JP7744570B2 - How to build a score calculation model - Google Patents
How to build a score calculation modelInfo
- Publication number
- JP7744570B2 JP7744570B2 JP2021178858A JP2021178858A JP7744570B2 JP 7744570 B2 JP7744570 B2 JP 7744570B2 JP 2021178858 A JP2021178858 A JP 2021178858A JP 2021178858 A JP2021178858 A JP 2021178858A JP 7744570 B2 JP7744570 B2 JP 7744570B2
- Authority
- JP
- Japan
- Prior art keywords
- score
- instability
- calculation model
- score calculation
- threshold value
- 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
Landscapes
- Blast Furnaces (AREA)
Description
本発明は、高炉の炉況が安定又は不安定であるかを診断するときに、閾値と比較される不安定スコアを求めるスコア計算モデルを構築する方法に関する。 The present invention relates to a method for constructing a score calculation model that determines an instability score to be compared with a threshold value when diagnosing whether the furnace condition of a blast furnace is stable or unstable.
特許文献１に記載の高炉の炉況判断方法では、高炉における操業管理指標の指標データに基づいて、炉況の不安定を判断するための個別不安定スコアを算出し、個別不安定スコアから算出される総合不安定スコアが所定スコアによって規定される所定範囲に入るとき、炉況が不安定であると判断している。ここで、個別不安定スコアは、基準値及び指標データを含む計算式から求められる。また、総合不安定スコアは、複数種類の操業管理指標について算出された個別不安定スコアの合計値又は平均値である。 The blast furnace condition assessment method described in Patent Document 1 calculates individual instability scores to assess furnace condition instability based on index data for operational management indicators in the blast furnace, and determines that the furnace condition is unstable when the overall instability score calculated from the individual instability scores falls within a predetermined range defined by a predetermined score. Here, the individual instability scores are calculated using a formula that includes reference values and index data. The overall instability score is the sum or average of the individual instability scores calculated for multiple types of operational management indicators.
特許文献１に記載の炉況判断方法は、機械学習モデルを利用したものではない。本願発明者等は、炉況の安定又は不安定の診断において、機械学習モデルを利用することに着目し、鋭意検討の結果、本発明を完成するに至った。 The reactor condition assessment method described in Patent Document 1 does not utilize a machine learning model. The inventors of the present application focused on the use of a machine learning model in diagnosing the stability or instability of the reactor condition, and after extensive research, have completed the present invention.
本発明であるスコア計算モデルの構築方法では、高炉の操業管理指標に関する指標データを取得し、指標データに対してデータ処理を行うことにより、高炉の炉況の不安定の程度を示す不安定スコアを求める。そして、データ処理によって求めた複数の不安定スコアのうち、閾値との大小関係から判断される炉況の安定を示す不安定スコアを抽出する。複数の閾値のそれぞれについて、抽出した不安定スコアを求めるときに用いた指標データを教師データとして用いることにより、指標データから不安定スコアを求めるスコア計算モデルを機械学習アルゴリズムから構築する。 The score calculation model construction method of the present invention acquires index data related to blast furnace operation management indicators and performs data processing on the index data to determine an instability score that indicates the degree of instability in the blast furnace's furnace conditions. Then, from the multiple instability scores determined by data processing, an instability score that indicates the stability of the furnace conditions is extracted based on its magnitude relationship with a threshold value. For each of the multiple threshold values, the index data used to determine the extracted instability score is used as training data, and a score calculation model that determines the instability score from the index data is constructed using a machine learning algorithm.
次に、オペレータが指標データから決定した不安定スコアと、構築した複数のスコア計算モデルのそれぞれを用いて求めた不安定スコアとのずれを求める。ずれが最小となるときのスコア計算モデルを、炉況の安定又は不安定を診断するときの不安定スコアを求めるスコア計算モデルとして決定する。また、決定したスコア計算モデルを構築したときの閾値を、炉況の安定又は不安定を診断するときの閾値として決定する。 Next, the deviation between the instability score determined by the operator from the index data and the instability score calculated using each of the multiple score calculation models constructed is determined. The score calculation model that results in the smallest deviation is determined as the score calculation model used to calculate the instability score when diagnosing whether the reactor condition is stable or unstable. In addition, the threshold value used when constructing the determined score calculation model is determined as the threshold value used when diagnosing whether the reactor condition is stable or unstable.
炉況の安定を示す不安定スコアとしては、閾値以下の不安定スコアとすることができる。不安定スコアは、０．０以上１．０以下の範囲内で設定することができる。ここで、不安定スコアが０．０であるときの炉況は、不安定スコアが１．０であるときの炉況よりも安定である。 The instability score indicating the stability of the reactor condition can be set to an instability score below a threshold value. The instability score can be set within the range of 0.0 to 1.0. Here, the reactor condition when the instability score is 0.0 is more stable than the reactor condition when the instability score is 1.0.
複数の閾値は、０．０以上１．０以下の範囲に含めることができる。複数種類の機械学習アルゴリズムを用意するときには、機械学習アルゴリズムの種類ごとに、炉況の安定又は不安定を診断するときの閾値を決定することができる。スコア計算モデルの構築に用いられる指標データの総数は、オペレータが不安定スコアを決定するときの指標データの総数よりも多いことが好ましい。 The multiple thresholds can be in the range of 0.0 to 1.0. When multiple types of machine learning algorithms are prepared, a threshold for diagnosing whether the furnace condition is stable or unstable can be determined for each type of machine learning algorithm. It is preferable that the total number of indicator data used to construct the score calculation model is greater than the total number of indicator data used when the operator determines the instability score.
上述したデータ処理は、スコア計算アルゴリズムによって行うことができる。上述したずれとしては、二乗平均平方根誤差を用いることができる。炉況の安定又は不安定の診断においては、決定されたスコア計算モデルから求められる不安定スコアと、決定された閾値とを比較することにより、炉況の安定又は不安定を診断することができる。 The above-mentioned data processing can be performed using a score calculation algorithm. The deviation can be calculated using the root mean square error. The stability or instability of the reactor condition can be diagnosed by comparing the instability score obtained from the determined score calculation model with the determined threshold value.
本発明によれば、炉況の安定又は不安定を診断するときに、閾値と比較される不安定スコアを求めるスコア計算モデル（機械学習モデル）を構築することができる。 The present invention makes it possible to construct a score calculation model (machine learning model) that determines an instability score to be compared with a threshold value when diagnosing the stability or instability of a reactor condition.
本実施形態は、高炉の炉況が安定又は不安定であるかを診断するときに、閾値と比較される不安定スコアを求めるスコア計算モデルを構築する方法である。構築されたスコア計算モデルを用いて不安定スコアを求めることにより、炉況が安定又は不安定であるかの診断において、オペレータによる診断と同様の診断を行うことができる。以下、本実施形態であるスコア計算モデルの構築方法について、具体的に説明する。 This embodiment is a method for constructing a score calculation model that determines an instability score to be compared with a threshold value when diagnosing whether the furnace condition of a blast furnace is stable or unstable. By using the constructed score calculation model to determine the instability score, it is possible to perform a diagnosis of whether the furnace condition is stable or unstable in a manner similar to that performed by an operator. The method for constructing the score calculation model, which is this embodiment, is described in detail below.
（スコア計算モデル）
本実施形態におけるスコア計算モデルは、後述する操業管理指標のデータ（以下、指標データという）が入力されることにより、高炉の炉況の不安定に関する判断要素となる不安定スコアＳｔを求めるものである。後述するように、不安定スコアＳｔを閾値Ｓｔｈと比較することにより、炉況が安定であるか、又は炉況が不安定であるかを診断することができる。スコア計算モデルから求められた不安定スコアＳｔを用いて炉況の安定又は不安定を診断することにより、オペレータの能力や経験等に依存することなく炉況の安定又は不安定を診断することができる。
(Score calculation model)
The score calculation model in this embodiment calculates an instability score St, which is a determination factor for instability of the furnace state of a blast furnace, by inputting data of operation management indicators (hereinafter referred to as index data) described later. As described later, by comparing the instability score St with a threshold value Sth, it is possible to diagnose whether the furnace state is stable or unstable. By diagnosing the stability or instability of the furnace state using the instability score St calculated from the score calculation model, it is possible to diagnose the stability or instability of the furnace state without depending on the ability, experience, etc. of the operator.
スコア計算モデルは、公知の機械学習アルゴリズムをベースとして構築される。この機械学習アルゴリズムとしては、例えば、Оｎｅ Ｃｌａｓｓ ＳＶＭ（Ｓｕｐｐоｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）やオートエンコーダ（自己符号化器）を用いることができる。Оｎｅ Ｃｌａｓｓ ＳＶＭは、機械学習の分類アルゴリズムであるＳＶＭを教師なしの１クラス分類に応用した手法であり、正常データとして１つのクラス分を学習させ、識別境界を決定することで、その境界を基準に外れ値を検出するものである。オートエンコーダは、機械学習においてニューラルネットワークを利用したアルゴリズムである。Оｎｅ Ｃｌａｓｓ ＳＶＭ及びオートエンコーダは、公知の技術であるため、詳細な説明は省略する。 The score calculation model is constructed based on a known machine learning algorithm. Examples of such machine learning algorithms include One Class SVM (Support Vector Machine) and autoencoders. One Class SVM is a method that applies SVM, a machine learning classification algorithm, to unsupervised single-class classification. It trains one class of normal data, determines a classification boundary, and then detects outliers based on that boundary. An autoencoder is an algorithm that uses a neural network in machine learning. One Class SVM and autoencoders are known technologies, so detailed explanations are omitted.
（操業管理指標）
操業管理指標は、炉況の安定又は不安定の診断に影響を与える指標であり、一般的には、高炉の操業を管理するために用いられている指標である。操業管理指標としては、例えば、下記表１に示す指標が挙げられる。下記表１に示す通り、操業管理指標には、炉頂で取得される指標、炉内又は炉壁で取得される指標、羽口又は出銑口で取得される指標がある。なお、操業管理指標は、下記表１に示す指標に限るものではない。また、操業管理指標は、下記表１に挙げたすべての指標である必要は無く、下記表１に挙げた指標のうち、炉況の安定又は不安定を診断する上で重要度の高い一部（複数）の指標だけであってもよい。
(Operational management indicators)
Operational control indicators are indicators that affect the diagnosis of the stability or instability of furnace conditions, and are generally used to manage the operation of a blast furnace. Examples of operational control indicators include the indicators shown in Table 1 below. As shown in Table 1 below, operational control indicators include indicators obtained at the furnace top, indicators obtained inside the furnace or on the furnace wall, and indicators obtained at the tuyere or tap hole. Note that the operational control indicators are not limited to the indicators shown in Table 1 below. Furthermore, the operational control indicators do not need to be all the indicators listed in Table 1 below, and may be only a portion (multiple) of the indicators listed in Table 1 below that are highly important in diagnosing the stability or instability of furnace conditions.
指標データは、高炉に設置したセンサによって測定することもできるし、センサの測定データに対して演算処理を行うことによって求めることもできる。また、指標データは、所定周期で取得することができる。所定周期は、適宜決めることができるが、例えば、１０分以上、６０分以下のうちの任意の時間とすることができ、例えば３０分とすることができる。 The index data can be measured by a sensor installed in the blast furnace, or can be calculated by performing arithmetic processing on the sensor measurement data. The index data can also be acquired at a predetermined interval. The predetermined interval can be determined as appropriate, but can be any time between 10 minutes and 60 minutes, for example, 30 minutes.
上記表１に示す各操業管理指標の内容について以下に説明する。なお、以下に説明する各操業管理指標の測定方法又は演算方法は公知であるため、詳細な説明は省略する。 The details of each operational management indicator shown in Table 1 above are explained below. Note that the measurement or calculation methods for each operational management indicator described below are publicly known, so detailed explanations will be omitted.
「日内装入回数」とは、装入物（コークスや鉱石）を高炉に装入するときにおいて、１日あたりに装入されるチャージの回数（総数）である。「片持ちゾンデ温度」とは、炉口部に設置された片持ちゾンデによって測定される炉内ガス温度［℃］である。「炉頂平均温度」とは、炉頂部の上昇管で測定される炉頂ガス温度の平均値［℃］である。「差指降下異常回数」とは、高炉内における装入物の降下異常現象（いわゆるスリップやドロップ等）の発生回数である。「着床時装入深度」とは、サウンジングが装入物に着床したときの深度［ｍ］である。「巻き上げ時装入深度」とは、サウンジングの巻き上げ時の装入物の深度［ｍ］である。「サウンジング降下速度」とは、サウンジングによって測定される装入物の降下速度［ｍｍ／ｍｉｎ］である。「差指層厚比」とは、サウンジングによって測定される鉱石とコークスの層厚比［％］である。 "Daily charging count" refers to the total number of charges (coke or ore) charged per day into a blast furnace. "Cantilever probe temperature" refers to the furnace gas temperature [°C] measured by a cantilever probe installed at the furnace throat. "Average furnace top temperature" refers to the average furnace top gas temperature [°C] measured by the riser pipe at the top of the furnace. "Number of abnormal index finger descents" refers to the number of times abnormal burden descents (such as slips or drops) occur within the blast furnace. "Charging depth at landing" refers to the depth [m] of the burden when the sounding lands on it. "Charging depth at hoisting" refers to the depth [m] of the burden when the sounding is hoisted up. "Sounding descent rate" refers to the descent rate [mm/min] of the burden measured by sounding. "Index finger layer thickness ratio" is the ratio of ore to coke layer thickness [%] measured by sounding.
「炉頂ガスＣＯ分析値」、「炉頂ガスＣＯ２分析値」、「炉頂ガスＨ２分析値」、「炉頂ガスＮ２分析値」及び「炉頂ガスＣＨ４分析値」とは、炉頂部で測定される、炉頂ガスに含まれる各ガス成分（ＣＯ、ＣＯ２、Ｈ２、Ｎ２、ＣＨ４）の組成［ｍоｌ％］である。「炉頂ガス流量」とは、炉頂部で測定される炉頂ガスの流量［Ｎｍ３／ｍｉｎ］である。「炉口ガス流速」とは、炉頂ガス流量を炉口断面積で除算して求められる炉頂ガスの流速［ｍ／ｓｅｃ］である。「炉頂散水流量」とは、炉頂温度を調整するために炉内で散水される冷却水の流量［ｔ／ｈ］である。 "Top gas CO analysis value,""top gas CO2 analysis value,""top gas H2 analysis value,""top gas N2 analysis value," and "top gas CH4 analysis value" are the compositions [mol%] of each gas component (CO, CO2 , H2 , N2 , CH4 ) contained in the top gas measured at the top of the furnace. "Top gas flow rate" is the flow rate [ Nm3 /min] of the top gas measured at the top of the furnace. "Furnace throat gas flow rate" is the flow rate [m/sec] of the top gas calculated by dividing the top gas flow rate by the cross-sectional area of the furnace throat. "Top water spray flow rate" is the flow rate [t/h] of cooling water sprayed in the furnace to adjust the furnace top temperature.
「炉内平均ガス流速」とは、炉頂部におけるガス量とボッシュガス量の平均を炉内平均断面積で除算して、さらに羽口先と炉頂部の平均温度と圧力で補正した平均ガス流速［ｍ／ｓｅｃ］である。「シャフト圧力」とは、シャフト部に設置された圧力センサによって測定された圧力［ｋＰａ］である。「シャフト圧力変動時間」とは、シャフト部の炉円周方向に設置された複数の圧力センサによってそれぞれ測定された圧力が各レベルで定められた所定値以上であるときの時間［ｓｅｃ］である。「ステーブ温度」とは、炉壁部のステーブで測定される温度［℃］である。 "Average gas flow velocity in the furnace" is the average gas flow velocity [m/sec] obtained by dividing the average of the gas volume and bosh gas volume at the furnace top by the average cross-sectional area in the furnace, and then correcting for the average temperature and pressure at the tuyere tip and furnace top. "Shaft pressure" is the pressure [kPa] measured by a pressure sensor installed in the shaft. "Shaft pressure fluctuation time" is the time [sec] during which the pressure measured by multiple pressure sensors installed circumferentially around the shaft is equal to or greater than a predetermined value set at each level. "Stave temperature" is the temperature [°C] measured at the stave in the furnace wall.
「Ｋ値（全体）」とは、下記式（１）によって算出される高炉全体での通気抵抗指数［－］である。 The "K value (overall)" is the permeability resistance index [-] for the entire blast furnace, calculated using the following formula (1):
上記式（１）において、Ｐｂｌａｓｔは送風圧［ｋｇ／ｃｍ２］、Ｐｔоｐは炉頂圧［ｋｇ／ｃｍ２］、Ｖはボッシュガス量［Ｎｍ３／ｍｉｎ］である。上記表１に示すＫ値（上部・中部・下部）は、炉高方向で互いに異なる位置（上部、中部及び下部）に設置された圧力センサのそれぞれによって測定された圧力を用いて、上記式（１）の応用式（炉頂圧Ｐｔоｐを上部、中部及び下部のそれぞれの圧力に置き換えた式）から算出される通気抵抗指数である。 In the above formula (1), P blast is the blast pressure [kg/cm 2 ], P top is the furnace top pressure [kg/cm 2 ], and V is the bosh gas volume [Nm 3 /min]. The K values (upper, middle, lower) shown in Table 1 above are airflow resistance indexes calculated from an application formula of the above formula (1) (a formula in which the furnace top pressure P top is replaced with the pressure at the upper, middle, and lower parts) using the pressures measured by the pressure sensors installed at different positions in the furnace height direction (upper, middle, and lower parts).
「ＳＬＣ量」とは、羽口先の送風条件と炉頂ガス条件から算出される高炉内でのソリューションロスカーボン量［ｋｇ／ｔ－ｐ］である。「総合熱負荷」とは、ステーブの冷却水の入側温度及び出側温度、水の比熱、冷却水の流量から算出される熱負荷を高炉全体において合計した値［ＭＷ］である。「送風圧力」とは、環状管前で測定される熱風の圧力［ｋＰａ］である。「羽口先微粉炭比」とは、銑鉄１トンあたりの微粉炭の吹込み量［ｋｇ／ｔ－ｐ］である。「ＰＣＩ吹込み量」とは、送風量あたりの微粉炭の吹込み量（実績値）［ｇ／Ｎｍ３］である。「ＩｎｐｕｔＨ２」とは、銑鉄１トンあたりの水素投入量［ｋｇ／ｔ－ｐ］である。 "SLC amount" is the amount of solution loss carbon [kg/t-p] in the blast furnace calculated from the blast conditions at the tuyere end and the furnace top gas conditions. "Total heat load" is the total heat load [MW] calculated from the inlet and outlet temperatures of the stave cooling water, the specific heat of the water, and the flow rate of the cooling water over the entire blast furnace. "Blast pressure" is the pressure [kPa] of the hot blast measured in front of the annular pipe. "Tuyere end pulverized coal ratio" is the amount of pulverized coal injected per ton of pig iron [kg/t-p]. "PCI injection amount" is the amount of pulverized coal injected per blast volume (actual value) [g/Nm 3 ]. "Input H 2 " is the amount of hydrogen input [kg/t-p] per ton of pig iron.
「羽口先銑鉄生成量」とは、羽口先に降下した原料から算出される１日あたり銑鉄生成量［ｔ／Ｄ］である。「羽口先スラグ生成量」とは、羽口先に降下した原料から算出される１日あたりのスラグ生成量［ｔ／Ｄ］である。「ＰＣ置換率」とは、微粉炭及びコークス中の炭素分から算出される微粉炭とコークスの置換率［－］である。「溶銑温度」とは、溶銑樋で温度センサによって測定される溶銑の温度［℃］である。 "Amount of pig iron produced at the tuyere" is the amount of pig iron produced per day [t/D] calculated from the raw materials that have descended to the tuyere. "Amount of slag produced at the tuyere" is the amount of slag produced per day [t/D] calculated from the raw materials that have descended to the tuyere. "PC replacement rate" is the replacement rate of pulverized coal and coke [-] calculated from the carbon content in the pulverized coal and coke. "Hot metal temperature" is the temperature of the molten iron [°C] measured by a temperature sensor in the hot metal runner.
上記表１に示す操業管理指標の中には、高炉の互いに異なる複数の位置（炉周方向や炉高方向において互いに異なる複数の位置）で取得される複数の指標データを含む操業管理指標がある。この場合には、操業管理指標の指標データとして、複数の指標データの平均値を用いることができる。例えば、着床時装入深度の指標データとして、炉周方向の複数の位置における着床時装入深度の平均値を用いることができ、巻き上げ時装入深度の指標データとして、炉周方向の複数の位置における巻き上げ時装入深度の平均値を用いることができる。 Among the operational management indicators shown in Table 1 above, there are operational management indicators that include multiple index data acquired at multiple different positions on the blast furnace (multiple different positions in the furnace circumferential direction and furnace height direction). In this case, the average value of the multiple index data can be used as the index data for the operational management indicator. For example, the average value of the charging depth at time of landing at multiple positions in the furnace circumferential direction can be used as the index data for the charging depth at time of landing, and the average value of the charging depth at time of hoisting at multiple positions in the furnace circumferential direction can be used as the index data for the charging depth at time of hoisting.
シャフト圧力、シャフト圧力変動時間、ステーブ温度といった操業管理指標の指標データは、炉周方向及び炉高方向における複数の位置で測定されることがあるため、この場合には、各操業管理指標の指標データとして、複数の位置における指標データの平均値を用いることができる。差指降下異常回数における降下異常現象は、炉周方向における複数の位置で発生することがあるため、差指降下異常回数の指標データとして、炉周方向における複数の位置（例えば４方位）での差指降下異常回数の合計値を用いることができる。 Indicator data for operational control indicators such as shaft pressure, shaft pressure fluctuation time, and stave temperature may be measured at multiple positions in the furnace circumferential and furnace height directions. In such cases, the average value of the indicator data at multiple positions can be used as the indicator data for each operational control indicator. Abnormal descent phenomena in the number of abnormal index finger descents may occur at multiple positions in the furnace circumferential direction. Therefore, the total number of abnormal index finger descents at multiple positions in the furnace circumferential direction (e.g., four directions) can be used as the indicator data for the number of abnormal index finger descents.
（不安定スコアＳｔ）
不安定スコアＳｔとは、炉況の不安定の程度を示すスコアであって、炉況の安定又は不安定を診断するために閾値と比較されるスコアである。本実施形態では、不安定スコアＳｔが大きいほど、炉況が不安定になりやすいことを意味し、言い換えれば、不安定スコアＳｔが小さいほど、炉況が安定になりやすいことを意味する。本実施形態では、不安定スコアＳｔを０．０以上、１．０以下の範囲内で設定しているが、これに限るものではない。なお、本実施形態における不安定スコアＳｔは、特許文献１に記載の総合不安定スコアＳｔに相当するものである。
(Instability score St)
The instability score St is a score indicating the degree of instability of the reactor state, and is a score compared with a threshold value to diagnose the stability or instability of the reactor state. In this embodiment, the larger the instability score St, the more likely the reactor state is to become unstable. In other words, the smaller the instability score St, the more likely the reactor state is to become stable. In this embodiment, the instability score St is set within a range of 0.0 or more and 1.0 or less, but is not limited thereto. Note that the instability score St in this embodiment corresponds to the total instability score St described in Patent Document 1.
（炉況の診断方法）
炉況の診断方法について、図１に示すフローチャートを用いて説明する。炉況の診断方法では、以下に説明するように、炉況が安定であるか、又は炉況が不安定であるかを診断する。
(Method of diagnosing furnace conditions)
The method for diagnosing the furnace state will be described with reference to the flowchart shown in Fig. 1. In the method for diagnosing the furnace state, as will be described below, it is determined whether the furnace state is stable or unstable.
ステップＳ１０１では、操業管理指標の指標データを取得する。ステップＳ１０２では、ステップＳ１０１で取得した指標データをスコア計算モデルに入力することにより、不安定スコアＳｔ＿ｍоｄｅｌを求める。上述したように、スコア計算モデルでは、指標データを入力することにより、不安定スコアＳｔ＿ｍоｄｅｌが出力されるようになっている。 In step S101, index data for operation management indicators is acquired. In step S102, the index data acquired in step S101 is input into the score calculation model to determine the instability score St_model. As described above, the score calculation model is designed to output the instability score St_model when index data is input.
ここで、スコア計算モデルを用いて不安定スコアＳｔ＿ｍоｄｅｌを求める方法（一例）について、以下に説明する。 Here, we will explain (one example) how to calculate the instability score St_model using the score calculation model.
スコア計算モデルのベースとなる機械学習アルゴリズムとしてОｎｅ Ｃｌａｓｓ ＳＶＭを用いた場合には、指標データについて、炉況が安定であるとみなせる領域（以下、「安定領域」という）の識別境界を求めておく。そして、識別境界と、不安定スコアＳｔ＿ｍоｄｅｌを求めようとする指標データとの距離を不安定スコアＳｔ＿ｍоｄｅｌとして規定することができる。ここで、安定領域の識別境界については、不安定スコアＳｔ＿ｍоｄｅｌを０．０として規定し、識別境界からの距離が最大であるときのユークリッド距離について、不安定スコアＳｔ＿ｍоｄｅｌを１．０として規定することができる。そして、識別境界からの距離に応じて、不安定スコアＳｔ＿ｍоｄｅｌを０．０以上、１．０以下の範囲内で規定することができる。 When One Class SVM is used as the machine learning algorithm underlying the score calculation model, the discrimination boundary for the region where the reactor condition is considered stable (hereinafter referred to as the "stable region") for the index data is determined in advance. The distance between the discrimination boundary and the index data for which the instability score St_model is to be calculated can be defined as the instability score St_model. Here, for the discrimination boundary of the stable region, the instability score St_model can be defined as 0.0, and the instability score St_model can be defined as 1.0 for the Euclidean distance when the distance from the discrimination boundary is maximum. The instability score St_model can then be defined within a range of 0.0 or greater and 1.0 or less, depending on the distance from the discrimination boundary.
スコア計算モデルのベースとなる機械学習アルゴリズムとしてオートエンコーダを用いた場合には、炉況が安定であるときの指標データを入力データとし、出力データが入力データを極力正しく再現するようなモデルを作成しておく。そして、不安定スコアＳｔ＿ｍоｄｅｌを求めようとする指標データをオートエンコーダに入力したときの出力データの再現度合いを不安定スコアＳｔ＿ｍоｄｅｌとして規定することができる。ここで、再現度合いが最も高い場合には、不安定スコアＳｔ＿ｍоｄｅｌを０．０とすることができ、再現度合いが最も低い場合には、不安定スコアＳｔ＿ｍоｄｅｌを１．０とすることができる。 When an autoencoder is used as the machine learning algorithm that forms the basis of the score calculation model, index data when the reactor conditions are stable is used as input data, and a model is created in which the output data reproduces the input data as accurately as possible. The instability score St_model can then be defined as the degree of reproduction of the output data when the index data for which the instability score St_model is to be calculated is input into the autoencoder. Here, if the degree of reproduction is highest, the instability score St_model can be set to 0.0, and if the degree of reproduction is lowest, the instability score St_model can be set to 1.0.
ステップＳ１０３では、ステップＳ１０２で求められた不安定スコアＳｔ＿ｍоｄｅｌが閾値Ｓｔｈ以下であるか否かを判別する。後述するスコア計算モデルの構築方法において説明するように、閾値Ｓｔｈは、スコア計算モデルのベースとなる機械学習アルゴリズムの種類に応じて決められるため、ステップＳ１０３の閾値Ｓｔｈとしては、ステップＳ１０２で用いられる機械学習アルゴリズムに対応した閾値Ｓｔｈが用いられる。不安定スコアＳｔ＿ｍоｄｅｌが閾値Ｓｔｈ以下であるときには、ステップＳ１０４の処理に進み、不安定スコアＳｔ＿ｍоｄｅｌが閾値Ｓｔｈよりも大きいときには、ステップＳ１０５の処理に進む。 In step S103, it is determined whether the instability score St_model calculated in step S102 is equal to or less than the threshold value Sth. As will be explained in the score calculation model construction method described below, the threshold value Sth is determined depending on the type of machine learning algorithm that forms the basis of the score calculation model, and therefore the threshold value Sth used in step S103 is the threshold value Sth that corresponds to the machine learning algorithm used in step S102. If the instability score St_model is equal to or less than the threshold value Sth, processing proceeds to step S104; if the instability score St_model is greater than the threshold value Sth, processing proceeds to step S105.
ステップＳ１０４では、炉況が安定であると診断する。上述したように、本実施形態では、不安定スコアＳｔが小さいほど、炉況が安定になりやすいことを意味するため、不安定スコアＳｔ＿ｍоｄｅｌが閾値Ｓｔｈ以下であるときには、炉況が安定であると診断する。 In step S104, the reactor conditions are diagnosed as stable. As described above, in this embodiment, the smaller the instability score St, the more likely the reactor conditions are to become stable. Therefore, when the instability score St_model is equal to or less than the threshold value Sth, the reactor conditions are diagnosed as stable.
ステップＳ１０５では、炉況が不安定であると診断する。上述したように、本実施形態では、不安定スコアＳｔが大きいほど、炉況が不安定になりやすいことを意味するため、不安定スコアＳｔ＿ｍоｄｅｌが閾値Ｓｔｈよりも大きいときには、炉況が不安定であると診断する。 In step S105, the reactor condition is diagnosed as unstable. As described above, in this embodiment, the larger the instability score St, the more likely the reactor condition is to become unstable. Therefore, when the instability score St_model is greater than the threshold value Sth, the reactor condition is diagnosed as unstable.
なお、不安定スコアＳｔを規定する内容によっては、炉況の安定又は不安定を診断する上で、不安定スコアＳｔ及び閾値Ｓｔの大小関係が逆転することがある。すなわち、不安定スコアＳｔが小さいほど、炉況が不安定になりやすいことを意味する場合には、不安定スコアＳｔ＿ｍоｄｅｌが閾値Ｓｔｈ以下であるときに炉況が不安定であると診断することができる。また、不安定スコアＳｔが大きいほど、炉況が安定になりやすいことを意味する場合には、不安定スコアＳｔ＿ｍоｄｅｌが閾値Ｓｔｈよりも大きいときに炉況が安定であると診断することができる。 Note that, depending on how the instability score St is defined, the magnitude relationship between the instability score St and the threshold value St may be reversed when diagnosing whether the reactor condition is stable or unstable. In other words, if a smaller instability score St means that the reactor condition is more likely to become unstable, then the reactor condition can be diagnosed as unstable when the instability score St_model is equal to or less than the threshold value Sth. Also, if a larger instability score St means that the reactor condition is more likely to become stable, then the reactor condition can be diagnosed as stable when the instability score St_model is greater than the threshold value Sth.
図１に示す診断方法は、所定の診断装置（不図示）を用いて行うことができる。この診断装置は、指標データを取得する取得部（図１のＳ１０１）と、スコア計算モデルを用いて不安定スコアＳｔ＿ｍоｄｅｌを求める算出部（図１のＳ１０２）と、不安定スコアＳｔ＿ｍоｄｅｌ及び閾値Ｓｔｈの比較に基づいて炉況の安定／不安定を診断する診断部（図１のＳ１０３～Ｓ１０５）とを有していればよい。ここで、スコア計算モデルのベースとなる機械学習アルゴリズムや閾値Ｓｔｈは、メモリに記憶しておくことができる。メモリは、診断装置の内部に設けてもよいし、診断装置の外部に設けてもよい。メモリを診断装置の外部に設けた場合には、メモリ及び診断装置は、無線又は有線によって通信可能であればよい。 The diagnostic method shown in Figure 1 can be performed using a specified diagnostic device (not shown). This diagnostic device may include an acquisition unit (S101 in Figure 1) that acquires index data, a calculation unit (S102 in Figure 1) that calculates the instability score St_model using a score calculation model, and a diagnostic unit (S103-S105 in Figure 1) that diagnoses the stability/instability of the furnace condition based on a comparison of the instability score St_model and a threshold value Sth. Here, the machine learning algorithm and threshold value Sth that form the basis of the score calculation model can be stored in memory. The memory may be provided inside or outside the diagnostic device. If the memory is provided outside the diagnostic device, the memory and diagnostic device may be able to communicate wirelessly or via a wired connection.
炉況が不安定であると診断したときには、高炉操業の操作因子を適切に調整する操業アクションを行うことにより、炉況の不安定を解消させることができる。ここで、高炉操業の操作因子としては、例えば、羽口からの送風条件、炉頂からの原料（コークスや鉱石）の装入条件、原料の性状が挙げられる。炉況の不安定が解消したか否かは、上述した操業アクションを行った後において、図１に示す処理を行えばよい。 When it is determined that the furnace condition is unstable, operational actions can be taken to appropriately adjust the operational factors of the blast furnace operation, thereby resolving the unstable furnace condition. Examples of operational factors for blast furnace operation include the blast conditions from the tuyere, the conditions for charging raw materials (coke and ore) from the furnace top, and the properties of the raw materials. Whether the unstable furnace condition has been resolved can be determined by performing the process shown in Figure 1 after taking the operational actions described above.
（スコア計算モデルの構築方法）
スコア計算モデルの構築方法について、図２に示すフローチャートを用いて説明する。図３は、スコア計算モデルの構築方法を実行するシステムの構成を示すブロック図である。図３に示すシステム１０によって、図２に示す処理を実行することができる。
(How to build a score calculation model)
The method for constructing a score calculation model will be described with reference to the flowchart shown in Fig. 2. Fig. 3 is a block diagram showing the configuration of a system for executing the method for constructing a score calculation model. The system 10 shown in Fig. 3 can execute the process shown in Fig. 2.
ステップＳ２０１では、期間Ａで取得した複数の指標データに基づいて、オペレータが不安定スコアＳｔ＿оｐｅを決定する。ここで、図３に示すシステム１０においては、オペレータが決定した不安定スコアＳｔ＿оｐｅを取得することになる。 In step S201, the operator determines the instability score St_ope based on multiple index data acquired during period A. Here, in the system 10 shown in Figure 3, the instability score St_ope determined by the operator is acquired.
期間Ａは、適宜決めることができ、例えば、１か月とすることができる。また、指標データは、期間Ａ内において、所定の周期Δｔ１で取得することができ、この周期Δｔ１としては、例えば、１時間とすることができる。オペレータとしては、能力や経験を十分に備えたオペレータとすることができる。オペレータは、指標データを取得するたびに、自己の経験に基づいて、指標データから不安定スコアＳｔ＿оｐｅを決定する。不安定スコアＳｔ＿оｐｅは、指標データを取得した数だけ発生する。 The period A can be determined as appropriate, for example, one month. Furthermore, the index data can be acquired at a predetermined cycle Δt1 within the period A, which cycle Δt1 can be, for example, one hour. The operator can be an operator with sufficient ability and experience. Each time index data is acquired, the operator determines an instability score St_ope from the index data based on their own experience. An instability score St_ope is generated for each index data acquired.
ステップＳ２０２において、不安定スコア算出部１１は、ルールベースモデルを用いることにより、期間Ｂ内において、所定の周期Δｔ２で取得された指標データから不安定スコアＳｔ＿ｒを求める。ルールベースモデルとは、高炉操業のエキスパートの経験則から作成されたルールに基づいて、指標データから不安定スコアＳｔ＿ｒを求めるモデルである。ルールベースモデルでは、指標データ及び不安定スコアＳｔ＿ｒの相関関係を示すルールが予め決められているため、このルールに従って指標データから不安定スコアＳｔ＿ｒを求めることができる。 In step S202, the instability score calculation unit 11 uses a rule-based model to calculate the instability score St_r from the index data acquired at a predetermined cycle Δt2 within period B. A rule-based model is a model that calculates the instability score St_r from the index data based on rules created from the empirical rules of blast furnace operation experts. In the rule-based model, rules that indicate the correlation between the index data and the instability score St_r are predetermined, so the instability score St_r can be calculated from the index data in accordance with these rules.
上述した期間Ｂは、ステップＳ２０１で説明した期間Ａと同じ期間であってもよいし、期間Ａと異なる期間であってもよい。ここで、期間Ｂは、期間Ａよりも長いことが好ましい。また、上述した周期Δｔ２は、ステップＳ２０１で説明した周期Δｔ１よりも短い周期であり、例えば、１分とすることができる。不安定スコアＳｔ＿ｒは、期間Ｂ内で指標データを取得した数だけ発生するが、期間Ｂを期間Ａよりも長くしたり、周期Δｔ２を周期Δｔ１よりも短くしたりすることにより、不安定スコアＳｔ＿ｒの総数をステップＳ２０１で決定される不安定スコアＳｔ＿оｐｅの総数よりも増やすことができる。 The above-mentioned period B may be the same period as period A described in step S201, or may be a period different from period A. Here, period B is preferably longer than period A. Furthermore, the above-mentioned cycle Δt2 is a cycle shorter than the cycle Δt1 described in step S201, and can be, for example, one minute. The instability score St_r is generated for the number of index data acquired within period B, but by making period B longer than period A or making cycle Δt2 shorter than cycle Δt1, the total number of instability scores St_r can be increased beyond the total number of instability scores St_ope determined in step S201.
ステップＳ２０２で求められる不安定スコアＳｔ＿ｒは、後述するステップＳ２０５においてスコア計算モデルを構築するために用いられる。具体的には、以下で詳細に説明するように、閾値Ｓｔｈ以下である不安定スコアＳｔ＿ｒを求めたときの指標データを、スコア計算モデルを構築するための教師データとして用いる。スコア計算モデル（機械学習アルゴリズム）を構築する上では、より多くの教師データを用いたほうが、スコア計算モデルによる計算精度を向上させることができる。そこで、教師データ（指標データ）を増やすために、上述したように、不安定スコアＳｔ＿ｒの総数を不安定スコアＳｔ＿оｐｅの総数よりも増やすようにしている。 The unstable score St_r obtained in step S202 is used to construct a score calculation model in step S205, which will be described later. Specifically, as will be explained in detail below, the index data used when the unstable score St_r, which is equal to or less than the threshold value Sth, is obtained is used as training data for constructing the score calculation model. When constructing a score calculation model (machine learning algorithm), using more training data can improve the calculation accuracy of the score calculation model. Therefore, in order to increase the training data (index data), the total number of unstable scores St_r is made larger than the total number of unstable scores St_ope, as described above.
ステップＳ２０２の処理を行うことにより、図４に示す頻度分布（一例）を得ることができる。図４は、ステップＳ２０２で求められたすべての不安定スコアＳｔ＿ｒについて、頻度分布（一例）を示したものである。図４において、横軸は不安定スコアＳｔ＿ｒ（０．０以上、１．０以下）であり、縦軸は各不安定スコアＳｔ＿ｒの相対頻度［－］である。 By performing the processing of step S202, the frequency distribution (example) shown in Figure 4 can be obtained. Figure 4 shows the frequency distribution (example) for all instability scores St_r obtained in step S202. In Figure 4, the horizontal axis represents the instability score St_r (0.0 or greater, 1.0 or less), and the vertical axis represents the relative frequency [-] of each instability score St_r.
ステップＳ２０３において、閾値設定部１２は、任意の閾値Ｓｔｈを候補値として設定する。候補値として設定される閾値Ｓｔｈは、所定範囲内に含まれる複数の閾値Ｓｔであり、所定範囲を規定する上限値及び下限値は、適宜決めることができる。本実施形態では、不安定スコアＳｔが０．０以上、１．０以下の値をとりうるため、所定範囲は０．０以上、１．０以下に含まれる範囲となる。後述するように、閾値Ｓｔｈは、炉況が安定であるとみなせる指標データを特定するために用いられるため、不安定スコアＳｔが比較的小さい範囲を所定範囲とすることが好ましい。例えば、所定範囲を０．０以上、０．５以下とすることができる。 In step S203, the threshold setting unit 12 sets an arbitrary threshold value Sth as a candidate value. The threshold value Sth set as a candidate value is a plurality of threshold values St included in a predetermined range, and the upper and lower limit values defining the predetermined range can be determined as appropriate. In this embodiment, since the instability score St can take values greater than or equal to 0.0 and less than or equal to 1.0, the predetermined range is a range between 0.0 and 1.0. As will be described later, the threshold value Sth is used to identify index data for which the reactor condition can be considered stable, so it is preferable to set the predetermined range to a range in which the instability score St is relatively small. For example, the predetermined range can be set to be greater than or equal to 0.0 and less than or equal to 0.5.
ステップＳ２０４において、スコア計算モデル構築部１３は、ステップＳ２０２で求められた複数の不安定スコアＳｔ＿ｒと、ステップＳ２０３で設定された閾値Ｓｔｈ（候補値）とに基づいて、炉況が安定であるとみなせる指標データを抽出する。具体的には、まず、ステップＳ２０２で求められたすべての不安定スコアＳｔ＿ｒの中から、閾値Ｓｔｈ（候補値）以下である不安定スコアＳｔ＿ｒを抽出する。抽出される不安定スコアＳｔ＿ｒは、図４に示す頻度分布のうちの少なくとも一部となる。ここで、ステップＳ２０３で設定される閾値Ｓｔｈ（候補値）が変われば、抽出される不安定スコアＳｔ＿ｒも変わる。 In step S204, the score calculation model construction unit 13 extracts index data that indicates that the reactor condition is considered to be stable, based on the multiple instability scores St_r obtained in step S202 and the threshold value Sth (candidate value) set in step S203. Specifically, first, from all the instability scores St_r obtained in step S202, instability scores St_r that are equal to or less than the threshold value Sth (candidate value) are extracted. The extracted instability scores St_r are at least a part of the frequency distribution shown in Figure 4. Here, if the threshold value Sth (candidate value) set in step S203 changes, the extracted instability scores St_r also change.
次に、抽出した不安定スコアＳｔ＿ｒを求めたときの指標データを特定する。ステップＳ２０２において、ルールベースモデルによって指標データから不安定スコアＳｔ＿ｒを求めたとき、指標データ及び不安定スコアＳｔ＿ｒを紐付けた状態でメモリに記憶しておけば、抽出した不安定スコアＳｔ＿ｒを求めたときの指標データを特定することができる。 Next, the index data used when the extracted instability score St_r was obtained is identified. In step S202, when the instability score St_r is obtained from the index data using the rule-based model, if the index data and the instability score St_r are stored in memory in a linked state, the index data used when the extracted instability score St_r was obtained can be identified.
ステップＳ２０５において、スコア計算モデル構築部１３は、ステップＳ２０４で抽出された指標データを用いてスコア計算モデルを構築する。具体的には、指標データをスコア計算モデルの教師データとして用い、機械学習アルゴリズムからスコア計算モデルを構築する。教師データを用いたスコア計算モデル（機械学習アルゴリズム）の構築は、公知の手法を利用することができるため、詳細な説明は省略する。ステップＳ２０５で構築されるスコア計算モデルは、上述した複数種類の機械学習アルゴリズム（Оｎｅ Ｃｌａｓｓ ＳＶＭやオートエンコーダ）のうちの任意の１つの機械学習アルゴリズムであり、予め決めておくことができる。 In step S205, the score calculation model construction unit 13 constructs a score calculation model using the index data extracted in step S204. Specifically, the index data is used as training data for the score calculation model, and the score calculation model is constructed from a machine learning algorithm. Since well-known techniques can be used to construct a score calculation model (machine learning algorithm) using training data, a detailed explanation will be omitted. The score calculation model constructed in step S205 is any one of the multiple types of machine learning algorithms described above (One Class SVM or autoencoder), and can be determined in advance.
ステップＳ２０６において、不安定スコア算出部１４は、ステップＳ２０５で構築されたスコア計算モデルを用い、ステップＳ２０１で説明した期間Ａ内で取得した指標データから不安定スコアＳｔ＿ｍоｄｅｌを求める。ステップＳ２０１で説明したとおり、期間Ａ内において複数の指標データが取得されるため、各指標データをスコア計算モデルに入力することにより不安定スコアＳｔ＿ｍоｄｅｌが求められる。ここで、不安定スコアＳｔ＿ｍоｄｅｌの総数は、ステップＳ２０１で決定された不安定スコアＳｔ＿оｐｅの総数と同じである。 In step S206, the instability score calculation unit 14 uses the score calculation model constructed in step S205 to calculate the instability score St_model from the index data acquired within period A described in step S201. As described in step S201, multiple index data are acquired within period A, and the instability score St_model is calculated by inputting each index data into the score calculation model. Here, the total number of instability scores St_model is the same as the total number of instability scores St_ope determined in step S201.
ステップＳ２０７において、ＲＭＳＥ算出部１５は、ステップＳ２０１で決定された不安定スコアＳｔ＿оｐｅと、ステップＳ２０６で求められた不安定スコアＳｔ＿ｍоｄｅｌとに基づいて、ＲＭＳＥ（Root Mean Squared Error，二乗平均平方根誤差）を求める。具体的には、下記式（２）に基づいてＲＭＳＥが求められる。下記式（２）において、ｎは、不安定スコアＳｔ＿ｍоｄｅｌ，Ｓｔ＿оｐｅの総数である。 In step S207, the RMSE calculation unit 15 calculates the RMSE (Root Mean Squared Error) based on the instability score St_ope determined in step S201 and the instability score St_model calculated in step S206. Specifically, the RMSE is calculated based on the following equation (2). In the following equation (2), n is the total number of instability scores St_model and St_ope.
なお、本実施形態では、ＲＭＳＥを求めているが、これに限るものではない。ステップＳ２０１で決定された不安定スコアＳｔ＿оｐｅと、ステップＳ２０６で求められた不安定スコアＳｔ＿ｍоｄｅｌとのずれを把握できるものであればよい。 Note that in this embodiment, RMSE is calculated, but this is not limited to this. Anything that can grasp the difference between the instability score St_ope determined in step S201 and the instability score St_model calculated in step S206 will suffice.
ステップＳ２０８において、閾値設定部１２は、ステップＳ２０３で説明した所定範囲内に含まれるすべての閾値Ｓｔｈを候補値として設定したか否かを判別する。ここで、すべての閾値Ｓｔｈを候補値として設定した場合には、ステップＳ２０９の処理に進む。一方、すべての閾値Ｓｔｈを候補値として設定していない場合には、ステップＳ２０３の処理に戻り、設定されていない閾値Ｓｔｈを候補値として設定する。そして、ステップＳ２０４からステップＳ２０７までの処理を行う。このように、すべての閾値Ｓｔｈが候補値として設定されるまで、ステップＳ２０３からステップＳ２０８までの処理が繰り返される。これにより、ステップＳ２０３で設定される閾値Ｓｔｈ（候補値）の数だけ、ＲＭＳＥが求められる。 In step S208, the threshold setting unit 12 determines whether all thresholds Sth included in the predetermined range described in step S203 have been set as candidate values. If all thresholds Sth have been set as candidate values, the process proceeds to step S209. On the other hand, if all thresholds Sth have not been set as candidate values, the process returns to step S203, and the thresholds Sth that have not been set are set as candidate values. Then, the processes from step S204 to step S207 are performed. In this way, the processes from step S203 to step S208 are repeated until all thresholds Sth have been set as candidate values. As a result, the RMSE is calculated for each threshold Sth (candidate value) set in step S203.
図５には、２種類の機械学習アルゴリズムについて、ＲＭＳＥ及び閾値Ｓｔｈ（候補値）の関係（一例）を示す。機械学習アルゴリズムとしては、Оｎｅ Ｃｌａｓｓ ＳＶＭ及びオートエンコーダを用いている。また、閾値Ｓｔｈの候補値の範囲は、０．１以上、０．５以下としている。図５に示すように、閾値Ｓｔｈ（候補値）に応じてＲＭＳＥが変化し、各機械学習アルゴリズムでは、ＲＭＳＥの極小値が発生している。 Figure 5 shows an example of the relationship between RMSE and threshold Sth (candidate value) for two types of machine learning algorithms. One Class SVM and autoencoder are used as machine learning algorithms. The candidate values for threshold Sth range from 0.1 to 0.5. As shown in Figure 5, RMSE changes depending on threshold Sth (candidate value), and a minimum value of RMSE occurs for each machine learning algorithm.
ステップＳ２０９において、閾値決定部１６は、候補値として設定されたすべての閾値Ｓｔｈのうち、ステップＳ２０７で求められたＲＭＳＥが最も小さい値を示す閾値Ｓｔｈを決定する。ここで、ステップＳ２０７でＲＭＳＥを求めたとき、このＲＭＳＥと、ステップＳ２０３で設定された閾値Ｓｔ（候補値）とを紐付けた状態でメモリに記憶しておけば、最も小さいＲＭＳＥを示す閾値Ｓｔｈを特定することができる。 In step S209, the threshold determination unit 16 determines the threshold Sth that indicates the smallest RMSE calculated in step S207 from among all thresholds Sth set as candidate values. Here, when the RMSE is calculated in step S207, if this RMSE is stored in memory in association with the threshold St (candidate value) set in step S203, it is possible to identify the threshold Sth that indicates the smallest RMSE.
図５に示す例において、機械学習アルゴリズムがОｎｅ Ｃｌａｓｓ ＳＶＭであるときには、ＲＭＳＥが最小となるときの閾値Ｓｔｈは０．３０となる。一方、機械学習アルゴリズムがオートエンコーダであるときには、ＲＭＳＥが最小となるときの閾値Ｓｔｈは２．２５となる。 In the example shown in Figure 5, when the machine learning algorithm is One Class SVM, the threshold Sth at which RMSE is minimized is 0.30. On the other hand, when the machine learning algorithm is an autoencoder, the threshold Sth at which RMSE is minimized is 2.25.
ステップＳ２０９で決定された閾値Ｓｔｈは、炉況が安定又は不安定であるかを診断するときにおいて、ステップＳ２０５で構築されたスコア計算モデルから求められる不安定スコアＳｔ＿ｍоｄｅｌと比較される閾値Ｓｔｈとして用いられる。ここで、ステップＳ２０９で決定された閾値Ｓｔｈは、ステップＳ２０５で構築されたスコア計算モデルと紐付けられた状態でメモリに記憶しておくことができる。 The threshold value Sth determined in step S209 is used as the threshold value Sth to be compared with the instability score St_model obtained from the score calculation model constructed in step S205 when diagnosing whether the reactor condition is stable or unstable. Here, the threshold value Sth determined in step S209 can be stored in memory in a state linked to the score calculation model constructed in step S205.
上述したようにスコア計算モデルを構築するとともに（図２のＳ２０５）、このスコア計算モデルで用いられる閾値Ｓｔｈを決定すれば（図２のＳ２０９）、図１に示すフローチャートで説明したように炉況の診断を行うことができる。この炉況の診断では、図２のステップＳ２０９で決定された閾値Ｓｔｈを設定したときに構築されたスコア計算モデル（図２のステップＳ２０５）が用いられる。また、炉況が安定であるか不安定であるかを診断するための閾値Ｓｔｈとしては、図２のステップＳ２０９で決定された閾値Ｓｔｈが用いられる。 Once a score calculation model is constructed as described above (S205 in Figure 2) and the threshold value Sth used in this score calculation model is determined (S209 in Figure 2), the furnace status can be diagnosed as described in the flowchart shown in Figure 1. This furnace status diagnosis uses the score calculation model (step S205 in Figure 2) constructed when the threshold value Sth determined in step S209 in Figure 2 is set. Furthermore, the threshold value Sth determined in step S209 in Figure 2 is used as the threshold value Sth for diagnosing whether the furnace status is stable or unstable.
図２のステップＳ２０７で求められるＲＭＳＥは、オペレータによって決定された不安定スコアＳｔ＿оｐｅ（図２のＳ２０１）と、スコア計算モデルから求められた不安定スコアＳｔ＿ｍоｄｅｌ（図２のＳ２０６）とのずれを示す。このため、ＲＭＳＥが最小であるときには、不安定スコアＳｔ＿оｐｅ及び不安定スコアＳｔ＿ｍоｄｅｌのずれが最も小さいことを意味する。 The RMSE calculated in step S207 of Figure 2 indicates the deviation between the instability score St_ope determined by the operator (S201 of Figure 2) and the instability score St_model calculated from the score calculation model (S206 of Figure 2). Therefore, when the RMSE is minimum, it means that the deviation between the instability score St_ope and the instability score St_model is smallest.
上述したように、ＲＭＳＥが最小となるときの閾値Ｓｔｈ及びスコア計算モデルの組み合わせを用いて炉況の診断を行うことにより、指標データから求められる不安定スコアＳｔ＿ｍоｄｅｌを、オペレータによって決定される不安定スコアＳｔ＿оｐｅ（図２のＳ２０１）に最も近づけることができる。これにより、スコア計算モデルを用いて、オペレータと同様の不安定スコアＳｔを導き出すことができる。 As described above, by diagnosing the reactor condition using the combination of the threshold value Sth and score calculation model that minimizes the RMSE, the instability score St_model obtained from the index data can be brought closest to the instability score St_ope determined by the operator (S201 in Figure 2). This makes it possible to use the score calculation model to derive an instability score St similar to that of the operator.
オペレータによって不安定スコアＳｔ＿оｐｅを決定する場合には、この決定作業に限界があるため、数多くの不安定スコアＳｔ＿оｐｅを決定することはできない。一方、本実施形態のようにスコア計算モデルを構築すれば、スコア計算モデルに指標データを入力するだけで、不安定スコアＳｔ＿ｍоｄｅｌを求めることができ、オペレータの決定作業で生じる限界は生じない。 When the instability score St_ope is determined by an operator, there are limits to this determination process, and it is not possible to determine a large number of instability scores St_ope. On the other hand, if a score calculation model is constructed as in this embodiment, the instability score St_model can be calculated simply by inputting index data into the score calculation model, and there are no limits imposed by the operator's determination process.
また、ＲＭＳＥが最小となるときの閾値Ｓｔｈは、スコア計算モデルから求められる不安定スコアＳｔ＿ｍоｄｅｌを用いて炉況の安定又は不安定を診断するのに適した値となる。すなわち、スコア計算モデルから求められた不安定スコアＳｔ＿ｍоｄｅｌを閾値Ｓｔｈと比較した結果（炉況の安定／不安定）は、オペレータによって診断される結果（炉況の安定／不安定）と同等になりやすい。 Furthermore, the threshold value Sth at which the RMSE is minimized is a value suitable for diagnosing the stability or instability of the reactor condition using the instability score St_model obtained from the score calculation model. In other words, the result of comparing the instability score St_model obtained from the score calculation model with the threshold value Sth (stable/unstable reactor condition) is likely to be equivalent to the result of the diagnosis by the operator (stable/unstable reactor condition).
（変形例）
スコア計算モデルの構築方法の変形例について、図６に示すフローチャートを用いて説明する。図６において、図２で説明した処理と同じ処理については、図２と同じ符号を用い、詳細な説明は省略する。以下、図２で説明した処理と異なる点について、主に説明する。
(Modification)
A modified example of the method for constructing a score calculation model will be described with reference to the flowchart shown in Fig. 6. In Fig. 6, the same processes as those described in Fig. 2 are assigned the same reference numerals as in Fig. 2, and detailed descriptions thereof will be omitted. Below, differences from the processes described in Fig. 2 will be mainly described.
図２では、ステップＳ２０２において、ルールベースモデルを用いて不安定スコアＳｔ＿ｒを求めているが、図６では、ステップＳ２１０において、スコア計算モデルを用いて不安定スコアＳｔ＿ｍоｄｅｌを求めている。図２では、ステップＳ２０４において、不安定スコアＳｔ＿ｒが閾値Ｓｔｈ以下であるときの指標データを抽出しているが、図６では、ステップＳ２１１において、ステップＳ２１０で求められた不安定スコアＳｔ＿ｍоｄｅｌが閾値Ｓｔｈ以下であるときの指標データを抽出している。 In Figure 2, the instability score St_r is calculated using a rule-based model in step S202, but in Figure 6, the instability score St_model is calculated using a score calculation model in step S210. In Figure 2, in step S204, index data is extracted when the instability score St_r is equal to or less than the threshold value Sth, but in Figure 6, in step S211, index data is extracted when the instability score St_model calculated in step S210 is equal to or less than the threshold value Sth.
ステップＳ２１０で用いられるスコア計算モデルとしては、図２に示す処理において、ステップＳ２０９で決定された閾値Ｓｔｈを設定したときに構築されたスコア計算モデルを用いることができる。すなわち、最初にスコア計算モデルを構築するときには、図２に示す処理を行い、図２に示す処理によって、炉況の診断に用いられるスコア計算モデルを構築した後では、図６に示す処理を行うことができる。これにより、スコア計算モデルの計算精度を向上させることができる。 The score calculation model used in step S210 can be the score calculation model constructed when the threshold value Sth determined in step S209 is set in the process shown in Figure 2. That is, when constructing a score calculation model for the first time, the process shown in Figure 2 is performed, and after constructing a score calculation model to be used to diagnose the furnace condition using the process shown in Figure 2, the process shown in Figure 6 can be performed. This can improve the calculation accuracy of the score calculation model.
また、図６に示す処理によって、炉況の診断に用いられる不安定スコアＳｔ＿ｍоｄｅｌを求めるスコア計算モデルを新たに構築したときであって、この後に図６に示す処理を行うときには、ステップＳ２１０で用いられるスコア計算モデルとして、新たに構築されたスコア計算モデルを用いることができる。 Furthermore, when a new score calculation model for calculating the instability score St_model used to diagnose the reactor condition is constructed by the process shown in Figure 6, and when the process shown in Figure 6 is subsequently performed, the newly constructed score calculation model can be used as the score calculation model used in step S210.
なお、ステップＳ２１０で用いられるスコア計算モデルは、上述したスコア計算モデルに限るものではなく、任意の指標データから事前に構築されたスコア計算モデルを用いることもできる。また、ステップＳ２１０では、スコア計算モデル（機械学習アルゴリズム）の代わりに、所定の演算式を用いて、指標データから不安定スコアＳｔを求めることもできる。例えば、特許文献１に記載されている方法（計算式）によって、不安定スコアＳｔ（総合不安定スコアＳｔ）を求めることができる。ステップＳ２１０は、図２に示すステップＳ２０２と同様に、不安定スコアＳｔの総数を増やすためだけの処理であるため、ステップＳ２１０では、不安定スコアＳｔの総数を増やすことができるものであればよく、不安定スコアＳｔ＿ｍоｄｅｌの精度は要求されない。すなわち、ステップＳ２０２，Ｓ２１０では、所定のデータ処理によって指標データから不安定スコアを数多く求めることができればよい。 The score calculation model used in step S210 is not limited to the score calculation model described above, and a score calculation model previously constructed from any index data can also be used. Furthermore, in step S210, instead of a score calculation model (machine learning algorithm), a predetermined calculation formula can be used to calculate the unstable score St from the index data. For example, the unstable score St (total unstable score St) can be calculated using the method (calculation formula) described in Patent Document 1. Like step S202 shown in FIG. 2, step S210 is a process that only increases the total number of unstable scores St. Therefore, step S210 only requires the ability to increase the total number of unstable scores St, and does not require accuracy of the unstable score St_model. In other words, steps S202 and S210 only require the ability to calculate a large number of unstable scores from the index data using predetermined data processing.
図１、図２及び図６で説明した処理（いわゆる機能）は、プログラムによって実現可能である。ここで、図２及び図６のステップＳ２０１では、オペレータによって決定された不安定スコアＳｔ＿оｐｅを取得する処理を行うことができる。各機能を実現するために予め用意されたコンピュータプログラムを補助記憶装置に格納しておき、ＣＰＵ等の制御部が補助記憶装置に格納されたプログラムを主記憶装置に読み出し、主記憶装置に読み出されたプログラムを制御部が実行することにより、各機能を動作させることができる。各機能は、１つの制御装置で動作させることもできるし、互いに接続された複数の制御装置によって動作させることもできる。 The processes (so-called functions) described in Figures 1, 2, and 6 can be implemented by a program. Here, step S201 in Figures 2 and 6 can perform a process to obtain the instability score St_ope determined by the operator. A computer program prepared in advance to implement each function is stored in an auxiliary storage device, and a control unit such as a CPU reads the program stored in the auxiliary storage device into a main storage device, and the control unit executes the program read into the main storage device, thereby operating each function. Each function can be operated by a single control device, or by multiple control devices connected to each other.
上記プログラムは、コンピュータで読取可能な記録媒体に記録された状態において、コンピュータに提供することも可能である。記録媒体としては、ＣＤ－ＲＯＭ等の光ディスク、ＤＶＤ－ＲＯＭ等の相変化型光ディスク、ＭＯ（Magnet Optical）やＭＤ(Mini Disk)などの光磁気ディスク、フロッピー（登録商標）ディスクやリムーバブルハードディスクなどの磁気ディスク、コンパクトフラッシュ（登録商標）、スマートメディア、ＳＤメモリカード、メモリスティック等のメモリカードが挙げられる。また、本発明の目的のために特別に設計されて構成された集積回路（ＩＣチップ等）等のハードウェア装置も記録媒体として含まれる。 The above program can also be provided to a computer in a state recorded on a computer-readable recording medium. Examples of recording media include optical discs such as CD-ROMs, phase-change optical discs such as DVD-ROMs, magneto-optical discs such as MO (Magnet Optical) and MD (Mini Disk), magnetic discs such as floppy disks and removable hard disks, and memory cards such as CompactFlash (registered trademark), SmartMedia, SD memory cards, and memory sticks. Also included as recording media are hardware devices such as integrated circuits (e.g., IC chips) specially designed and configured for the purposes of this invention.
１０：システム、１１：不安定スコア算出部（ルールベースモデル）、
１２：閾値設定部、１３：スコア計算モデル構築部、
１４：不安定スコア算出部（スコア計算モデル）、１５：ＲＭＳＥ算出部、
１６：閾値決定部
10: System, 11: Instability score calculation unit (rule-based model),
12: threshold setting unit, 13: score calculation model construction unit,
14: Instability score calculation unit (score calculation model), 15: RMSE calculation unit,
16: Threshold value determination unit
Claims (7)
前記指標データに対してデータ処理を行い、炉況の不安定の程度を示す不安定スコアを求め、
前記データ処理によって求めた複数の前記不安定スコアのうち、閾値との大小関係から判断される炉況の安定を示す前記不安定スコアを抽出し、
複数の前記閾値のそれぞれについて、抽出した前記不安定スコアを求めるときに用いた前記指標データを教師データとして用いることにより、前記指標データから前記不安定スコアを求めるスコア計算モデルを機械学習アルゴリズムから構築し、
オペレータが前記指標データから決定した前記不安定スコアと、構築した複数の前記スコア計算モデルのそれぞれを用いて求めた前記不安定スコアとのずれを求め、
前記ずれが最小となるときの前記スコア計算モデルを、炉況の安定又は不安定を診断するときの前記不安定スコアを求める前記スコア計算モデルとして決定するとともに、決定した前記スコア計算モデルを構築したときの前記閾値を、炉況の安定又は不安定を診断するときの閾値として決定し、
炉況の安定又は不安定の診断において、
炉況が安定するほど前記不安定スコアを小さくする場合には、前記不安定スコアが前記閾値以下であるときに炉況が安定であると診断すると共に、前記不安定スコアが前記閾値よりも大きいときに炉況が不安定であると診断し、
炉況が安定するほど前記不安定スコアを大きくする場合には、前記不安定スコアが前記閾値以下であるときに炉況が不安定であると診断すると共に、前記不安定スコアが前記閾値よりも大きいときに炉況が安定であると診断することを特徴とするスコア計算モデルの構築方法。 Obtaining indicator data related to blast furnace operation management indicators,
Data processing is performed on the index data to obtain an instability score indicating the degree of instability of the reactor condition;
extracting the instability score that indicates the stability of the reactor condition determined based on a magnitude relationship with a threshold value from the plurality of instability scores obtained by the data processing;
constructing a score calculation model for determining the instability score from the index data using a machine learning algorithm by using the index data used to determine the extracted instability score for each of the plurality of thresholds as training data;
A deviation between the instability score determined by an operator from the index data and the instability score calculated using each of the plurality of score calculation models constructed is calculated,
The score calculation model when the deviation is minimum is determined as the score calculation model for obtaining the instability score when diagnosing the stability or instability of the reactor state, and the threshold value when the determined score calculation model is constructed is determined as the threshold value when diagnosing the stability or instability of the reactor state ,
In diagnosing the stability or instability of the furnace condition,
In a case where the instability score is decreased as the reactor state becomes more stable, the reactor state is diagnosed as stable when the instability score is equal to or less than the threshold value, and the reactor state is diagnosed as unstable when the instability score is greater than the threshold value;
A method for constructing a score calculation model, characterized in that, when the instability score is increased as the reactor conditions become more stable, the reactor conditions are diagnosed as unstable when the instability score is below the threshold value, and the reactor conditions are diagnosed as stable when the instability score is greater than the threshold value .
前記不安定スコアが０．０であるときの炉況は、前記不安定スコアが１．０であるときの炉況よりも安定であることを特徴とする請求項１に記載のスコア計算モデルの構築方法。 the instability score is equal to or greater than 0.0 and equal to or less than 1.0;
2. The method for constructing a score calculation model according to claim 1 , wherein a reactor state when the instability score is 0.0 is more stable than a reactor state when the instability score is 1.0.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021178858A JP7744570B2 (en) | 2021-11-01 | 2021-11-01 | How to build a score calculation model |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021178858A JP7744570B2 (en) | 2021-11-01 | 2021-11-01 | How to build a score calculation model |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023067524A JP2023067524A (en) | 2023-05-16 |
| JP7744570B2 true JP7744570B2 (en) | 2025-09-26 |
Family
ID=86325618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021178858A Active JP7744570B2 (en) | 2021-11-01 | 2021-11-01 | How to build a score calculation model |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7744570B2 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018009224A (en) | 2016-07-14 | 2018-01-18 | 株式会社神戸製鋼所 | Operation condition evaluation system |
| JP2021080556A (en) | 2019-08-27 | 2021-05-27 | 日本製鉄株式会社 | Method and device for judging furnace conditions in blast furnace, and program for judging furnace conditions in blast furnace |
| JP2021143362A (en) | 2020-03-11 | 2021-09-24 | Ｊｆｅスチール株式会社 | Furnace condition learning method for blast furnace, furnace condition learning device, abnormality detection method, abnormality detection device and operation method |
-
2021
- 2021-11-01 JP JP2021178858A patent/JP7744570B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018009224A (en) | 2016-07-14 | 2018-01-18 | 株式会社神戸製鋼所 | Operation condition evaluation system |
| JP2021080556A (en) | 2019-08-27 | 2021-05-27 | 日本製鉄株式会社 | Method and device for judging furnace conditions in blast furnace, and program for judging furnace conditions in blast furnace |
| JP2021143362A (en) | 2020-03-11 | 2021-09-24 | Ｊｆｅスチール株式会社 | Furnace condition learning method for blast furnace, furnace condition learning device, abnormality detection method, abnormality detection device and operation method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023067524A (en) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7502626B2 (en) | Method for judging the condition of a blast furnace | |
| JP6493447B2 (en) | 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 | |
| Jiang et al. | Abnormality monitoring in the blast furnace ironmaking process based on stacked dynamic target-driven denoising autoencoders | |
| CN107463093B (en) | A Blast Furnace Hot Metal Quality Monitoring Method Based on KPLS Robust Reconstruction Error | |
| 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 | |
| CN116049625A (en) | A Calculation Method of Slag Iron Liquid Level in Blast Furnace Hearth | |
| JP7744570B2 (en) | How to build a score calculation model | |
| JP7192992B2 (en) | Blast Furnace Abnormality Judgment Method, Stable Period Model Learning Method, Blast Furnace Operation Method, and Blast Furnace Abnormality Judgment Device | |
| CN120542263A (en) | An abnormality diagnosis method, system and memory based on a chain grate-rotary kiln pellet roasting temperature prediction model | |
| JP7485918B2 (en) | Reactor state evaluation device, reactor state evaluation method, reactor state evaluation program, and trained model generation method | |
| Agrawal et al. | Advances in thermal level measurement techniques using mathematical models, statistical models and decision support systems in blast furnace | |
| EP4170441B1 (en) | Method and system for ironmaking plant optimization | |
| JP2016065275A (en) | Blast furnace state estimation apparatus and blast furnace state estimation method | |
| JP7751188B2 (en) | Action amount determination method for blast furnace operation, action amount determination program, action amount determination system, and blast furnace operation method | |
| CN116855662B (en) | Method, device, equipment and medium for treating abnormal temperature of carbon bricks at the bottom of blast furnace | |
| Lakshmanan et al. | A hybrid modelling approach based on deep learning for the prediction of the silicon content in the blast furnace | |
| JP2024131324A (en) | Method for estimating internal state of blast furnace, program for estimating internal state of blast furnace, and device for estimating internal state of blast furnace | |
| CN114730180A (en) | Method and system for operating a production plant | |
| CN105734189A (en) | Method for determining coal injection quantity of blast furnace during operation process | |
| JP6944393B2 (en) | Plant condition evaluation system, plant condition evaluation method, and program | |
| CN115927770A (en) | A method for real-time tracking of blast furnace tapping status | |
| JP2021130860A (en) | Furnace heat prediction device and furnace heat prediction method thereof, and furnace heat control guiding device and furnace heat control guiding method thereof | |
| CN113283078B (en) | A method for calculating and real-time monitoring the depth of blast furnace tuyere raceway | |
| JP2678767B2 (en) | Blast furnace operation method | |
| JP2696114B2 (en) | Blast furnace operation management method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240718 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20250424 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20250513 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20250618 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20250724 |
|
| 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: 20250812 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20250825 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7744570 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |