. You may comprise so that it may perform before performing value calculation (an example of the said disturbance factor data maximum change setting process).
For example, as the assumed maximum change, by obtaining the maximum increase and decrease per unit time from the difference between the average value and the maximum and minimum values in the past predetermined time from the latest data, etc. It is possible to set the assumed maximum change corresponding to the change tendency of the latest data.
Performing such processing is also an example of an embodiment according to the present invention.
以下,前述した方法で溶銑温度予測モデルを同定し,その同定によって得られた溶銑温度予測モデルを用いて溶銑温度を予測した結果について説明する。
ここで,図3〜図5に示すトレンドグラフ(横軸の単位は「Hr(時間)」)は,各々値が0℃近辺となるように,基準値からの差分をとることによって正規化した溶銑温度の実績値,ソルーションロスカーボン量(外乱要因データの一例)の実績値及び送風温度(衝風条件データの一例)の実績値の変化を表す。
また,図3〜図5に示す実績データは,オペレータが,ソルーションロスカーボン量を監視しながら送風温度を適切に操作した場合の実績データの例である。図3〜図5からわかるように,本来存在するはずである,ソルーションロスカーボン量の変化に対する溶銑温度の変化の相関関係や,送風温度変化に対する溶銑温度の変化の相関関係が顕著に表れていない。このため,図3〜図5に示す実績データを用いて通常の統計的手法によるモデリングを行っても,高い精度のモデルを得ることはできない。
Hereinafter, the hot metal temperature prediction model is identified by the above-described method, and the result of predicting the hot metal temperature using the hot metal temperature prediction model obtained by the identification will be described.
Here, the trend graphs shown in FIGS. 3 to 5 (the unit of the horizontal axis is “Hr (time)”) are normalized by taking the difference from the reference value so that each value is around 0 ° C. It shows changes in the actual value of the hot metal temperature, the actual value of the amount of solution loss carbon (an example of disturbance factor data), and the actual value of the blowing temperature (an example of blast condition data).
The actual data shown in FIGS. 3 to 5 are examples of actual data when the operator appropriately operates the air temperature while monitoring the amount of solution loss carbon. As can be seen from FIG. 3 to FIG. 5, the correlation between the change in hot metal temperature with respect to the change in the amount of solution loss carbon and the correlation between the change in hot metal temperature with respect to the change in blast temperature does not appear remarkably. . For this reason, it is not possible to obtain a high-accuracy model even if modeling is performed by a normal statistical method using the actual data shown in FIGS.
一方,図6〜図8に示すトレンドグラフは,各々,図3及び図4に示す実績操業データを前記衝風モデルを表す(2)式に適用した出力である衝風条件起因変化温度の推定値(正規化後),図3に示す溶銑温度の実績値から(2)式で求めた前記衝風条件起因変化温度の推定値(図6)を差し引いた前記差分溶銑温度の推定値(正規化後),前述した同定処理により同定した前記溶銑温度動的モデルを表す(4)式に図3及び図5に示す実績操業データを適用した出力である前記差分溶銑温度の予測値,についてのトレンドグラフ(各々,前述と同様の正規化後の値)を表す。
図7と図8とを比較すると,短周期の細かな変動を除けば,前記差分溶銑温度の変動を高い精度で予測できていることがわかる。
そして,図9及び図10のトレンドグラフは,前述した同定処理により同定した前記溶銑温度予測モデルを表す(6)式(これに(2)式及び(5)式を代入したもの)に操業データを適用して得た溶銑温度の予測値と,そのときの溶銑温度の実績値とを示すものである。グラフ中,太い実線が溶銑温度の予測値を表し,細い実線が溶銑温度の実績値を表す。
図9及び図10からわかるように,短周期の細かな変動を除けば,溶銑温度の変動を高い精度で予測できていることがわかる。この結果は,本発明の有効性を示すものである。
On the other hand, the trend graphs shown in FIG. 6 to FIG. 8 are estimations of blast condition-induced change temperatures, which are outputs obtained by applying the actual operation data shown in FIGS. 3 and 4 to the equation (2) representing the gust model. Value (after normalization), the estimated value of the difference hot metal temperature (normal) obtained by subtracting the estimated value (FIG. 6) of the change temperature caused by the blast condition obtained from the formula (2) from the actual value of the hot metal temperature shown in FIG. )), The predicted value of the difference hot metal temperature, which is an output obtained by applying the actual operation data shown in FIG. 3 and FIG. 5 to the equation (4) representing the hot metal temperature dynamic model identified by the identification process described above. It represents a trend graph (each normalized value as described above).
When FIG. 7 and FIG. 8 are compared, it can be seen that the fluctuation of the difference hot metal temperature can be predicted with high accuracy, except for small fluctuations in a short period.
And the trend graph of FIG.9 and FIG.10 is operation data to (6) type | formula (what substituted (2) type | formula and (5) type | formula into this) showing the said hot metal temperature prediction model identified by the identification process mentioned above. This shows the predicted value of the hot metal temperature obtained by applying the above and the actual value of the hot metal temperature at that time. In the graph, the thick solid line represents the predicted hot metal temperature, and the thin solid line represents the actual hot metal temperature.
As can be seen from FIG. 9 and FIG. 10, it can be seen that the fluctuation of the hot metal temperature can be predicted with high accuracy, except for small fluctuations in a short period. This result shows the effectiveness of the present invention.
以上示した実施形態では,前記衝風モデルを(2)式(即ち(1)式)で表したが,これに限るものでなく,例えば,次の(7)式で表されるような2次遅れ系の離散時間モデルや,(8)式で表されるような1次遅れ系にむだ時間を加えた連続時間もでる,さらには,(9)式で表されるような2次遅れ系の連続時間モデル等とすることも考えられる。
本発明は,高炉の溶銑温度予測モデル同定に利用可能である。 The present invention can be used to identify a hot metal temperature prediction model for a blast furnace.
X…計算機
1…演算部
2…表示部
3…操作部
4…プログラム記憶部
5…データ記憶部
6…通信インターフェース
7…システムバス
10…実績操業データ
S11,S12,,,…処理番号(ステップ)
X ... Calculator 1 ... Calculation unit 2 ... Display unit 3 ... Operation unit 4 ... Program storage unit 5 ... Data storage unit 6 ... Communication interface 7 ... System bus 10 ... Result operation data S11, S12,... Process number (step)
Claims (9)
前記衝風条件データの実績値を,予めモデル係数が設定されており前記衝風条件データの変化から衝風条件変化に起因する溶銑温度の変化分である衝風条件起因変化温度を求める衝風モデルに適用して前記衝風条件起因変化温度の推定値を求める衝風条件起因変化温度推定工程と,
前記溶銑温度の実績値と前記外乱要因データの実績値と前記溶銑温度の実績値から前記衝風条件起因変化温度の推定値を差し引いた差分溶銑温度の推定値とを,溶銑温度及び時系列の前記外乱要因データから前記差分溶銑温度の予測値を求める溶銑温度動的モデルに適用して前記差分溶銑温度の予測値がその推定値に近似するよう前記溶銑温度動的モデルのモデル係数を同定することにより,前記溶銑温度動的モデルの出力と前記衝風モデルの出力とを合成する溶銑温度予測モデルを同定するモデル係数同定工程と,
を有してなることを特徴とする高炉の溶銑温度予測モデル同定方法。 Actual value of blast condition data including one or more of blast temperature, blast moisture, pulverized coal injection amount and oxygen enrichment amount in blast furnace, actual value of disturbance factor data including amount of solution loss carbon, and actual value of hot metal temperature A hot metal temperature prediction model identification method for a blast furnace that identifies a hot metal temperature prediction model based on past operational data including
A blast that obtains a change temperature caused by a blast condition, which is a change in the hot metal temperature caused by a change in the blast condition from a change in the blast condition data, with a model coefficient set in advance as the actual value of the blast condition data. Blast condition-induced change temperature estimation step for obtaining an estimated value of the blast condition-induced change temperature applied to a model;
The actual value of the hot metal temperature, the actual value of the disturbance factor data, and the estimated value of the difference hot metal temperature obtained by subtracting the estimated value of the blast condition-induced change temperature from the actual value of the hot metal temperature, The model coefficient of the hot metal temperature dynamic model is identified so that the predicted value of the differential hot metal temperature approximates the estimated value when applied to the hot metal temperature dynamic model for obtaining the predicted value of the hot metal temperature from the disturbance factor data. A model coefficient identifying step for identifying a hot metal temperature prediction model for combining the output of the hot metal temperature dynamic model and the output of the gust model,
A hot metal temperature prediction model identification method for a blast furnace characterized by comprising:
逐次入力した前記操業データを既定時間分蓄積するデータ蓄積工程と,
蓄積した前記操業データを請求項1〜3のいずれかに記載の高炉の溶銑温度予測モデル同定方法により同定された高炉の溶銑温度予測モデルに適用して将来の溶銑温度を予測する溶銑温度予測工程と,
を有してなることを特徴とする高炉の溶銑温度予測方法。 Sequentially input operational data including blast condition data including one or more of blast temperature, blast moisture, pulverized coal injection amount and oxygen enrichment amount in the blast furnace, disturbance factor data including the amount of solution loss carbon, and hot metal temperature. , A hot metal temperature prediction method for a blast furnace that predicts the future hot metal temperature based on the input data,
A data accumulation step for accumulating the operation data sequentially input for a predetermined time;
A hot metal temperature prediction step of predicting a future hot metal temperature by applying the accumulated operation data to the hot metal temperature prediction model of the blast furnace identified by the blast furnace hot metal temperature prediction model identification method according to any one of claims 1 to 3. When,
A method for predicting the hot metal temperature of a blast furnace, comprising:
前記衝風条件データの実績値を,予めモデル係数が設定されており前記衝風条件データの変化から衝風条件変化に起因する溶銑温度の変化分である衝風条件起因変化温度を求める衝風モデルに適用して前記衝風条件起因変化温度の推定値を求める衝風条件起因変化温度推定処理と,
前記溶銑温度の実績値と前記外乱要因データの実績値と前記溶銑温度の実績値から前記衝風条件起因変化温度の推定値を差し引いた差分溶銑温度の推定値とを,溶銑温度及び時系列の前記外乱要因データから前記差分溶銑温度の予測値を求める溶銑温度動的モデルに適用して前記差分溶銑温度の予測値がその推定値に近似するよう前記溶銑温度動的モデルのモデル係数を同定することにより,前記溶銑温度動的モデルの出力と前記衝風モデルの出力とを合成する溶銑温度予測モデルを同定するモデル係数同定処理と,
前記モデル係数同定処理により同定された前記モデル係数を記憶手段に記憶させるモデル係数記録処理と,
をコンピュータに実行させるための高炉の溶銑温度予測モデル同定プログラム。 Actual value of blast condition data including one or more of blast temperature, blast moisture, pulverized coal injection amount and oxygen enrichment amount in blast furnace, actual value of disturbance factor data including amount of solution loss carbon, and actual value of hot metal temperature A blast furnace hot metal temperature prediction model identification program for reading out data from actual operation data storage means storing past actual operation data including and causing a computer to execute a process of identifying a hot metal temperature prediction model based on the data Because
A blast that obtains a change temperature caused by a blast condition, which is a change in the hot metal temperature caused by a change in the blast condition from a change in the blast condition data, with a model coefficient set in advance as the actual value of the blast condition data. Blast-condition-induced change temperature estimation processing for applying an estimated value of the blast-condition-induced change temperature to the model;
The actual value of the hot metal temperature, the actual value of the disturbance factor data, and the estimated value of the difference hot metal temperature obtained by subtracting the estimated value of the blast condition-induced change temperature from the actual value of the hot metal temperature, The model coefficient of the hot metal temperature dynamic model is identified so that the predicted value of the differential hot metal temperature approximates the estimated value when applied to the hot metal temperature dynamic model for obtaining the predicted value of the hot metal temperature from the disturbance factor data. A model coefficient identification process for identifying a hot metal temperature prediction model for combining the output of the hot metal temperature dynamic model and the output of the gust model,
A model coefficient recording process for storing in the storage means the model coefficient identified by the model coefficient identification process;
Of a hot metal temperature prediction model identification program for a blast furnace to run a computer.
逐次入力した前記操業データを既定時間分記憶手段に蓄積するデータ蓄積処理と,
蓄積した前記操業データを請求項1〜3のいずれかに記載の高炉の溶銑温度予測モデル同定方法により同定された高炉の溶銑温度予測モデルに適用して将来の溶銑温度を予測して出力する溶銑温度予測処理と,
をコンピュータに実行させるための高炉の溶銑温度予測プログラム。 Sequentially input operational data including blast condition data including one or more of blast temperature, blast moisture, pulverized coal injection amount and oxygen enrichment amount in the blast furnace, disturbance factor data including the amount of solution loss carbon, and hot metal temperature. , A blast furnace hot metal temperature prediction program for causing a computer to execute a process for predicting the future hot metal temperature based on the input data,
A data accumulation process for accumulating the operation data sequentially input in a storage means for a predetermined time;
The hot metal that predicts and outputs a future hot metal temperature by applying the accumulated operation data to the hot metal temperature prediction model identified by the blast furnace hot metal temperature prediction model identification method according to any one of claims 1 to 3. Temperature prediction processing,
For predicting hot metal temperature in a blast furnace to run a computer.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004139752A JP4316421B2 (en) | 2004-05-10 | 2004-05-10 | Blast furnace hot metal temperature prediction model identification method and program thereof, blast furnace hot metal temperature prediction method and program thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004139752A JP4316421B2 (en) | 2004-05-10 | 2004-05-10 | Blast furnace hot metal temperature prediction model identification method and program thereof, blast furnace hot metal temperature prediction method and program thereof |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2005320588A JP2005320588A (en) | 2005-11-17 |
JP4316421B2 true JP4316421B2 (en) | 2009-08-19 |
Family
ID=35468064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004139752A Expired - Fee Related JP4316421B2 (en) | 2004-05-10 | 2004-05-10 | Blast furnace hot metal temperature prediction model identification method and program thereof, blast furnace hot metal temperature prediction method and program thereof |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4316421B2 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4948304B2 (en) * | 2006-11-13 | 2012-06-06 | 株式会社神戸製鋼所 | Blast furnace hot metal temperature prediction method |
KR101246436B1 (en) | 2011-09-28 | 2013-03-21 | 현대제철 주식회사 | Prediction method for product measuring of pig iron |
JP6531782B2 (en) * | 2016-08-02 | 2019-06-19 | Jfeスチール株式会社 | Hot metal temperature prediction method, hot metal temperature prediction device, blast furnace operation method, operation guidance device, hot metal temperature control method, and hot metal temperature control device |
JP7485473B1 (en) | 2023-03-22 | 2024-05-16 | 東芝エネルギーシステムズ株式会社 | Generator cooler performance monitoring device |
-
2004
- 2004-05-10 JP JP2004139752A patent/JP4316421B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2005320588A (en) | 2005-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4948304B2 (en) | Blast furnace hot metal temperature prediction method | |
Jiang et al. | Two-stage robust optimization approach for flexible oxygen distribution under uncertainty in integrated iron and steel plants | |
Azadi et al. | A hybrid dynamic model for the prediction of molten iron and slag quality indices of a large-scale blast furnace | |
JP5176206B2 (en) | Process state similar case search method and process control method | |
Ding et al. | Forecasting the economic indices of the high-tech industries in China using the grey multivariable convolution model | |
Son et al. | Slag foaming estimation in the electric arc furnace using machine learning based long short-term memory networks | |
JP2007052739A (en) | Method and device for generating model, method and device for predicting state, and method and system for adjusting state | |
Sonoda et al. | A statistical model for predicting the liquid steel temperature in ladle and tundish by bootstrap filter | |
JP2015117431A (en) | Device and method for estimating blast furnace heat | |
JP4093934B2 (en) | Model parameter determination method and program thereof, model prediction method and program thereof | |
JP5816148B2 (en) | Output value prediction apparatus, output value prediction method, and program thereof | |
JP4488964B2 (en) | Process operating state control method and computer program | |
JP4316421B2 (en) | Blast furnace hot metal temperature prediction model identification method and program thereof, blast furnace hot metal temperature prediction method and program thereof | |
JP5853723B2 (en) | Phosphorus concentration prediction device and blowing control method | |
JP6003909B2 (en) | Blast furnace air permeability prediction apparatus and blast furnace air permeability prediction method | |
JP4691005B2 (en) | Method, apparatus, computer program, and computer-readable storage medium for predicting operation state of manufacturing process | |
JP2015132564A (en) | Thermal deformation analysis method, thermal deformation analysis program, and thermal deformation analysis apparatus | |
JP5854171B2 (en) | Correction device, correction method, and steel refining method | |
Bauer et al. | A profit index for assessing the benefits of process control | |
JP2009076036A (en) | Process state prediction method | |
US20130191188A1 (en) | Method for energy benchmarking and diagnosis through optimization and a system thereof | |
JP2015168870A (en) | Rephosphorization amount prediction method and device, and converter dephosphorization control method | |
JP2012167365A (en) | Quicklime concentration prediction apparatus, and blowing control method | |
US6969416B2 (en) | Method for controlling slag characteristics in an electric arc furnace | |
CN116324323A (en) | Method for generating learned prediction model for predicting energy efficiency of melting furnace, method for predicting energy efficiency of melting furnace, and computer program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060925 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20081203 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20081209 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090205 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20090205 |
|
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: 20090519 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090520 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4316421 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120529 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120529 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130529 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140529 Year of fee payment: 5 |
|
LAPS | Cancellation because of no payment of annual fees |