JP2021507115A - 炉況管理装置及び方法 - Google Patents

Abstract

【課題】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。【解決手段】本発明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、高炉の非定型データを検出する第２センサー部と、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、を含み、本発明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、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、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、該当人工知能アルゴリズムの交替を判断する段階と、を含む。【選択図】図１

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。 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。 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。 本発明の一実施形態による炉況管理装置のＧＵＩの例を示す図である。 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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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）。

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。

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）。

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。

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。

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。

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。

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）。

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。

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。

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。

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。

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。

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

Claims (8)

1. 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炉況管理装置。
2. 前記第１センサー部は、
   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。
3. 前記データ前処理部は、測定された温度及び測定された圧力と測定された位置とをマッチングさせて二次元的に画像化することを特徴とする請求項２に記載の炉況管理装置。
4. 第２センサー部は、前記高炉の装入物状態、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を特徴とする請求項１に記載の炉況管理装置。
5. 前記第２センサー部は、
   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。
6. 前記第２センサー部は、収集された非定型データを定型データに変換して前記アクションガイダンス部に伝達することを特徴とする請求項１に記載の炉況管理装置。
7. 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、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制御部と、
   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。
8. 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、
   を含むことを特徴とする炉況管理方法。