CN102169326A - 基于数据挖掘的最优炉温设定值优化系统 - Google Patents

Abstract

本发明涉及步进梁式加热炉燃烧过程炉温设定值优化技术领域，尤其涉及一种基于数据挖掘的最优炉温设定值优化系统。本发明包括数据处理和数据挖掘分析两个模块，数据处理主要完成实时数据采集获取加热炉内各炉段的温度、流量及相关生产数据；将获取到的生产数据和钢坯轧制数据组合成数据挖掘分析的样本对象，并将挖掘结果按照一定的规则模型存储到后台数据库，形成规则知识库；最后从知识库中获取不同钢坯在加热炉内各段炉温最优设置值。本发明可实现步进梁式加热炉最优炉温设定值曲线的寻优及设定，可对应于不同的钢坯种类，对控制系统提供优化控制指导，改善钢坯在加热炉内的燃烧过程，提高加热质量，降低加热炉能耗。

Description

基于数据挖掘的最优炉温设定值优化系统

技术领域

本发明涉及步进梁式加热炉燃烧过程炉温设定值优化技术领域，尤其涉及一种基于数据挖掘的最优炉温设定值优化系统。

背景技术

对于多段供热式连续加热炉，为满足轧制工艺需求和钢坯加热制度，采取各段炉温差异控制，不同的钢坯加热制度要求有相应的炉温控制来满足钢坯加热要求。往往由于受到加热炉炉型结构、燃烧方式、出钢节奏、设备运行状况、操作人员技术水平等因素影响，炉温控制无法做到刚好满足钢坯轧制需求，所以往往采取保险的做法，在工艺允许的范围内，将炉温按照温度规定的上限来烧钢，这样不仅造成钢坯加热质量得不到保证，更导致较严重的燃料浪费和不必要的废气排放。

尤其对于特殊钢企业加热炉，加热钢坯种类多，规格变换频繁，待轧保温时间相对较长。所以，特钢加热炉的加热制度相对较复杂。特钢加热炉同时在炉的钢种可达十几种以上，而各钢种所对应的加热制度又不尽相同，所以如何寻找最优的加热炉炉温控制制度，是决定加热炉的加热质量和节能减排的主要手段。

发明内容

针对上述存在的技术问题，本发明的目的是提供一种基于数据挖掘的最优炉温设定值优化系统，实现方坯加热炉优化炉温控制，尤其适用于特钢企业的步进梁式加热炉，一方面可以直观地反映加热炉燃烧及工艺控制水平；另一方面可以为加热炉控制调节提供优化建议。

为达到上述目的，本发明采用如下的技术方案：

-数据处理模块，通过实时数据采集和钢坯实时跟踪，获取反映钢坯在加热过程中的数据作为数据挖掘分析模块所需的挖掘对象；所述数据处理模块进一步包括：

实时数据采集子模块，采用标准OPC接口，建立与过程自动化级的连接，采用Windows下的多线程处理技术完成采集现场数据；

钢坯实时跟踪子模块，采用C/S架构开发，钢坯轧制数据通过TCP/IP协议进行网络传输和更新；

-数据挖掘分析模块，通过数据挖掘处理和数据规则存储和提取，对所述数据处理模块获得的数据进行挖掘处理，将挖掘结果形成规则知识库，从知识库中获取钢坯各段最优炉温设定值；所述数据挖掘分析模块进一步包括：

数据挖掘处理子模块，将数据处理模块所获取的钢坯生产数据作为挖掘对象，采用数据挖掘分类技术进行处理，挖掘结果传递给数据规则存储、提取模块；

数据规则存储、提取模块将挖掘结果以一定的规则存储到后台数据库，形成钢坯生产数据知识库，最后从知识库中提取获得不同钢坯对应的最优炉温设定值。

所述实时数据采集子模块，通过OPC技术从基础自动化控制系统获取加热炉各段炉温数据，各段空煤气流量数据，炉压及相关生产数据。

所述实时数据采集子模块进一步包括：

子模块1：组态需要从现场采集的加热炉过程数据信息；

子模块2：开启OPC服务，与现场基础自动化级连接；

子模块3：开启实时数据采集服务，从现场基础自动化级读取子模块1中组态的数据；

子模块4：开启数据滤波和存储服务，对采集到的数据进行数据平滑处理，消除噪声数据；最后将处理好的数据存储到后台数据库。

所述钢坯实时跟踪子模块，采用C/S开发模式，服务端通过TCP/IP协议从客户端获取钢坯入炉数据。

所述钢坯实时跟踪子模块进一步包括：

子模块1：开启服务端程序后，两个线程同时启动，线程1：监控客户端钢坯入炉数据，线程2：监控炉内钢坯前进或后退信号；

子模块2：服务端获取客户端钢坯数据后，更改钢坯在炉状态，并存储到后台数据库，所述客户端钢坯数据包括钢种分类、钢坯编号、轧制节奏、在炉时间。

所述数据挖掘处理子模块，采用数据挖掘分类算法，将数据实时采集模块所采集到的现场过程数据和钢坯实时跟踪模块获取的钢坯燃烧数据作为挖掘对象，通过OLE DB for DM挖掘引擎对挖掘对象进行分析。

所述数据挖掘处理子模块进一步包括：

子模块1：启动数据挖掘引擎，建立与后台数据库；

子模块2：创建数据挖掘模型；

子模块3：利用已有数据和挖掘算法进行模型训练；

子模块4：结果预测。

所述数据规则存储、提取模块子模块，所使用的规则存储和提取方法包括规则的定义、规则的存储模型、规则提取。

本发明具有以下优点和积极效果：

1)本发明在加热炉控制系统中嵌入计算机数据分析处理功能，是计算机技术与基础自动化相结合的一次有益尝试；

2)本发明能够快速建立钢坯在加热炉内加热过程中各种生产数据的知识库，本系统投入运行后能够在线记录不同钢种实时的加热状况，具体执行时间为1分钟；并能将数据进行处理，用于表现各个班组每天的生产能力和操作水平，可避开人为及其它因素的影响，指导车间绩效管理和考核，提高考核直观性和公平性；

3)本发明能实时指导加热炉的生产运行控制，直观为控制技术人员提供控制调整的方向，最优化控制加热炉的运行状况，实现节能减排的效果。经试验，投入现场应用后，钢坯加热质量稳定中有提高，吨钢煤气消耗也有明显的下降。

附图说明

图1是基于数据挖掘的最优炉温设定值优化系统对象获取方法逻辑框图。

图2是基于数据挖掘的最优炉温设定值优化系统数据挖掘体系结构框图。

图3是基于数据挖掘的最优炉温设定值优化系统数据挖掘分类方法框图。

图4是基于数据挖掘的最优炉温设定值优化系统数据挖掘分析模块的流程图。

图5是基于数据挖掘的最优炉温设定值优化系统数据表关联关系图。

图6是基于数据挖掘的最优炉温设定值优化系统规则提取流程图。

图7是基于数据挖掘的最优炉温设定值优化系统实施图。

具体实施方式

轧钢加热炉在钢铁企业中占有重要的地位，它的任务是加热钢坯，使钢坯温度及其温度分布满足轧制要求。尤其对于特钢企业，其加热炉同时在炉的钢种可达十几种以上，而各钢种所对应的加热制度又不尽相同，所以如何寻找最优的加热炉炉温控制制度，是决定加热炉的加热质量和节能减排的主要手段。

本发明在进行基于数据挖掘的最优炉温寻优过程中，选取客观反映钢坯在加热过程中的数据作为挖掘对象，用数据挖掘算法从历史数据库中找到不同钢坯对应的最优炉温设定值曲线，将挖掘结果应用到加热炉炉温控制中，能够优化控制钢坯的加热过程，提高加热质量，降低加热炉能耗。

本发明提供的基于数据挖掘的最优炉温设定值优化系统，包括数据处理模块和数据挖掘分析模块。其中：

数据处理模块包含两个子模块，实时数据采集模块、钢坯实时跟踪模块。

实时数据采集模块采用国际通用的标准OPC接口，建立与过程自动化级的连接，采用Windows下的多线程处理技术实时采集现场数据。实施步骤如下：

(1)组态需要从现场采集的加热炉过程数据信息，包括加热炉各段炉温、加热炉各段流量、炉压及相关生产数据等；

(2)开启OPC服务，与现场基础自动化级连接，包括PLC、DCS等；

(3)开启实时数据采集服务，从现场基础自动化级读取(1)中组态的数据；

(4)开启数据滤波和存储服务，对采集到的数据进行数据平滑处理，消除噪声数据；

最后将处理好的数据存储到后台数据库。

钢坯实时跟踪模块提供钢坯从入炉到出炉的在炉监控画面，采用C/S(服务端/客户端)开发模式，服务端和客户端通过TCP/IP协议进行网络数据传输，服务端采用Windows平台下的多线程技术并行处理钢坯数据。实施步骤如下：

(1)开启服务端程序后，两个线程同时启动，线程1：监控客户端钢坯入炉数据，线程2：监控炉内钢坯前进(或后退)信号；

(2)服务端获取客户端钢坯数据(包括钢种分类、钢坯编号、轧制节奏、在炉时间等)后，更改钢坯在炉状态，并存储到后台数据库。

数据挖掘分析模块同样包含两个子模块，数据挖掘处理模块和数据规则存储、提取模块。其中：

数据挖掘处理模块将数据实时采集模块所采集到的现场过程数据和钢坯实时跟踪模块获取的钢坯燃烧数据作为挖掘对象，采用数据挖掘分类算法，通过OLE DB for DM(OLE DMfor Data Mining)挖掘引擎对挖掘对象进行分析，将挖掘的结果传递给数据规则存储模块。数据挖掘分析的步骤如图4所示，具体实施如下：

(1)启动数据挖掘引擎，建立与后台数据库的连接；

(2)创建数据挖掘模型(Data Mining Model，DMM)；

DMM类似一个关系表，它包含了一些特殊的列，分别为输入列和预测列，这些列被数据挖掘中的数据训练和预测制定使用。数据挖掘模型就是一个容器，但是不像关系表那样存储原始数据，而是存储数据挖掘算法在关系表中发现的模式。OLE DB for DM提供了与SQL类似的语法来创建数据挖掘模型。其语法格式如下：

Create Mining Model<mining model name>(<Column definitions>)USING<Service>[(<service arguments>)]

(3)利用已有数据和挖掘算法进行模型训练；

数据挖掘模型创建成功后，就要对模型进行处理，也就是模型训练，向新建的模型中添加数据进行分析。可以用语句Insert向其中装入训练数据，对模型进行训练。此时，数据挖掘模型算法通过分析输入事例，并将获取的模式存入挖掘模型中。OLE DB for DM的优点是可以接收任何OLE DB数据源的数据，不需要将数据从关系数据源转换成特殊的中间存储格式，大大简化了数据挖掘过程。同时，OLE DB forDM采用与SQL相类似的语句，其格式为：

Insert[into]<mining model name>[<mapped model columns>]<source data query>

(4)结果预测。

预测是数据挖掘的一个重要阶段，它需要两个条件，即一个已经经过训练的数据挖掘模型和一组待预测的数据。预测是把从原有数据所获得的模式应用到一组待预测事例，预测的结果是一个包含预测事例列和预测列的记录集，这一过程与SQL中的关联查询相类似，不同的是连接两个表，即数据挖掘模型和一组待测事例，所以在此我们提出一个新的概念叫预测连接。同时，OL E DB for DM还定义了一系列的预测功能可以包含在预测连接Select子句中，如预测值的概率、支持度、直方图等信息。预测语句的语法格式如下：

Select[FLATTENED]<Select-expressions>from<mining model name>PREDICTION JOIN<source data query>ON<join condition>[where<where-expression>]

本发明所采用的数据挖掘处理是根据附图2所示的数据挖掘体系结构，其中，第一层是数据源，包括数据库、数据仓库等；第二层是挖掘器，利用数据挖掘系统提供的各种数据挖掘方法分析和提取数据源中的数据，以达到用户的需求。数据挖掘器内嵌相关数据挖掘算法，本系统采用分类算法，参见图3；第三层是用户层，使用多种方式将获取的信息和发现的知识反馈给用户。

系统首先通过加热炉生产数据处理模块获得挖掘数据，并将数据存储到后台数据库，这里的数据库就是第一层的数据源；有了数据源后，通过加热炉生产数据挖掘处理分析模块，利用第二层中数据挖掘器内嵌的数据挖掘算法对数据进行分析处理，获得不同钢坯对应的最优炉温设定值；最后将设定值提供给现场基础自动化，用于优化钢坯燃烧过程，提高钢坯在加热炉内的燃烧质量，一定程度上实现加热炉的节能减排。

数据规则存储、提取模块，将数据挖掘分析模块挖掘处理后的数据以一定的存储规则存储到后台数据库，形成规则知识库。数据挖掘分析模块完成后，形成了大量有用的数据，如何从这些数据中提取知识或者规则，最后将提取的知识或者规则应用到加热炉炉温设定值优化是更为重要的环节。

数据规则存储、提取模块中最重要的是采用的存储规则和存储规则模型的设计，下面分别给出规则定义、存储模型的设计方法以及规则的提取方式。

规则的定义：

产生式规则通常用于表示具有因果关系的知识，其基本形式是：P-＞Q，或者IF P THEN Q。其中P是产生式规则的前件，用于指明该产生式规则是否可用的条件；Q是一组结论或操作，用于指出当P所指示的条件被满足时，应该得出的结论或应该执行的操作。产生式规则的形式化语义可表示为：

<规则>::<前件>-><结论>

<前件>::<简单条件>|<复合条件>

<结论>::<事实>|<操作>

<复合条件>::<简单条件>AND<简单条件[(AND<简单条件>…)]|<简单条件>OR<简单条件[(OR<简单条件>…)]

(1)规则的前件可表示为一个三元组

Antecedent＝<Compare，Attribute，Attribute Value>

其中：

Compare表示为{>、>＝、＝，<＝，<}

Attribute表示属性

Attribute Value表示属性值

(2)规则的结论可表示为一个三元组

Consequent＝<Class，ClassName，Reliability>

其中：

Class表示类别，是常量

ClassName表示类别名

Reliability表示置信度

规则的存储模型设计：

用Antecedent，Consequent分别表示条件、结论两个数据表。表结构字段完全根据产生式规则的定义来设计，表1和表2给出了条件表和结论表的结构。

(1)存储模型表结构

表1前件表

表2结论表

(2)存储模型表的关联关系

参见图5所示的数据表关联关系图。

(3)知识或规则提取

根据图5表关联关系得知，当表Antecedent的ID字段与表Consequent的ID字段相等时，输出规则。先查询Antecedent表，用模板数组CArray<int，int&>RuleID保存前件表不同的ID值，然后以数组中的同一个值为查询条件分别查询Antecedent表和Consequent表，模板数组CArray<CString，CString&>Antecedent保存查询到的前件条件，模板数组CArray<CString，CString&>Consequent保存查询到的结论，模板数组CArray<CString，CString&>Rule保存最后的规则。最后我们只需要顺序输出数组Rule的内容。流程图如图6所示。

基于数据挖掘的最优炉温设定值优化系统具体实施方法如图7所示。图中的模块和实施步骤均由计算机程序来实现，用户开启基于数据挖掘的最优炉温设定值优化系统软件后，按照上面的步骤操作，即可获得不同钢种对应的各段最优炉温设定值，对加热炉的最优化控制具有指导意义，能使钢坯在加热炉内各段供热最优配置，提高加热质量，实现节能减排的效果。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变型，因此所有等同的技术方案，都落入本发明的保护范围。

Claims (8)

1.一种基于数据挖掘的最优炉温设定值优化系统，其特征在于，包括：

-数据处理模块，通过实时数据采集和钢坯实时跟踪，获取反映钢坯在加热过程中的数据作为数据挖掘分析模块所需的挖掘对象；所述数据处理模块进一步包括：

实时数据采集子模块，采用标准OPC接口，建立与过程自动化级的连接，采用Windows下的多线程处理技术完成采集现场数据；

钢坯实时跟踪子模块，采用C/S架构开发，钢坯轧制数据通过TCP/IP协议进行网络传输和更新；

-数据挖掘分析模块，通过数据挖掘处理和数据规则存储和提取，对所述数据处理模块获得的数据进行挖掘处理，将挖掘结果形成规则知识库，从知识库中获取钢坯各段最优炉温设定值；所述数据挖掘分析模块进一步包括：

数据挖掘处理子模块，将数据处理模块所获取的钢坯生产数据作为挖掘对象，采用数据挖掘分类技术进行处理，挖掘结果传递给数据规则存储、提取模块；

数据规则存储、提取模块将挖掘结果以一定的规则存储到后台数据库，形成钢坯生产数据知识库，最后从知识库中提取获得不同钢坯对应的最优炉温设定值。

2.根据权利要求1所述的基于数据挖掘的最优炉温设定值优化系统，其特征在于：

所述实时数据采集子模块，通过OPC技术从基础自动化控制系统获取加热炉各段炉温数据，各段空煤气流量数据，炉压及相关生产数据。

3.根据权利要求1或2所述的基于数据挖掘的最优炉温设定值优化系统，其特征在于，所述实时数据采集子模块进一步包括：

子模块1：组态需要从现场采集的加热炉过程数据信息；

子模块2：开启OPC服务，与现场基础自动化级连接；

子模块3：开启实时数据采集服务，从现场基础自动化级读取子模块1中组态的数据；

子模块4：开启数据滤波和存储服务，对采集到的数据进行数据平滑处理，消除噪声数据；最后将处理好的数据存储到后台数据库。

4.根据权利要求1所述的基于数据挖掘的最优炉温设定值优化系统，其特征在于：

所述钢坯实时跟踪子模块，采用C/S开发模式，服务端通过TCP/IP协议从客户端获取钢坯入炉数据。

5.根据权利要求1或4所述的基于数据挖掘的最优炉温设定值优化系统，其特征在于，所述钢坯实时跟踪子模块进一步包括：

子模块1：开启服务端程序后，两个线程同时启动，线程1：监控客户端钢坯入炉数据，线程2：监控炉内钢坯前进或后退信号；

子模块2：服务端获取客户端钢坯数据后，更改钢坯在炉状态，并存储到后台数据库，所述客户端钢坯数据包括钢种分类、钢坯编号、轧制节奏、在炉时间。

6.根据权利要求1所述的基于数据挖掘的最优炉温设定值优化系统，其特征在于：

所述数据挖掘处理子模块，采用数据挖掘分类算法，将数据实时采集模块所采集到的现场过程数据和钢坯实时跟踪模块获取的钢坯燃烧数据作为挖掘对象，通过OLE DB for DM挖掘引擎对挖掘对象进行分析。

7.根据权利要求1或6所述的基于数据挖掘的最优炉温设定值优化系统，其特征在于，所述数据挖掘处理子模块进一步包括：

子模块1：启动数据挖掘引擎，建立与后台数据库；

子模块2：创建数据挖掘模型；

子模块3：利用已有数据和挖掘算法进行模型训练；

子模块4：结果预测。

8.根据权利要求1-7中任一项所述的基于数据挖掘的最优炉温设定值优化系统，其特征在于：

所述数据规则存储、提取模块子模块，所使用的规则存储和提取方法包括规则的定义、规则的存储模型、规则提取。

Images