JP6897723B2 - 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 - Google Patents

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 Download PDF

Info

Publication number
JP6897723B2
JP6897723B2 JP2019133538A JP2019133538A JP6897723B2 JP 6897723 B2 JP6897723 B2 JP 6897723B2 JP 2019133538 A JP2019133538 A JP 2019133538A JP 2019133538 A JP2019133538 A JP 2019133538A JP 6897723 B2 JP6897723 B2 JP 6897723B2
Authority
JP
Japan
Prior art keywords
hot metal
learning model
data
model generation
blast furnace
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.)
Active
Application number
JP2019133538A
Other languages
English (en)
Other versions
JP2021018569A (ja
Inventor
佳也 橋本
佳也 橋本
達哉 海瀬
達哉 海瀬
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=74193755&utm_source=***_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=JP6897723(B2) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Priority to JP2019133538A priority Critical patent/JP6897723B2/ja
Priority to KR1020227000669A priority patent/KR20220024450A/ko
Priority to CN202080050757.5A priority patent/CN114341879A/zh
Priority to PCT/JP2020/022126 priority patent/WO2021014782A1/ja
Priority to BR112021025958A priority patent/BR112021025958A2/pt
Priority to EP20844633.6A priority patent/EP4002023A4/en
Publication of JP2021018569A publication Critical patent/JP2021018569A/ja
Publication of JP6897723B2 publication Critical patent/JP6897723B2/ja
Application granted granted Critical
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • C21B5/006—Automatically controlling the process
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B2300/00—Process aspects
    • C21B2300/04—Modeling of the process, e.g. for control purposes; CII
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacture Of Iron (AREA)
  • Feedback Control In General (AREA)

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、プロセス又は機器の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、高炉の溶銑温度を精度よく制御可能な高炉の溶銑温度制御方法及び溶銑温度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、プロセスの操業状態又は機器の運転状態を示す１つ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、前記履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器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、前記画像データは、一方の軸に時間軸、他方の軸に前記履歴データを配置した２次元画像であることを特徴とする。
本発明に係る学習モデル生成方法は、上記発明において、前記画像データの履歴データが、前記観測量のトレンドグラフを画像化した画像であることを特徴とする。
本発明に係る学習モデル生成方法は、上記発明において、前記画像データの履歴データが、各履歴データの数値に対して色及び／又は色の濃淡を対応付けて得られる画像であることを特徴とする。
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であり、前記出力データは、前記所定時間区間後の前記操作量であることを特徴とする。
本発明に係る学習モデル生成方法は、上記発明において、前記入力データは、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であることを特徴とする。
本発明に係る学習モデル生成方法は、上記発明において、前記画像データには、前記操作量の履歴データが含まれることを特徴とする。
本発明に係る学習モデル生成方法は、上記発明において、前記履歴データを画像化する前に該履歴データに対して正規化処理を施す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方法は、上記発明において、前記畳み込みニューラルネットワークの畳み込み演算を時間軸方向に対してのみ行うことを特徴とする。
本発明に係る学習モデル生成方法は、上記発明において、前記プロセスは高炉プロセスであり、前記観測量には溶銑温度、羽口埋込温度、及びコークス比のうちの少なくとも一つが含まれ、前記操作量は高炉の溶銑温度を制御する操作量であることを特徴とする。
本発明に係る学習モデル生成方法は、上記発明において、前記操作量は、微粉炭比、送風湿分、及びコークス比のうちの少なくとも一つ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、プロセスの操業状態又は機器の運転状態を示す１つ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、前記履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器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ることを特徴とする。
本発明に係る高炉の溶銑温度制御方法は、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を決定し、決定した操作量に従って高炉を制御するステップを含むことを特徴とする。
本発明に係る高炉の溶銑温度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溶銑温度制御方法又は本発明に係る高炉の溶銑温度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、プロセス又は機器の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溶銑温度制御方法及び溶銑温度制御ガイダンス方法によれば、高炉の溶銑温度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、オペレータがアクションを決定する際に考慮する項目のトレンドデータの一例を示す図である。 図４は、図３に示すトレンドデータのコンター図である。 図５は、ＣＮＮの畳み込み演算方向を示す図である。 図６は、ＣＮＮの構造の一例を示すブロック図である。 図７は、ＣＮＮによる判定確率とアクション判定値の時間変化を示す図である。 図８は、溶銑温度偏差、コークス比、及び羽口埋込温度の変化に対するＣＮＮのフィルタの値の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、オペレータがプロセス又は機器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、制御対象であるプロセスの操業状態又は制御対象である機器の運転状態を示す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プロセス又は機器の操作量とが、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、プロセス又は機器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、オペレータがプロセス又は機器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、制御対象であるプロセスの操業状態又は制御対象である機器の運転状態を示す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プロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器の操作量を決定する行動モデルを機械学習する。
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、制御対象であるプロセスの操業状態又は制御対象である機器の運転状態を示す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プロセス又は機器の操作量を出力データとする、オペレータがプロセス又は機器の操作量を決定する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プロセス又は機器の状態を制御することができる。
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、制御対象であるプロセスの操業状態又は制御対象である機器の運転状態を示す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プロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器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プロセス又は機器の状態を制御することにより、プロセス又は機器の状態を精度よく制御することができる。
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。
本実施例では、高炉プロセスにおける熟練したオペレータによる溶銑温度制御のアクションをモデル化した。具体的には、高炉プロセスでは、オペレータは、羽口埋込温度やガス利用率等の高炉の状態を表すプロセス変数、及び過去数時間における操作変数のトレンドに基づき次のアクションを決定している。このようなオペレータの認知、判断、及びアクションのフローは、プロセス変数や操作変数のトレンド画像を入力変数として、次の一手となるアクションを出力していると言える。そこで、近年の機械学習は画像処理を最も得意としていることから、画像処理に特化したディープラーニングの一手法であるＣＮＮをアクションのモデル化に適用した。
ここで、オペレータがアクションを決定する際に考慮する項目のトレンドデータの一例を図３に示す。アクションのモデル化にＣＮＮを適用する上では、このようなトレンドデータをどのように画像化するかが課題となる。横軸に時間（タイムステップ）、縦軸に項目を取って図３に示すトレンドデータと同一のトレンドデータをコンター図とした例を図４に示すが、オペレータはこのようなコンター図を直接的にみてアクションを決定しているわけではなく、図３に示すような複数のトレンドデータを見ている。このため、このような複数のトレンドデータをＣＮＮに直接的に入力することも考えられるが、本実施例では図４に示すコンター図をＣＮＮの入力データとした。なお、図４に示すコンター図の横軸は３２時間分のデータ（６４点）を示し、縦軸は１５個の項目を示している。
次に、ＣＮＮの畳み込みフィルタの形状を検討する。近年話題となったα碁のように、ＣＮＮでは碁盤のような縦軸及び横軸が同質の画像を入力データとしており、図５（ａ）に矢印で示すように縦軸方向及び横軸方向に畳み込み演算を行う。しかしながら、本実施例における入力画像の縦軸は項目であるため、縦軸方向に沿って畳み込み演算を行うことは特に意味を持たない。そこで、本実施例では、図５（ｂ）に矢印で示すように横軸方向である時間軸方向のみに畳み込みを行うフィルタを機械学習することとした。用いたＣＮＮの構造を図６に示す。なお、図６中のブロック３１〜３７はそれぞれ、畳み込み層（Convolution）、正規化線形ユニット（Relu）、プーリング層（Pooling）、全結合層（Affine）、正規化線形ユニット（Relu）、全結合層（Affine）、及びソフトマックス関数（Softmax）を示している。また、図６中の括弧内の数字はデータ配列の大きさを示す。例えば（６４，１５）は６４×１５の２次元配列を示す。但し、図６に示すＣＮＮの構造は一例であり、図６に示す構造以外の構造としてもよい。
次に、ＣＮＮによる予測対象である目的変数について述べる。本実施例では、高炉の溶銑温度を目標温度近傍に制御するためのアクションを上げ、下げ、様子見の３段階で判定するモデルを作成した。具体的には、溶銑温度を制御するために微粉炭比を操作変数として用い、微粉炭比の上げ、下げ、様子見の操作を目的変数とする。なお、操作変数として送風湿分やコークス比を用いてもよい。また、オペレータのアクションの中には誤ったアクションが含まれている可能性がある。このため、前処理として、誤ったアクションのデータを事前に除外することが望ましい。本実施例では、上げアクションを実施してから１０時間後の溶銑温度の制御偏差（目標温度に対する偏差）が＋１０℃以上となっているケースのデータ、及び下げアクションを実施してから１０時間後の溶銑温度の制御偏差が−１０℃以下となっているケースのデータを事前に除外した。
以上のような前処理を行った３０分毎の３７００点データ（約７７日分）を用いて、最初の３０００点でＣＮＮによるモデルの機械学習を行い、残りの７００点でモデルの精度を検証した。検証結果を図７（ａ），（ｂ）に示す。具体的には、図７（ａ）にＣＮＮから出力された上げアクション、下げアクション、及び様子見の判定確率を示す。また、図７（ｂ）にＣＮＮから出力された上げアクションの判定確率から下げアクションの判定確率を差し引いた値（実線：以後、アクション判定値と表記）と実際のオペレータのアクション（丸点）との比較を示す。図７（ｂ）に示すように、実際のオペレータのアクションとアクション判定値の傾向とが一致していることがわかる。
次に、このようにして得られたアクション判定値に対して閾値を設定し、閾値に対して＋０．１５以上で上げ判定、閾値に対して−０．１５以下で下げ判定、それ以外は様子見判定と定義した。アクション判定値（ＣＮＮ）と実際のオペレータのアクション（実績）との比較を以下の表１に示す。表１に示すように、アクション判定値と実際のオペレータのアクションとの一致率は６５％程度であった。
Figure 0006897723
また、図８に機械学習により得られたＣＮＮの畳み込み層のフィルタ１〜３（重み係数）の値を３時間分のトレンドとして示す。図８において、（ａ−１），（ｂ−１），（ｃ−１）は溶銑温度偏差の時間変化に対するフィルタ１〜３の値の変化、（ａ−２），（ｂ−２），（ｃ−２）はコークス比の時間変化に対するフィルタ１〜３の値の変化、（ａ−３），（ｂ−３），（ｃ−３）は羽口埋込温度の時間変化に対するフィルタ１〜３の値の変化を示す。図８（ａ−３），（ｃ−３）に示すように、フィルタ１，３の値は羽口埋込温度に大きく反応し、図８（ｂ−１）に示すようにフィルタ２の値は溶銑温度の偏差に反応している。羽口埋込温度及び溶銑温度偏差はどちらもオペレータが注視する情報であることから、この結果は、ＣＮＮによるオペレーターアクションのモデル化のアプローチを支持する結果といえる。
以上のことから、オペレータがアクションを決定する際に考慮する項目のトレンドデータを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を制御することにより、高炉プロセスを精度よく制御できることが確認された。また、これにより、機械学習された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を決定し、決定した操作量に従って高炉を制御することにより、高炉の溶銑温度を精度よく制御し、結果として、溶銑の歩留まりよく製造することができる。さらに、これにより、機械学習された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、高炉の溶銑温度を精度よく制御し、結果として、溶銑の歩留まりよく製造することができる。
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 (13)

  1. プロセスの操業状態又は機器の運転状態を示す１つ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、前記履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器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、
    前記画像データは、一方の軸に時間軸、他方の軸に前記履歴データを配置した２次元画像であり、
    前記画像データの履歴データが、各履歴データの数値に対して色及び／又は色の濃淡を対応付けて得られる画像であることを特徴とする学習モデル生成方法。
  2. 前記入力データは、予め定めた連続した所定時間区間の画像データであり、前記出力データは、前記所定時間区間後の前記操作量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. 前記入力データは、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であることを特徴とする請求項１又は２に記載の学習モデル生成方法。
  4. 前記画像データには、前記操作量の履歴データが含まれることを特徴とする請求項１〜３のうち、いずれか１項に記載の学習モデル生成方法。
  5. 前記履歴データを画像化する前に該履歴データに対して正規化処理を施すステップを含むことを特徴とする請求項１〜４のうち、いずれか１項に記載の学習モデル生成方法。
  6. 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１〜５のうち、いずれか１項に記載の学習モデル生成方法。
  7. 前記畳み込みニューラルネットワークの畳み込み演算を時間軸方向に対してのみ行うことを特徴とする請求項６に記載の学習モデル生成方法。
  8. 前記プロセスは高炉プロセスであり、前記観測量には溶銑温度、羽口埋込温度、及びコークス比のうちの少なくとも一つが含まれ、前記操作量は高炉の溶銑温度を制御する操作量であることを特徴とする請求項１〜７のうち、いずれか１項に記載の学習モデル生成方法。
  9. 前記操作量は、微粉炭比、送風湿分、及びコークス比のうちの少なくとも一つであることを特徴とする請求項８に記載の学習モデル生成方法。
  10. プロセスの操業状態又は機器の運転状態を示す１つ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、前記履歴データに基づいてオペレータが決定したプロセス又は機器の操作量を出力データとして、オペレータがプロセス又は機器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、
    前記画像データは、一方の軸に時間軸、他方の軸に前記履歴データを配置した２次元画像であり、
    前記画像データの履歴データが、各履歴データの数値に対して色及び／又は色の濃淡を対応付けて得られる画像であることを特徴とする学習モデル生成装置。
  11. 請求項８又は９に記載の学習モデル生成方法によって生成された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を決定し、決定した操作量に従って高炉を制御するステップを含むことを特徴とする高炉の溶銑温度制御方法。
  12. 請求項８又は９に記載の学習モデル生成方法によって生成された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溶銑温度制御ガイダンス方法。
  13. 請求項１１に記載の高炉の溶銑温度制御方法又は請求項１２に記載の高炉の溶銑温度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。
JP2019133538A 2019-07-19 2019-07-19 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 Active JP6897723B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2019133538A JP6897723B2 (ja) 2019-07-19 2019-07-19 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
BR112021025958A BR112021025958A2 (pt) 2019-07-19 2020-06-04 Método de geração de modelo de aprendizagem, dispositivo de geração de modelo de aprendizagem, método para controlar a temperatura de ferro fundido em alto-forno, método para orientar o controle de temperatura de ferro fundido em alto-forno e método de fabricação de ferro fundido
CN202080050757.5A CN114341879A (zh) 2019-07-19 2020-06-04 学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法
PCT/JP2020/022126 WO2021014782A1 (ja) 2019-07-19 2020-06-04 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
KR1020227000669A KR20220024450A (ko) 2019-07-19 2020-06-04 학습 모델 생성 방법, 학습 모델 생성 장치, 고로의 용선 온도 제어 방법, 고로의 용선 온도 제어 가이던스 방법, 및 용선의 제조 방법
EP20844633.6A EP4002023A4 (en) 2019-07-19 2020-06-04 TEACHING MODEL GENERATION METHOD, TEACHING MODEL GENERATING DEVICE, METHOD FOR CONTROLLING TEMPERATURE OF MOLTEN IRON IN BLAST FURNACE, METHOD FOR GUIDING TEMPERATURE REGULATION OF MELTING IRON IN -FURNACE, AND PROCESS FOR MANUFACTURING FUSION IRON

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019133538A JP6897723B2 (ja) 2019-07-19 2019-07-19 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

Publications (2)

Publication Number Publication Date
JP2021018569A JP2021018569A (ja) 2021-02-15
JP6897723B2 true JP6897723B2 (ja) 2021-07-07

Family

ID=74193755

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019133538A Active JP6897723B2 (ja) 2019-07-19 2019-07-19 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

Country Status (6)

Country Link
EP (1) EP4002023A4 (ja)
JP (1) JP6897723B2 (ja)
KR (1) KR20220024450A (ja)
CN (1) CN114341879A (ja)
BR (1) BR112021025958A2 (ja)
WO (1) WO2021014782A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022108041A (ja) * 2021-01-12 2022-07-25 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、高炉の制御ガイダンス方法、及び溶銑の製造方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023171501A1 (ja) * 2022-03-07 2023-09-14 Ｊｆｅスチール株式会社 高炉の溶銑温度予測方法、高炉の溶銑温度予測モデルの学習方法、高炉の操業方法、高炉の溶銑温度予測装置、溶銑温度予測システムおよび端末装置
CN115130769B (zh) * 2022-07-07 2024-03-01 青岛恒小火软件有限公司 一种高炉喷煤制粉***温度智能自适应方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3210473B2 (ja) * 1993-03-11 2001-09-17 株式会社東芝 ビジュアルフィードバック制御装置
DE19806267A1 (de) * 1997-11-10 1999-05-20 Siemens Ag Verfahren und Einrichtung zur Steuerung einer hüttentechnischen Anlage
JPH11335710A (ja) 1998-05-22 1999-12-07 Sumitomo Metal Ind Ltd 高炉炉熱予測方法
JP4488964B2 (ja) 2005-06-27 2010-06-23 新日本製鐵株式会社 プロセスの操業状態の制御方法及びコンピュータプログラム
JP4653715B2 (ja) * 2006-10-13 2011-03-16 新日本製鐵株式会社 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
JP2018045360A (ja) * 2016-09-13 2018-03-22 アズビル株式会社 ヒートマップ表示装置およびヒートマップ表示方法
JP6298562B1 (ja) * 2017-05-31 2018-03-20 伸和コントロールズ株式会社 状態監視装置、状態監視方法及びプログラム
US10997491B2 (en) * 2017-10-04 2021-05-04 Huawei Technologies Co., Ltd. Method of prediction of a state of an object in the environment using an action model of a neural network
JP6676030B2 (ja) * 2017-11-20 2020-04-08 株式会社安川電機 把持システム、学習装置、把持方法、及び、モデルの製造方法
JP2019175409A (ja) * 2018-03-30 2019-10-10 国立大学法人横浜国立大学 水処理施設の運転制御装置及び運転制御方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022108041A (ja) * 2021-01-12 2022-07-25 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、高炉の制御ガイダンス方法、及び溶銑の製造方法
JP7380604B2 (ja) 2021-01-12 2023-11-15 Ｊｆｅスチール株式会社 学習モデル生成方法、学習モデル生成装置、高炉の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
EP4002023A4 (en) 2022-08-24
KR20220024450A (ko) 2022-03-03
JP2021018569A (ja) 2021-02-15
WO2021014782A1 (ja) 2021-01-28
BR112021025958A2 (pt) 2022-02-08
EP4002023A1 (en) 2022-05-25
CN114341879A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
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
CN109870903B (zh) 参数优化方法、装置以及非瞬时计算机可读取介质
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
JP6493447B2 (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
JP2018024935A (ja) 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
JP6930507B2 (ja) 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
Li et al. A blast furnace coke ratio prediction model based on fuzzy cluster and grid search optimized support vector regression
JP2012226732A (ja) 操業予測装置、操業予測方法、及びコンピュータプログラム
JP7380604B2 (ja) 学習モデル生成方法、学習モデル生成装置、高炉の制御ガイダンス方法、及び溶銑の製造方法
CN105734189A (zh) 一种高炉运行过程中喷煤量决策的方法
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
CN117556711B (zh) 基于神经网络的高炉喷煤优化方法、***、终端和介质
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
JP2019184575A (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム
CN112287283B (zh) 一种高炉运行状态评价方法、装置及存储介质
JP5129615B2 (ja) 調節計、及びその動作方法
JP7384150B2 (ja) 操業ガイダンス方法、高炉の操業方法、溶銑の製造方法及び操業ガイダンス装置
JP4311669B2 (ja) 高炉温度制御システム及び高炉温度制御方法
JP5211600B2 (ja) 工業プロセスの制御方法および装置
WO2024101351A1 (ja) 装置、方法およびプログラム
JP6815954B2 (ja) プラントの操業状態推定装置及び操業状態推定方法
KR102122422B1 (ko) 고로의 연원료 비율 제어 장치 및 그 방법
JPH01136912A (ja) 高炉炉熱自動制御システム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200923

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200923

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20201120

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201201

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201228

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: 20210511

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210524

R150 Certificate of patent or registration of utility model

Ref document number: 6897723

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R157 Certificate of patent or utility model (correction)

Free format text: JAPANESE INTERMEDIATE CODE: R157

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250