JP7050934B2 - Reactor condition management device and method - Google Patents
Reactor condition management device and method Download PDFInfo
- Publication number
- JP7050934B2 JP7050934B2 JP2020534232A JP2020534232A JP7050934B2 JP 7050934 B2 JP7050934 B2 JP 7050934B2 JP 2020534232 A JP2020534232 A JP 2020534232A JP 2020534232 A JP2020534232 A JP 2020534232A JP 7050934 B2 JP7050934 B2 JP 7050934B2
- Authority
- JP
- Japan
- Prior art keywords
- blast furnace
- action guidance
- data
- state
- algorithm
- 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
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
- C21B7/24—Test rods or other checking devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B1/00—Shaft or like vertical or substantially vertical furnaces
- F27B1/10—Details, accessories, or equipment peculiar to furnaces of these types
- F27B1/26—Arrangements of controlling devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B1/00—Shaft or like vertical or substantially vertical furnaces
- F27B1/10—Details, accessories, or equipment peculiar to furnaces of these types
- F27B1/28—Arrangements of monitoring devices, of indicators, of alarm devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
- F27D21/0014—Devices for monitoring temperature
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0003—Monitoring the temperature or a characteristic of the charge and using it as a controlling value
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0006—Monitoring the characteristics (composition, quantities, temperature, pressure) of at least one of the gases of the kiln atmosphere and using it as a controlling value
- F27D2019/0009—Monitoring the pressure in an enclosure or kiln zone
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0028—Regulation
- F27D2019/0034—Regulation through control of a heating quantity such as fuel, oxidant or intensity of current
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0087—Automatisation of the whole plant or activity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
- F27D2021/0007—Monitoring the pressure
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture Of Iron (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
- Blast Furnaces (AREA)
- Vertical, Hearth, Or Arc Furnaces (AREA)
Description
本発明は、高炉の炉況を管理する炉況管理装置及び方法に関する。 The present invention relates to a furnace condition management device and a method for managing the furnace condition of a blast furnace.
高炉工程は、製鉄工程のうち、操業者の経験及び直感に頼った手動操業が現在でも主に行われている代表的な工程である。 The blast furnace process is a typical ironmaking process in which manual operation that relies on the experience and intuition of the operator is still mainly performed.
高炉は、鉄鉱石及びコークスを高炉の上部に装入し、高炉羽口から熱風を吹き込むことで、内部の酸化及び還元反応によって液体の溶銑を出銑口を通して生産する設備である。高炉の内部は、高温、高圧のためセンサーによる測定が不可能である。このため、操業者は、高炉外壁に設けられた温度計や圧力計などを介して高炉の状況を間接的に予測することにより操業を行っている。 A blast furnace is a facility in which iron ore and coke are charged into the upper part of the blast furnace and hot air is blown from the blast furnace tuyere to produce liquid hot metal through the iron and iron outlets through internal oxidation and reduction reactions. The inside of the blast furnace cannot be measured by a sensor due to the high temperature and high pressure. For this reason, the operator operates by indirectly predicting the condition of the blast furnace through a thermometer, a pressure gauge, or the like provided on the outer wall of the blast furnace.
高炉の現状、すなわち、炉況を示す指標としていくつかの種類が挙げられる。そのうち、炉熱、通気性、及び円周バランスの３つが代表的である。炉熱とは、出銑口から出てくる溶銑の温度を手動測定することによって高炉内部の温度を予測する指標のことである。通気性とは、高炉内部の下部から上部に移動する熱風の状態を外壁圧力計の測定を介して間接的に類推する通気性指数などで予測する指標のことである。また、円周バランスとは、円形の高炉において円周方向の圧力及び温度に大きな差がない、すなわち、バランスが維持される状況に関する指標のことである。 There are several types of indicators that indicate the current state of the blast furnace, that is, the state of the blast furnace. Of these, three are typical: furnace heat, air permeability, and circumferential balance. Reactor heat is an index that predicts the temperature inside the blast furnace by manually measuring the temperature of the hot metal coming out of the hot metal outlet. The air permeability is an index that predicts the state of hot air moving from the lower part to the upper part inside the blast furnace by an indirect analogy such as an air permeability index through the measurement of an outer wall pressure gauge. Further, the circumferential balance is an index relating to a situation in which there is no large difference in pressure and temperature in the circumferential direction in a circular blast furnace, that is, the balance is maintained.
このような３つの指標を所望の値に維持すべく、操業者は、操業アクション（Ａｃｔｉｏｎ）を取ることになる。その代表的なものとして、微粉炭（ＰＣＩ）注入量の制御、熱風の風量制御、熱風に含まれる酸素量の制御、装入される鉄鉱石とコークスの割合制御、中心部に入る粒度が大きいコークスの分布制御などが挙げられる。 In order to maintain these three indicators at the desired values, the operator will take an operation action. Typical examples are control of pulverized coal (PCI) injection amount, control of hot air volume, control of oxygen content in hot air, control of ratio of iron ore to be charged and coke, and large particle size in the center. Examples include coke distribution control.
現在、高炉の操業は、基本的に温度計や圧力計の測定値などの定型データ、及びＣＣＴＶのような非定型データを介して得ることができる情報を用いることで、操業者自身の経験及び直感や操業基準などによって高炉の状態を判断し、これを根拠に操業アクションを取っている。 Currently, blast furnace operations basically use the operator's own experience and information that can be obtained via standard data such as thermometer and pressure gauge measurements and atypical data such as CCTV. The state of the blast furnace is judged based on intuition and operating standards, and operating actions are taken based on this.
しかし、より安定した炉況管理のために、現在の状況及びアクションを介して炉況がどのようになるかを事前に予測して操業を行うことが重要である。 However, for more stable furnace condition management, it is important to predict in advance what the furnace condition will be through the current situation and actions.
このような従来の技術は、韓国公開特許第１０－１９９５－００１４６３１号公報などを参照して容易に理解することができる。 Such a conventional technique can be easily understood by referring to Korean Patent Publication No. 10-1955-0014631 and the like.
本発明は、上記従来技術に鑑みてなされたものであって、本発明の目的は、高炉で発生する各種の操業データ、センサーデータを用いることで、炉況を安定的に維持するための先制アクションをガイドする炉況管理装置及び方法を提供することにある。 The present invention has been made in view of the above-mentioned prior art, and an object of the present invention is to preemptively maintain a stable furnace condition by using various operation data and sensor data generated in a blast furnace. The purpose is to provide a furnace condition management device and a method for guiding the action.
上記目的を達成するためになされた本発明の一態様による炉況管理装置は、高炉の温度及び圧力データのうちの少なくとも一つを、測定した位置に応じて画像化する第１センサー部と、前記高炉の非定型データを検出する第２センサー部と、前記第１センサー部からの画像化された温度又は圧力データ、及び前記第２センサー部からの非定型データに基づいて高炉操業に関するアクションガイダンスを出力する人工知能アルゴリズムを有するアクションガイダンス部と、を含むことを特徴とする。 The furnace condition management device according to one aspect of the present invention made to achieve the above object includes a first sensor unit that images at least one of the temperature and pressure data of the blast furnace according to the measured position. Action guidance on blast furnace operation based on the second sensor unit that detects the atypical data of the blast furnace, the imaged temperature or pressure data from the first sensor unit, and the atypical data from the second sensor unit. It is characterized by including an action guidance unit having an artificial intelligence algorithm that outputs data.
上記目的を達成するためになされた本発明の一態様による炉況管理方法は、データ前処理部が高炉の装入物状態、羽口状態、及び出銑口状態のうちの少なくとも一つの非定型データを収集し、前記高炉の温度データ及び圧力データを測定した位置に応じて画像化する段階と、人工知能アルゴリズムが前処理されたデータの入力を受け、高炉操業に関するアクションガイダンスを出力する段階と、操業者が上記アクションガイダンスを適用するか否かに応じて、前記人工知能アルゴリズムの再学習を判断する段階と、人工知能アルゴリズムを再学習するか否かに応じて、人工知能アルゴリズムの交替を判断する段階と、を含むことを特徴とする。 In the furnace condition management method according to one aspect of the present invention, which has been made to achieve the above object, the data preprocessing unit has an atypical state of at least one of the charge state, tuyere state, and ironing port state of the blast furnace. The stage of collecting data and imaging the temperature data and pressure data of the blast furnace according to the measured position, and the stage of receiving the input of preprocessed data by the artificial intelligence algorithm and outputting the action guidance regarding the blast furnace operation. , The stage of determining the re-learning of the artificial intelligence algorithm depending on whether the operator applies the above action guidance, and the replacement of the artificial intelligence algorithm depending on whether or not the artificial intelligence algorithm is relearned. It is characterized by including a judgment stage and.
本発明によれば、高炉の安定的な生産を可能にするとともに、高炉の効率を向上させることで、一定の性能を維持する炉況管理が可能となり、操業を自動化及び標準化することができるという効果を奏する。 According to the present invention, by enabling stable production of a blast furnace and improving the efficiency of the blast furnace, it is possible to manage the furnace condition to maintain a certain level of performance, and it is possible to automate and standardize the operation. It works.
以下、図面を参照しながら、本発明が属する技術分野における通常の知識を有する者が本発明を容易に実施することができるように好ましい実施形態を詳細に説明する。 Hereinafter, preferred embodiments will be described in detail so that a person having ordinary knowledge in the technical field to which the present invention belongs can easily carry out the present invention with reference to the drawings.
図１は、本発明の一実施形態による炉況管理装置の概略的な構成図である。 FIG. 1 is a schematic configuration diagram of a furnace condition management device according to an embodiment of the present invention.
図１に示すように、本発明の一実施形態による炉況管理装置１００は、第１センサー部１１０、第２センサー部１２０、及びアクションガイダンス部１３０を含む。
As shown in FIG. 1, the furnace
第１センサー部１１０は、高炉の温度データ及び圧力データのうちの少なくとも一つを、測定した位置に応じて画像化する。
The
第１センサー部１１０は、温度センサー部１１１、圧力センサー部１１２、及びデータ処理部１１３を含む。
The
温度センサー部１１１は、高炉にそれぞれ設けられた複数の温度センサーを含み、複数の温度センサーは、設けられた位置の高炉の温度を検出する。
The
圧力センサー部１１２は、高炉にそれぞれ設けられた複数の圧力センサーを含み、複数の圧力センサーは、設けられた位置の高炉の圧力を検出する。
The
データ処理部１１３は、温度センサー部１１１の複数の温度センサーのそれぞれで検出された温度データを、検出された位置にマッピングして画像化する。同様に、圧力センサー部１１２の複数の圧力センサーのそれぞれで検出された圧力データを、検出された位置にマッピングして画像化する。さらに、複数の温度センサーのそれぞれで検出された温度データ、及び複数の圧力センサーのそれぞれで検出された圧力データを、検出された位置にマッピングして画像化する。
The
高炉の特性上、位置別の温度と圧力との間には、相互関連性がある。したがって、これらを画像化して相互関連性まで情報化することで、ディープラーニングアルゴリズムの入力データとして用いると、高炉状態の分析に有利であるため、アクションガイダンス（Ａｃｔｉｏｎ Ｇｕｉｄａｎｃｅ）のための性能向上に重要な要因になる。 Due to the characteristics of the blast furnace, there is an interrelationship between the temperature and pressure at each position. Therefore, it is important to improve the performance for action guidance because it is advantageous for the analysis of the blast furnace state when it is used as the input data of the deep learning algorithm by imaging these and informatizing the interrelationships. It becomes a factor.
データ処理部１１３は、検出された温度又は圧力のデータを、検出された位置にマッピングして二次元画像化する。
The
図５は、本発明の一実施形態による炉況管理装置に適用される温度計及び圧力計のデータを画像化した例を示す図である。 FIG. 5 is a diagram showing an example of imaging data of a thermometer and a pressure gauge applied to the furnace condition management device according to the embodiment of the present invention.
図１とともに図５を参照すると、高炉のセンサーデータ、すなわち、温度センサー部１１１及び圧力センサー部１１２の検出データを画像化した例を見ることができる。
With reference to FIG. 5 together with FIG. 1, it is possible to see an example in which the sensor data of the blast furnace, that is, the detection data of the
図５の左側の図の場合、円柱状の高炉表面に複数の温度センサーが分布していると仮定し、これに対するヒートマップ（Ｈｅａｔｍａｐ）を作成した後、０度で切断して展開したものである。すなわち、図５の横方向は、温度センサーが分布した角度である。そして、温度センサーの高さに依存した分布は、図面上の高さに対応している。結果として、各黒点は温度センサーを表したものである。図５の左側及び中央の図から分かるように、高炉の温度値は有機的な相互関連性を有しながら刻々と変化している。 In the case of the figure on the left side of FIG. 5, it is assumed that multiple temperature sensors are distributed on the surface of the columnar blast furnace, a heat map for this is created, and then the heat map is cut at 0 degrees and expanded. be. That is, the lateral direction in FIG. 5 is the angle at which the temperature sensors are distributed. The height-dependent distribution of the temperature sensor corresponds to the height on the drawing. As a result, each black dot represents a temperature sensor. As can be seen from the left and center figures of FIG. 5, the temperature values of the blast furnace are changing from moment to moment while having an organic interrelationship.
図５の右側の図に示す圧力センサーの場合、代表的な４方向の値を表している。方向別の圧力計は、４つの色線で区分される。そして、横軸は圧力値を示し、縦軸は圧力センサーの高さ位置を示す。本発明では、このような必要位置情報の関係を効率的に人工知能に入力するために、図５のような画像化技術を用いる。 In the case of the pressure sensor shown in the figure on the right side of FIG. 5, the values in four typical directions are shown. The pressure gauge for each direction is classified by four color lines. The horizontal axis indicates the pressure value, and the vertical axis indicates the height position of the pressure sensor. In the present invention, in order to efficiently input the relationship of such necessary position information into artificial intelligence, the imaging technique as shown in FIG. 5 is used.
第２センサー部１２０は、高炉の装入物状態、羽口状態、及び出銑口状態のうちの少なくとも一つを計測することで、高炉の非定型データを検出する。
The
本発明では、ディープラーニングベースのアルゴリズムを介して現在の高炉状態データに基づいて炉況を判断し、正常な炉況を維持するための最適なアクションガイダンス（Ａｃｔｉｏｎ Ｇｕｉｄａｎｃｅ）を提示する。ディープラーニングベースのアルゴリズムは、データドリブンアルゴリズム（Ｄａｔａ－ｄｒｉｖｅｎ Ａｌｇｏｒｉｔｈｍ）であるため、状況を十分に代表することができる多くのデータが必須である。 In the present invention, the furnace condition is determined based on the current blast furnace condition data via a deep learning-based algorithm, and the optimum action guidance (Action Guidance) for maintaining the normal furnace condition is presented. Since the deep learning-based algorithm is a data-driven algorithm, a lot of data that can sufficiently represent the situation is essential.
そこで、従来操業者が肉眼で高炉操業判断の根拠として用いた内容であるものの、定型化されなかったため、コンピュータを用いた制御に活用されなかったデータを定型化して本発明に適用する。 Therefore, although the content was conventionally used by the operator as a basis for determining the operation of the blast furnace with the naked eye, the data that was not used for control using a computer because it was not standardized is standardized and applied to the present invention.
第一のデータは、装入される鉄鉱石及びコークスの粒度を測定したデータである。これは通気性と関連があるデータである。 The first data is data obtained by measuring the particle size of iron ore and coke to be charged. This is data related to breathability.
第二は、羽口の燃焼帯の状況を数値化してデータとして用いる。羽口の燃焼帯は、高炉の内部を観察することができる唯一の部分であって、熱風を吹き込む設備である。ここで、微粉炭が一緒に吹き込まれる。燃焼帯は、微粉炭の燃焼状態や高炉内壁から溶けずに落下する燃料及び原料をモニターリングする機能を果たす。 Second, the condition of the combustion zone at the tuyere is quantified and used as data. The combustion zone of the tuyere is the only part where the inside of the blast furnace can be observed, and it is a facility that blows hot air. Here, pulverized coal is blown together. The combustion zone functions to monitor the combustion state of pulverized coal and the fuel and raw materials that fall without melting from the inner wall of the blast furnace.
第三は、出銑口の状態を測定する計測器であって、特に溶銑温度の測定が重要な要素である。基本的な高炉操業の場合、出銑される溶銑の温度を１～２時間に１回、手動で測定する。測定位置は、出銑口から一定の距離離れた場所であり、人による測定精度も一定でないため、測定値に外乱が多く含まれる。この値は、炉熱に関連する重要なデータである。 The third is a measuring instrument that measures the state of the hot metal outlet, and the measurement of the hot metal temperature is a particularly important factor. In the case of basic blast furnace operation, the temperature of the hot metal is manually measured once every 1 to 2 hours. Since the measurement position is a place separated from the ironing port by a certain distance and the measurement accuracy by a person is not constant, the measured value contains a lot of disturbance. This value is important data related to furnace heat.
このため、第２センサー部１２０は、装入物状態計測器１２１、羽口状態計測器１２２、及び出銑口状態計測器１２３を含む。
Therefore, the
装入物状態計測器１２１は、高炉に装入される燃料及び原料が通過する高炉のコンベアベルトに位置し、装入物の粒度、粒度分布、及び高炉の湿度状態のうちの少なくとも一つを計測し、計測された非定型データを定型化データに変換してアクションガイダンス部１３０に伝達する。
The charge
羽口状態計測器１２２は、多数の羽口カメラを介して、高炉の微粉炭吹き込み状態及び生鉱（ｒａｗ ｏｒｅ）の落下状態のうちの少なくとも一つを計測し、計測された非定型データを定型化データに変換してアクションガイダンス部１３０に伝達する。
The tuyere
出銑口状態計測器１２３は、高炉から出銑される溶銑の温度をリアルタイムで測定し、溶銑の流れの角度や厚みなどで出銑量を計測することで、計測された非定型データを定型化データに変換してアクションガイダンス部１３０に伝達する。
The hot metal outlet
アクションガイダンス部１３０は、第１センサー部１１０からの画像化された温度又は圧力データ、及び第２センサー部１２０からの非定型データに基づいて、高炉操業に関するアクションガイダンスを出力する。
The
図２は、本発明の一実施形態による炉況管理装置に適用される人工知能の概念を説明する図である。 FIG. 2 is a diagram illustrating a concept of artificial intelligence applied to a furnace condition management device according to an embodiment of the present invention.
図１とともに図２を参照すると、アクションガイダンス部１３０は、学習部１３１、制御部１３２、及び強化学習部１３３を含む。
Referring to FIG. 2 together with FIG. 1, the
図３は、本発明の一実施形態による炉況管理方法の概略的な動作を示すフローチャートである。 FIG. 3 is a flowchart showing a schematic operation of the furnace condition management method according to the embodiment of the present invention.
図１及び図２とともに図３を参照すると、学習部１３１は、アクションガイダンスオンラインアルゴリズムを含む。アクションガイダンスオンラインアルゴリズムは、第１センサー部１１０からの二次元画像化された温度及び圧力データ（Ｓ１０、Ｓ１１）と、第２センサー部１２０からの定型化された高炉の装入物状態、羽口状態、及び出銑口状態の計測データ（Ｓ１０、Ｓ１２）とに基づいて学習し、高炉操業に関するアクションガイダンスを生成する（Ｓ２０、Ｓ３０）。
Referring to FIG. 3 with FIGS. 1 and 2, the
アクションガイダンスオンラインアルゴリズムは、ディープラーニングベースのアルゴリズムで構成され、入力されたデータＸ（図２のＸ修飾文字を略記）を学習して、アクションガイダンスＣ（図２のＣ修飾文字を略記）を生成する。 The action guidance online algorithm is composed of a deep learning-based algorithm, and learns the input data X (the X-qualified character in FIG. 2 is abbreviated) to generate the action guidance C (the C-qualified character in FIG. 2 is abbreviated). do.
制御部１３２は、学習部のアクションガイダンスＣを出力し、操業者がアクションガイダンスを受け入れるか否かが強化学習部１３３にフィードバックされる（Ｓ４０）。
The
強化学習部１３３は、ディープラーニングベースのアルゴリズムで構成され、アクションガイダンスオフラインアルゴリズムを含む。アクションガイダンスオフラインアルゴリズムは、操業者が受容しないアクションガイダンスのフィードバックを受けてアルゴリズムの学習を強化する。
The
制御部１３２は、アクションガイダンスオンラインアルゴリズムの再学習、及びアクションガイダンスオンラインアルゴリズムを強化学習部１３３のアクションガイダンスオフラインアルゴリズムに交替させるか否かを判断する。
The
すなわち、高炉で発生し、操業に重要であるために定型化された非定型データと、従来の定型データとを収集して、ディープラーニングを活用する人工知能システムに入力すると、ディープラーニングアルゴリズムは、学習したモデルに基づいて、信頼性の高い炉況管理のために操業者が行うべきアクションに対するガイダンスを提示する。操業者は、このようなアクションガイダンスを受け入れるか否かを判断し、ディープラーニングアルゴリズムは、これをフィードバックとして用いて、性能を強化するためにアルゴリズムに活用する。また、所定の期間後、又は入力されたデータの特性が所定の基準以上変わったときには、再学習を介して現在の高炉状況に適した人工知能アルゴリズムを維持して性能を最適化する。 That is, when atypical data generated in a blast furnace and stylized because it is important for operation and conventional stylized data are collected and input to an artificial intelligence system that utilizes deep learning, the deep learning algorithm can be used. Based on the learned model, it provides guidance on the actions that operators should take for reliable reactor condition management. The operator decides whether or not to accept such action guidance, and the deep learning algorithm uses this as feedback and utilizes it in the algorithm to enhance performance. In addition, after a predetermined period of time, or when the characteristics of the input data change by more than a predetermined standard, the artificial intelligence algorithm suitable for the current blast furnace situation is maintained and the performance is optimized through re-learning.
より詳細には、定型化されてから入力された非定型データと、直接入力された定型データとを合計して収集されたデータは、前処理されて、ディープラーニングベースのアクションガイダンスオンラインアルゴリズムに入力される。ここで、アルゴリズムは、自分のモデルに基づいてアクションガイダンスを提示する。操業者は、提示されたアクションガイダンスが高炉操業に適しているか否かを判断して受容又は拒否する。このような繰り返しループを介して、最初のアルゴリズムを用いた操業が行われる。 More specifically, the data collected by summing up the atypical data entered after being stylized and the stylized data entered directly is preprocessed and entered into a deep learning-based action guidance online algorithm. Will be done. Here, the algorithm presents action guidance based on its own model. The operator determines whether the presented action guidance is suitable for blast furnace operation and accepts or rejects it. The operation using the first algorithm is performed through such a repeating loop.
さらに、オフラインでの並列炉況管理アルゴリズムが存在する場合、操業者は、人工知能アクションガイダンスを受容するか否かの結果をフィードバック値として受けて（Ｓ６０）、オンラインラーニング（Ｏｎ－Ｌｉｎｅ Ｌｅａｒｎｉｎｇ）又は強化学習を行う。すなわち、ディープラーニングベースのアクションガイダンスオフライン（Ｏｆｆ－ｌｉｎｅ）アルゴリズムの場合、操業者が受け入れるか否かに応じて、フィードバックされて入力されるアクションガイダンス値を補償して（Ｓ５０）、アルゴリズムの強化に用いる。基本的には、ディープラーニングベースのアクションガイダンスオフラインアルゴリズムには強化学習の部分が存在し、ディープラーニングベースのアクションガイダンスオンラインアルゴリズムが誤って判断した場合が発生すると、これを反映してアルゴリズムの性能向上に用いる。また、補償値が所定のレベル以下に下落するか、又はデータの特性が学習したものと所定の差以上離れると、再学習を判断して、必要に応じて、再学習を行う（Ｓ７０）。 Further, if an offline parallel reactor condition management algorithm exists, the operator receives the result of whether or not to accept the artificial intelligence action guidance as a feedback value (S60), and online learning (On-Line Learning) or Perform reinforcement learning. That is, in the case of a deep learning-based action guidance offline (Off-line) algorithm, the action guidance value that is fed back and input is compensated according to whether or not the operator accepts it (S50), and the algorithm is strengthened. Use. Basically, the deep learning-based action guidance offline algorithm has a part of reinforcement learning, and if the deep learning-based action guidance online algorithm makes a wrong decision, the performance of the algorithm is improved by reflecting this. Used for. Further, when the compensation value drops below a predetermined level or the characteristics of the data deviate from the learned data by a predetermined difference or more, relearning is determined and relearning is performed as necessary (S70).
そして、再学習の結果、アルゴリズムの交替が必要な場合（Ｓ８０）、システム上でディープラーニングベースのアクションガイダンスオンラインアルゴリズムを、新たに学習されたアクションガイダンスオフラインアルゴリズムに交替させる。これにより、高炉の状況に対応するアルゴリズムを維持することができ、操業をすればするほど、アクションガイダンスの性能が向上する高炉炉況管理装置が具現される。 Then, when it is necessary to replace the algorithm as a result of re-learning (S80), the deep learning-based action guidance online algorithm is replaced with the newly learned action guidance offline algorithm on the system. As a result, it is possible to maintain an algorithm corresponding to the situation of the blast furnace, and the more the operation is performed, the more the performance of the action guidance is improved, and the blast furnace condition management device is realized.
図４は、本発明の一実施形態による炉況管理装置のＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）の例を示す図である。 FIG. 4 is a diagram showing an example of a GUI (Graphic User Interface) of the furnace condition management device according to the embodiment of the present invention.
図１とともに図４を参照すると、アクションガイダンス部１３０は、風量、酸素、微粉炭、装入燃料及び原料のコスト、センターコークスの分布などの高炉操業に関するアクションを提示する。例えば、図示されたＧＵＩを介して風量制御に必要なアクションガイダンス（Ａｃｔｉｏｎ Ｇｕｉｄａｎｃｅ）の値を確認して、関連するデータの推移を確認することができる。また、必要に応じて、手動で操業を行うこともできる。
Referring to FIG. 4 together with FIG. 1, the
上述のように、本発明によると、安定した炉況を維持するために必要な操業者のアクションをガイドして高炉の安定した生産を可能にする。これにより、高炉の効率も向上する。また、時間に応じて変化する操業条件及び高炉の状況に対応することができるアルゴリズムを維持する方法を介して、一定の性能を維持する炉況管理システムが具現可能である。これに加えて、操業が自動化及び標準化されるため、操業者の負荷を軽減するだけでなく、操業者のノウハウや体験的な経験などの暗黙知を、伝播及び共有が可能な形式知化することが可能である。 As mentioned above, according to the present invention, the operator's actions necessary to maintain a stable furnace condition are guided to enable stable production of the blast furnace. This also improves the efficiency of the blast furnace. In addition, a furnace condition management system that maintains a certain level of performance can be realized through a method of maintaining an algorithm that can respond to operating conditions and blast furnace conditions that change with time. In addition to this, since operations are automated and standardized, not only will the burden on operators be reduced, but tacit knowledge such as operator know-how and experiential experience will be explicit knowledge that can be propagated and shared. It is possible.
以上、本発明の実施形態について詳細に説明したが、本発明はこれに限定されず、本発明の技術的思想から逸脱しない範囲内で多様に変更実施することが可能である。 Although the embodiments of the present invention have been described in detail above, the present invention is not limited to this, and various modifications can be made without departing from the technical idea of the present invention.
１００ 炉況管理装置
１１０ 第１センサー部
１１１ 温度センサー部
１１２ 圧力センサー部
１１３ データ処理部
１２０ 第２センサー部
１２１ 装入物状態計測器
１２２ 羽口状態計測器
１２３ 出銑口状態計測器
１３０ アクションガイダンス部
１３１ 学習部
１３２ 制御部
１３３ 強化学習部
100 Reactor
Claims (6)
前記高炉の装入物の粒度、粒度分布、湿度状態、高炉の微粉炭の吹き込み状態、生鉱の落下、高炉の溶銑温度、出銑量のうちの少なくとも一つである非定型データを検出する第２センサー部と、
前記第１センサー部からの画像化された温度又は圧力データ、及び前記第２センサー部からの非定型データに基づいて学習して高炉操業に関して安定的な炉況管理のために操業者が行うべきアクションガイダンスを出力する人工知能アルゴリズムを有するアクションガイダンス部と、
を含み、
前記アクションガイダンス部は、
前記第１センサー部及び前記第２センサー部から収集したデータに基づいて学習し、高炉操業に関するアクションガイダンスを生成するアクションガイダンスオンラインアルゴリズムを有する学習部と、
操業者が前記アクションガイダンスを受け入れるか否かに応じて、アルゴリズム学習を強化するアクションガイダンスオフラインアルゴリズムを有する強化学習部と、
前記学習部のアクションガイダンスを出力し、操業者が前記アクションガイダンスを受容するか否かに応じて、前記アクションガイダンスオンラインアルゴリズムの再学習、及び前記アクションガイダンスオンラインアルゴリズムを前記強化学習部の操業者が受容しないアクションガイダンスのフィードバックを受けてアルゴリズムの学習を強化するアクションガイダンスオフラインアルゴリズムの交替を判断する制御部と、
を含むことを特徴とする炉況管理装置。 A first sensor unit that images at least one of the temperature and pressure data of the blast furnace according to the measured position.
Detects atypical data that is at least one of the particle size, particle size distribution, humidity state, blast furnace pulverized coal blowing state, raw ore fall, blast furnace hot metal temperature, and hot metal output amount of the blast furnace charge. The second sensor part and
An operator for stable furnace condition management regarding blast furnace operation by learning based on the imaged temperature or pressure data from the first sensor unit and the atypical data from the second sensor unit. An action guidance unit with an artificial intelligence algorithm that outputs action guidance to be performed by
Including
The action guidance section is
A learning unit having an action guidance online algorithm that learns based on the data collected from the first sensor unit and the second sensor unit and generates action guidance regarding blast furnace operation.
Reinforcement learning departments with action guidance offline algorithms that enhance algorithm learning, depending on whether the operator accepts the action guidance.
The action guidance of the learning unit is output, and depending on whether or not the operator accepts the action guidance, the operator of the enhanced learning unit relearns the action guidance online algorithm and the action guidance online algorithm. Action guidance that strengthens algorithm learning by receiving feedback of unacceptable action guidance Action guidance A control unit that determines the replacement of offline algorithms, and
A furnace condition management device characterized by including .
前記高炉の各位置の温度を測定する複数の温度センサーを有する温度センサー部と、
前記高炉の各位置の圧力を測定する複数の圧力センサーを有する圧力センサー部と、
前記温度センサー部の測定された温度と前記圧力センサー部の測定された圧力とを測定された位置にマッチングさせて画像化するデータ前処理部と、
を含むことを特徴とする請求項１に記載の炉況管理装置。 The first sensor unit is
A temperature sensor unit having a plurality of temperature sensors for measuring the temperature at each position of the blast furnace, and
A pressure sensor unit having a plurality of pressure sensors for measuring the pressure at each position of the blast furnace, and
A data preprocessing unit that matches the measured temperature of the temperature sensor unit with the measured pressure of the pressure sensor unit to the measured position and creates an image.
The furnace condition management device according to claim 1, further comprising.
装入物の粒度、粒度分布、及び前記高炉の湿度状態のうちの少なくとも一つを計測する装入物状態計測器と、
前記高炉の微粉炭の吹き込み状態及び生鉱の落下状態のうちの少なくとも一つを計測する羽口状態計測器と、
前記高炉の溶銑温度及び出銑量のうちの少なくとも一つを計測する出銑口状態計測器と、を含むことを特徴とする請求項４に記載の炉況管理装置。 The second sensor unit is
A charge condition measuring instrument that measures at least one of the particle size, particle size distribution, and humidity condition of the blast furnace.
A tuyere state measuring instrument that measures at least one of the blown state of pulverized coal and the dropped state of raw ore in the blast furnace.
The furnace condition management device according to claim 4, further comprising an outlet state measuring instrument for measuring at least one of the hot metal temperature and the hot metal output amount of the blast furnace.
人工知能アルゴリズムが、前処理されたデータの入力を受け、高炉操業に関して安定的な炉況管理のために操業者が行うべきアクションガイダンスを出力する段階と、
操業者が前記アクションガイダンスを適用するか否かに応じて、前記人工知能アルゴリズムの再学習を判断する段階と、
人工知能アルゴリズムを再学習するか否かに応じて、人工知能アルゴリズムの交替を判断する段階と、を含み、
前記人工知能アルゴリズムの交替を判断する段階は、人工知能アルゴリズムを操業者が受容しないアクションガイダンスのフィードバックを受けてアルゴリズムの学習を強化するアクションガイダンスオフラインアルゴリズムの交替を判断することを特徴とする炉況管理方法。 The data pretreatment unit is one of the particle size, particle size distribution, and humidity state of the blast furnace charge, which is the state of the blast furnace charge, the state of blowing pulverized coal in the blast furnace, and the fall of raw ore. At least one tuyere state, and at least one of the hot metal temperature and the hot metal outlet state of the blast furnace, which is at least one of the hot metal outlet states, are collected, and the temperature data of the blast furnace and the temperature data of the blast furnace are collected. The stage of imaging the pressure data according to the measured position,
The stage where the artificial intelligence algorithm receives the input of preprocessed data and outputs the action guidance that the operator should take for stable furnace condition management regarding the blast furnace operation.
The stage in which the operator decides to relearn the artificial intelligence algorithm depending on whether or not the action guidance is applied, and
Including the stage of determining the replacement of the artificial intelligence algorithm depending on whether or not the artificial intelligence algorithm is relearned.
The stage of determining the replacement of the artificial intelligence algorithm is characterized by determining the replacement of the action guidance offline algorithm by receiving the feedback of the action guidance that the operator does not accept the artificial intelligence algorithm and strengthening the learning of the algorithm. Management method.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2017-0175537 | 2017-12-19 | ||
| KR1020170175537A KR102075210B1 (en) | 2017-12-19 | 2017-12-19 | Management apparatus and method for condition of blast furnace |
| PCT/KR2018/016113 WO2019124931A1 (en) | 2017-12-19 | 2018-12-18 | Furnace condition control apparatus and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021507115A JP2021507115A (en) | 2021-02-22 |
| JP7050934B2 true JP7050934B2 (en) | 2022-04-08 |
Family
ID=66994076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020534232A Active JP7050934B2 (en) | 2017-12-19 | 2018-12-18 | Reactor condition management device and method |
Country Status (5)
| Country | Link |
|---|---|
| EP (1) | EP3730630B1 (en) |
| JP (1) | JP7050934B2 (en) |
| KR (1) | KR102075210B1 (en) |
| CN (1) | CN111492070A (en) |
| WO (1) | WO2019124931A1 (en) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257590B (en) * | 2020-10-22 | 2023-08-01 | 中冶南方工程技术有限公司 | Automatic detection method, system and storage medium for working state of blast furnace tap hole |
| EP4001440A1 (en) * | 2020-11-18 | 2022-05-25 | Primetals Technologies Austria GmbH | Characterization of a smelting process |
| JP7380604B2 (en) * | 2021-01-12 | 2023-11-15 | Ｊｆｅスチール株式会社 | Learning model generation method, learning model generation device, blast furnace control guidance method, and hot metal manufacturing method |
| CN114185976B (en) * | 2021-11-01 | 2024-03-26 | 中冶南方工程技术有限公司 | Visual intelligent perception platform of blast furnace |
| WO2023171501A1 (en) * | 2022-03-07 | 2023-09-14 | Ｊｆｅスチール株式会社 | Method for predicting molten iron temperature in blast furnace, method for training molten iron temperature prediction model for blast furnace, method for operating blast furnace, molten iron temperature prediction device for blast furnace, molten iron temperature prediction system, and terminal device |
| WO2023187501A1 (en) * | 2022-03-29 | 2023-10-05 | Tata Steel Limited | System and method for measuring burden profile in a metallurgical furnace |
| EP4276550A1 (en) * | 2022-05-12 | 2023-11-15 | Primetals Technologies Austria GmbH | Method and computer system for controlling a process of a metallurgical plant |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1097804A (en) | 1993-07-21 | 1995-01-25 | 首钢总公司 | Computerized blast furnace smelting expert system method |
| JP2002194405A (en) | 2000-12-28 | 2002-07-10 | Nippon Steel Corp | Method and device for monitoring operation of blast furnace, and computer-readable recording medium |
| KR20030063487A (en) | 2000-12-28 | 2003-07-28 | 신닛뽄세이테쯔 카부시키카이샤 | Method, device and program for monitoring operating condition of blast furnace |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0726127B2 (en) * | 1987-11-20 | 1995-03-22 | 日本鋼管株式会社 | Blast furnace furnace automatic heat control system |
| JPH0730368B2 (en) * | 1988-02-12 | 1995-04-05 | 日本鋼管株式会社 | Blast furnace furnace thermal controller |
| EP0375282B1 (en) * | 1988-12-20 | 1996-04-17 | Nippon Steel Corporation | Blast furnace operation management method and apparatus |
| JPH0733531B2 (en) * | 1990-04-25 | 1995-04-12 | 日本鋼管株式会社 | Blast furnace thermal controller support system |
| JPH0598325A (en) * | 1991-10-07 | 1993-04-20 | Nkk Corp | Device for controlling distribution of charging materials in blast furnace |
| JPH05156327A (en) * | 1991-12-06 | 1993-06-22 | Nkk Corp | Device for controlling furnace heat in blast furnace |
| KR950014631A (en) | 1993-11-27 | 1995-06-16 | 전성원 | Timing Belt Tensioner |
| KR0146785B1 (en) * | 1995-11-27 | 1998-11-02 | 김종진 | Error diagnosing method and apparatus for a furnace |
| JP4586129B2 (en) * | 2008-03-25 | 2010-11-24 | 独立行政法人沖縄科学技術研究基盤整備機構 | Controller, control method and control program |
| KR101185300B1 (en) * | 2011-01-28 | 2012-09-21 | 현대제철 주식회사 | Method for estimating position bordered to furnace wall of softening zone |
| CN105886680B (en) * | 2016-05-11 | 2017-12-29 | 东北大学 | A kind of blast furnace ironmaking process molten iron silicon content dynamic soft measuring system and method |
| KR101858860B1 (en) * | 2016-12-22 | 2018-05-17 | 주식회사 포스코 | Apparatus for controlling heat of blast furnace |
| CN106844636A (en) * | 2017-01-21 | 2017-06-13 | 亚信蓝涛（江苏）数据科技有限公司 | A kind of unstructured data processing method based on deep learning |
-
2017
- 2017-12-19 KR KR1020170175537A patent/KR102075210B1/en active IP Right Grant
-
2018
- 2018-12-18 CN CN201880082559.XA patent/CN111492070A/en active Pending
- 2018-12-18 EP EP18891914.6A patent/EP3730630B1/en active Active
- 2018-12-18 JP JP2020534232A patent/JP7050934B2/en active Active
- 2018-12-18 WO PCT/KR2018/016113 patent/WO2019124931A1/en unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1097804A (en) | 1993-07-21 | 1995-01-25 | 首钢总公司 | Computerized blast furnace smelting expert system method |
| JP2002194405A (en) | 2000-12-28 | 2002-07-10 | Nippon Steel Corp | Method and device for monitoring operation of blast furnace, and computer-readable recording medium |
| KR20030063487A (en) | 2000-12-28 | 2003-07-28 | 신닛뽄세이테쯔 카부시키카이샤 | Method, device and program for monitoring operating condition of blast furnace |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190074132A (en) | 2019-06-27 |
| EP3730630A1 (en) | 2020-10-28 |
| CN111492070A (en) | 2020-08-04 |
| KR102075210B1 (en) | 2020-02-07 |
| EP3730630B1 (en) | 2022-05-18 |
| EP3730630A4 (en) | 2021-01-13 |
| WO2019124931A1 (en) | 2019-06-27 |
| JP2021507115A (en) | 2021-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7050934B2 (en) | Reactor condition management device and method | |
| CN107844770A (en) | A kind of electric melting magnesium furnace unusual service condition automatic recognition system based on video | |
| CN105925750A (en) | Steelmaking end point prediction method based on neural networks | |
| CN111985112B (en) | Digital twin system of blast furnace based on Unity3D | |
| CN108182445A (en) | Procedure fault recognition methods based on big data intelligence core independent component analysis | |
| CN105400915A (en) | Method and system for quantitatively evaluating distribution of gas flows on blast furnace top | |
| US9322787B1 (en) | Glass container inspection machine with a graphic user interface | |
| KR20200017602A (en) | System and method for predicting quantity of remanign molten iron in blast furnace | |
| CN111831703A (en) | Display method, user interface, display device, and inspection device | |
| CN107748901A (en) | The industrial process method for diagnosing faults returned based on similitude local spline | |
| CN104913639A (en) | Data integration based sintering end-point control system and control method | |
| JP6897723B2 (en) | Learning model generation method, learning model generation device, blast furnace hot metal temperature control method, blast furnace hot metal temperature control guidance method, and hot metal manufacturing method | |
| An et al. | Two-layer fault diagnosis method for blast furnace based on evidence-conflict reduction on multiple time scales | |
| JP7012159B2 (en) | Blast furnace blast control device and its method | |
| Aleksandrovich et al. | Machine vision system for assessment of firing process parameters in rotary kiln | |
| Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace | |
| KR102121910B1 (en) | Apparatus and method for controlling blow of blast furnace | |
| JP2012226732A (en) | Operation prediction apparatus, operation prediction method and computer program | |
| KR102167985B1 (en) | System and method for perdicting closure time of tap hole of blast furnace | |
| CN114185976B (en) | Visual intelligent perception platform of blast furnace | |
| KR20210038403A (en) | Calorific value estimation method, calorific value estimation device and garbage storage facility | |
| US20230358475A1 (en) | System and method for monitoring and controlling furnaces | |
| CN113962971A (en) | Sintering production index identification method, model and system based on multi-source information | |
| Trofimov et al. | Generalized structure of an intelligent control system for technological objects and experience of its use | |
| JP2021165414A (en) | Furnace condition evaluation device, furnace condition evaluation method, furnace condition evaluation program, and method for generating learned model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200807 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200807 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210714 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210727 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211027 |
|
| 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: 20220308 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220329 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7050934 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| R371 | Transfer withdrawn |
Free format text: JAPANESE INTERMEDIATE CODE: R371 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |