SCORN: Sinter Composition Optimization with Regressive Convolutional Neural Network

Abstract

Sinter composition optimization is an important process of iron and steel companies. To increase companies’ profits, they often rely on innovative technology or the workers’ operating experience to improve final productions. However, the former is costly because of patents, and the latter is error-prone. In addition, traditional linear programming optimization methods of sinter compositions are inefficient in the face of large-scale problems and complex nonlinear problems. In this paper, we are the first to propose a regressive convolutional neural network (RCNN) approach for the sinter composition optimization (SCORN). Our SCORN is a single input and multiple outputs regression model. Sinter plant production is used as the input of the SCORN model, and the outputs are the optimized sintering compositions. The SCORN model can predict the optimal sintering compositions to reduce the input of raw materials consumption to save costs and increase profits. By constructing a new neural network structure, the RCNN model is trained to increase its feature extraction capability for sintering production. The SCORN model has a better performance compared with several regressive approaches. The practical application of this predictive model can not only formulate corresponding production plans without feeding materials but also give better input parameters of sintered raw materials during the sintering process.

Application of deep learning in iron ore sintering process: a review

“…The optimisation of sinter composition is a very important aspect in the steel industry, and traditional composition optimisation methods can hardly cope with the efficient demands of large-scale production and complex working conditions. Sinter composition optimisation using a regressive convolutional neural network model can improve feature extraction, predict the optimum ratio of sintering raw materials, and give reasonable input parameters for sintering raw materials during the sintering process [105]. In practice, the sinter basicity should be controlled around 2.0, when both the calcium ferrite content and the drum index reach their maximum.…”

Current Trends on Deep Learning Techniques Applied in Iron and Steel Making Field: A Review

“…ベースの回帰モデル用いて，焼結機の生産性 97) や包括的炭素比率98) を回帰 により予測する方法や，生産量を最適化するために，CNN モデルにより焼結鉱の適切な組成を 予測する方法99) が提案されている．また，RNN や LSTM などの再帰型の NN モデルを用いた ものに，焼結鉱中の FeO などの組成の予測100,101,102) や，含水率の予測103) ，焼結機の走行火格 13 子上の吸引空気に由来する音響データを利用した操業異常の検知104) などの報告事例がある． さらに，ペレット製造プロセスにおけるペレタイジング過程の把握のために，水蒸気等の靄が 含まれる画像のノイズ除去の精度を CNN と画像処理アルゴリズムとで比較する研究105) も報 告されている． コークスの製造プロセスを対象とした研究では， MLP ベースのオートエンコーダを用いて, コークスの乾燥冷却プロセスにおける操業パラメータを最適化する方法106) や，Orthogonal Neural Network 107) によりコークス炉内の温度を予測する方法108) が報告されている．また，産 業カメラの画像を利用した研究では，ベルトコンベア上の石炭もしくは脈石主体の鉱物を検知 する CNN モデルによる方法109) component analysis; PCA)110) を用いて次元削減した後に，MLP ベースのモデルの入力にすることで，溶銑の品質を推定する 一連の研究111,112,113) が報告されている．また，LSTM ベースのモデルを高炉の時系列データ群 に適用した研究では，溶銑中の Si 濃度の予測 114) ，炉上部の温度センサの保護を目的とした炉 頂温度の推定 115) ，適正な出銑口の開閉時間の予測 116) ，操業異常の検知 117) といった種々の事 例が報告されている．さらに，画像を利用した事例では，羽口窓から撮影できるレースウエイ 付近の燃焼の様相を CNN モデルに学習させ，操業の健全性の識別を行なう研究 118) が報告され ている．周波数変調連続波レーダー(Frequency Modulated Continuous Wave radar; FMCW radar) か ら得られる信号データを座標変換により画像化し，それを YOLO ベースのモデルに学習させる ことで，炉頂部における装入物の装入ラインを検知する研究 119) も報告されている．炉頂へ装 入物を輸送するコンベアを対象に，異物の検知を Faster R-CNN をベースとしたモデルにより検 ).操業状態の詳細な把握，(ii).操業中の 異常・欠陥検知，および(iii).鋳片の品質判定に関連する事例 について示す． 16 (i). 操業状態の詳細な把握のためには，溶鋼の凝固や内部の温度履歴などを正確に予測する ことが必要である．しかしながら，鋳造機に付帯する計測機器が鋳型温度などの表層的な情報 を採取するものがほとんどであるため，それらから，鋳造のための鋳型に侵入した溶鋼や，凝 固の途上にある鋳片の内部の様相を把握することには限界がある． このような背景を反映して， 深層学習の活用により，操業状態の詳細な把握を目指した試みがなされている．例えば， transiently chaotic neural network (TCNN) 132) と，溶鋼の鋳型への流入温度，鋳造速度，散水量の 時系列データとを組み合わせることで，スラブの表面温度を連続的に予測する方法 133) ，操業 パラメータと MLP を組み合わせて，偏析欠陥に影響する 2 次デンドライトアーム間隔を予測 する方法 134) ，鋳片の割れに影響する脆化域の組成および温度履歴依存性を，MLP により予測 する手法 135) などが提案されている．また，溶鋼組成や過熱度 (スーパーヒート)，鋳造速度お よびオシレーション条件といった多様な操業条件を入力として，凝固完了位置やオシレーショ ンマーク深さ，パウダー消費率を MLP により同時に予測する方法 136) も提案されている．連続 鋳造機の鋳型引き抜き速度や浸漬ノズル深さといった時系列データを LSTM-CNN モデルへ学 習させて，介在物由来の鋳造異常を予測する 137) ，または MLP を利用して操業異常を分類する 事例 138) も報告されている．伝熱解析から得られた温度分布を MLP の教師データとしてスラブ 内部の温度を予測する方法 139) や，温度分布とその入力条件を CNN と MLP をハイブリットし た DNN モデルに学習させることで適切な冷却条件を推定する方法 140) が提案されている． (ii).操業異常の検知としては， 深層学習を用いたブレイクアウト(break out)の検知に関する研 究例が数多く報告されている．ブレイクアウトの検知には，鋳型内に埋め込まれた熱電対や光 ファイバーセンサによる温度計測データをもとに行うものが多く 141, 142, 143) ，また，CNN によ り，時間履歴と空間分布の両方を活用する方法 144) も報告されている．加えて，鋳型と鋳片間 の摩擦の計測データを用いる方法 145, 146) や，鋳造速度や湯面レベルの計測値などを活用する方 法 147) も報告されている．ブレイクアウトの検知においては，誤検知をいかに減らすかが重要 な課題であるが，検知精度の向上のために様々な手法が報告されている 148) ．その他の操業ト ラブル検知に関しては，ノズル詰まりの予測に DNN モデルを適用した事例 149, 150, 151) が報告さ れている． さらに， 鋳造速度の監視データから異常状態を検知する手法 152) も提案されている．17 画像を利用したアプローチでは，YOLO を用いて鋳片部のコーナー割れ部を検知する研究 153) がある． (iii).…”