CN102915027B - 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 - Google Patents
一种基于模式识别技术构建的高炉冶炼专家系统及其方法 Download PDFInfo
- Publication number
- CN102915027B CN102915027B CN201210464259.2A CN201210464259A CN102915027B CN 102915027 B CN102915027 B CN 102915027B CN 201210464259 A CN201210464259 A CN 201210464259A CN 102915027 B CN102915027 B CN 102915027B
- Authority
- CN
- China
- Prior art keywords
- state
- blast furnace
- furnace
- plc
- module
- 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
- Testing And Monitoring For Control Systems (AREA)
- Manufacture Of Iron (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
本发明公开了一种基于模式识别技术构建的高炉冶炼专家系统，包括装有数据库的服务器、操作工工作站、6套PLC（分别用于槽下备料、炉顶布料、水渣控制、除尘控制、喷煤控制和水系统控制）、分布式控制系统和通讯用工控机，还包括装有数据库的服务器中的状态分类模块、状态诊断模块、状态评估模块和状态调整模块，操作工工作站中设有状态显示模块；同时，还公开了一种基于模式识别技术构建高炉冶炼专家系统的方法，包括以下步骤：存取数据步骤、状态分类步骤、状态诊断步骤、状态评估步骤、状态调整步骤、状态显示步骤、执行步骤，本发明具有评价标准客观、集成性能好、知识库丰富、并能实时更新的特点，可以广泛应用于高炉过程控制技术领域。
Description
技术领域
本发明涉及高炉过程控制技术领域，特别是涉及一种基于模式识别技术构建的高炉冶炼专家系统及其方法。
背景技术
高炉是一种多变量、大滞后、非线性的高温化学反应器，体积巨大，大型高炉内容积有1000-5800m3之大，这是一个巨无霸，高炉内部充满高温、高压富含CO的煤气，高炉每分钟的煤气发生量高达4000-10000m3/min，由于影响高炉的因素非常多，相较于钢铁工业的其他装备，如转炉、连铸、精炼、轧钢等工序，高炉自动化水平是最差的，高炉操作主要靠人工完成，培养一个合格的高炉操作人员需要3-5年的时间，培养一个高炉冶炼技术的专家需要10年以上的时间，现在人员流动性大，一旦出现人员的流动就意味着经验的流逝，同时高炉操作的影响因素很多，高炉一旦发生操作异常，经常给生产造成巨大的损失，少则几十万，多则几百万甚至上千万，同时高炉监测数据量巨大，操作人员很难及时处理如此巨大的数据，像高炉这种体积巨大、影响因素多、主要依靠人工操作、并且具备海量检测数据的系统特别适合于采用以专家系统为核心的人工智能技术进行控制。
自八十年代以来,人们开始将人工智能和专家系统引人高炉领域，文献“L．G．LOCK LEE；Rapid Prototyping Tools for Real－time Expert Systems in the Steel Industry，ISIJ International，Vol.30（1990），No.2，P90－97”描述了日本最早将人工智能专家系统技术引入高炉操作领域的状况，各个钢铁公司都开发研究了各自的高炉冶炼专家系统，并已进入实用阶段，欧美各国也竞相从事这方面的研究工作，并取得明显的效果。
实现高炉过程的二级控制是实现高炉过程优化的核心。随着当代高炉过程控制技术的发展，开发并成功应用高炉过程专家系统是实现高炉过程控制成功与否的关键。高炉专家系统的下列优点已经被广大炼铁工作者所认可。
文献“Shigeru AMANO；Expert System for Blast Furnace Operation at Kimitsu Works，ISIJ International，Vol.30（1990），No.2，PP105-110”描述了新日铁在君津3号和4号高炉上应用了ALIS专家系统的情况，该系统配有在线和离线推理机。离线推理机可以使用在线的全部实时数据、过程计算机存贮的历史数据和为调试而准备的任意数据,从而可以模拟和推理所有可能的操作状况。ALIS系统首先判断当前高炉是否要采取紧急措施,然后判断上次动作是否正确,是否需要退回,无需上述措施时,系统就进一步采取改善气流分布的措施.ALIS系统每30分钟进行一次推理,每一次推理需30秒左右，该系统的知识推理可分为三步：首先对传感器的信息进行判断，决定一些中间变量,然后进行中间变量的判断,最后根据中间变量进行最终判断，并显示出系统所建议的当前应采取的措施。该系统突出的特点是知识库十分易于维护,日常规则、系数等修改补充可由现场操作人员完成,它的应用范围不仅包括正常状态和悬料等异常炉况的高炉控制，还包括了开炉、停炉、事故检修等状态下对高炉的控制,其规则已达700多条,其命中率可达90%以上。
文献“T.Nagai；GO_STOP SYSTEM APPLIED TO BLAST FURNACECOMPUTER OF CHIBA WORKS,KAWASAKI STEEL CORPORATION,1977Ironmaking ConferenceProceedings,1977,P326-336”和文献“Tetsuya Yamamoto； BLAST FURNACE OPERATIONAL SYSTEM WITH THE APPLICATION OFADVANCED GO／STOP SYSTEM AT MIZUSHIMA WORKS，Proceedings of The Sixth International Iron and Steel Congress，1990，Nagoya，ISIJ，PP364-371”描述了川崎制铁在水岛4号高炉上使用的Advanced GO-STOP专家系统的状况，Advanced GO-STOP系统是在原有模型GO-STOP的基础上发展起来的，该系统从数百个过程数据中选出230个用于推理的信息，在有600个规则的AI计算机中处理,为操作者对炉况的判定和运行提供指导。
文献“S．Masumoto; USE OF EXPERT SYSTEM IN BLAST FURNACE OPERATION AT KAWASAKI STEEL CORPORATION，2ND European Ironmaking Congress，PP40－50”描述了该系统的应用情况，该系统主要用于高炉的热状态及异常炉况的预报.热状态主要是预报铁水温度，对异常炉况的判断主要包括对崩料和管道的判断，由于日本高炉炉料成分极为稳定，Advanced GO-STOP系统在线使用时，命中率可达90%。
文献“YasuONIWA，Application of A Self-learning Functionto an Expert System for Blast Furnace Heat Control, ISIJ International. Vol. 30 (1990), No. 2,pp. 111-117”描述了日本钢管在福山5号高炉上应用的BAISYS专家系统的情况，该系统由异常炉况诊断专家系统和炉热控制专家系统两个子系统组成。BAISYS系统由过程计算机和专用的人工智能处理机等组成，过程计算机用于处理来自传感器的数据信息，而人工智能处理机则执行该系统采用产生式规则进行知识表达。对一些不确定的模糊知识，引用了置信度(CF)对其进行评价。该系统的知识库由异常炉况知识库和炉热控制知识库构成。其中，异常炉况知识库由200条产生式规则组成，这些规则按功能和传感器属性划分为不同的知识源，由此建立具有分层结构的知识库。炉热控制系统的知识库由500条规则组成，产生式规则的主要部分用框架结构来表达，主要包括判断炉况的知识群和判断炉温变化趋势的知识群等，其推理过程与上述异常炉况推理过程相同。
BAISYS系统对异常炉况的命中率达80%以上，对炉热状态判断的命中率可达90%。
文献“Koichi OTSUKA； A Hybrid Expert System Combinedwith a Mathematical Model for Blast Furnace Operation，ISIJ International，Vol.30（1990），No.2，PP118－127”描述了1988年10月,住友金属在鹿岛1号高炉上开发了包含原Ts炉热模型和专家规则相结合的混合专家系统（HYBRID）的情况。该系统在运行时，过程计算机将预处理过的数据和Ts模型的计算结果存贮在自己内部，并且，每2分钟到10分钟通过网络环路向人工智能计算机传递一次。混合专家系统中约有1200条规则，在高炉生产中约有80-85%的时间靠Ts模型控制，有15-20%的时间靠经验规则控制。目前该系统的使用效果良好，铁水含硅量的预报准确率达85%以上，铁水温度的预报准确率可达90%。
芬兰Rautaruukki—Kawasaki专家系统是一个纯粹的以规则为基础的专家系统。数学模型的计算结果作为专家系统的补充。
奥钢联VAI 专家系统和法国SACHEM高炉专家系统都是基于模型的高炉冶炼专家系统。这二个专家系统在对数据的预处理过程中广泛采用了统计分析，数学模型、人工神经网络及模糊数学、信息分析与处理等技术。同时在数学模型和专家系统的开发中广泛采用了流行的软件开发平台，如数据处理软件（matlab）、三维图形显示软件、流场计算软件（Ansys、 凤凰软件等）、专用数据检测及分析软件、专家系统平台等。并且专家系统的开发向网络化（法国）及闭环方向（奥钢联）发展。
从上世纪90年代中期至今武钢、首钢、鞍钢、沙钢、南钢等或引进、或开发了高炉冶炼专家系统，有的系统使用效果较好，有的使用效果有限。
多年来国内外高炉冶炼专家系统开发过程中遇到了很多问题，如系统的学习与维护能力低，推理机制单调，解释机制的简单化，操作指导的简单化，各子系统间缺乏分布式与协同化，没有考虑到设备的工作状况，缺乏完整的评价标准，软件开发困难，集成性能差等, 通过对比国内外的这些专家系统开发即可以发现上述问题都与一个问题有关,即高炉专家系统的核心—知识库太简单，并且知识库不能适应高炉状态的变化，不能根据高炉的状况进行实时更新。同时，现有的这些专家系统知识库都直接由高炉操作人员的经验堆积而成，这些经验具有很大的主观性，随着高炉过程的运行，往往需要进行改进，而高炉操作经验，一方面获取困难，另一方面仁者见仁、智者见智，有时就同一问题不同专家难以达成共性的意见，这都给专家系统维护带来了很大的困难。
发明内容
本发明的目的是为了克服上述背景技术的不足，提供一种基于模式识别技术构建的高炉冶炼专家系统及其方法，利用模式识别技术使其具有学习与维护能力强、操作方便、分布式与协同化程度高、评价标准客观、集成性能好、知识库丰富、并能实时更新的特点。
本发明提供的一种基于模式识别技术构建的高炉冶炼专家系统，包括装有数据库的服务器、操作工工作站、槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC、分布式控制系统和通讯用工控机，所述通讯用工控机分别与槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC和分布式控制系统相连，装有数据库的服务器和操作工工作站分别与通讯用工控机相连，还包括设在装有数据库的服务器中的状态分类模块、状态诊断模块、状态评估模块和状态调整模块，所述操作工工作站中设有状态显示模块，所述状态分类模块、状态诊断模块、状态评估模块和状态调整模块依次连接，其中：状态分类模块与通讯用工控机相连，按照高炉操作控制目标的要求，将知识库划分为一系列小知识库，一个高炉现象对应一个小知识库，针对单个知识库，分别建立相应的规则，构成状态分类知识库；状态诊断模块获取当前高炉检测数据，对表征不同高炉现象的参数进行状态匹配，以确认目前高炉的状况，与状态诊断有关的规则构成状态诊断知识库；状态评估模块主要目的在于确定当前的高炉状况是否符合稳定、顺行的要求，有哪些方面存在问题，进而确定是什么原因导致了高炉的异常，从而确定高炉调剂的方向，与状态评估有关的规则构成状态评估知识库；状态调整模块与操作工工作站相连，在对高炉状态做出准确的诊断、并确定高炉调剂的方向后，状态调整模块根据已经采取的措施，确定后续的调整措施，高炉调整通过精心备料、优化设备运行状态，采用上、下部调剂措施、改善各个环节之间联系等来达到高炉控制的目标，与状态调整有关的规则构成状态调整知识库；状态显示模块用于将表征高炉状况的参量用曲线、图形、报表形式显示出来，将根据不同的控制内容设定不同的显示界面。
在上述技术方案中，所述状态分类模块需要加以控制的高炉现象有气流分布、炉型状态、炉温状态、高炉整体状况、布料状态、炉缸工作状况和高炉顺行状况。
在上述技术方案中，所述状态分类模块采用模式识别的数据分类算法对数据进行分类处理，将气流分布划分为25类，炉型状态划分为25类，炉温状态划分为49类，高炉整体状况划分为36类，布料状态划分为36类，炉缸工作状况划分为16类，高炉顺行状况划分为36类。
在上述技术方案中，所述状态评估模块选择煤气利用率、下料指数、焦炭熔损反应量、热负荷、热指数、利用系数、燃料比、炉缸工作状态指数作为状态评估的参数和依据。
本发明提供的一种基于模式识别技术构建高炉冶炼专家系统的方法，所述高炉冶炼专家系统包括装有数据库的服务器、操作工工作站、槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC、分布式控制系统和通讯用工控机，所述通讯用工控机分别与槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC和分布式控制系统相连，装有数据库的服务器和操作工工作站分别与通讯用工控机相连，该方法包括以下步骤：存取数据步骤：通过槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC和分布式控制系统从高炉获取数据存入到数据库中，然后从数据库中将所需要的数据读取出来；状态分类步骤：按照高炉操作控制目标的要求，将知识库划分为一系列小知识库，一个高炉现象对应一个小知识库，针对单个知识库，分别建立相应的规则；状态诊断步骤：获取当前高炉检测数据，对表征不同高炉现象的参数进行状态匹配，以确认目前高炉的状况，与状态诊断有关的规则构成状态诊断知识库；状态评估步骤：确定当前的高炉状况是否符合稳定、顺行的要求，有哪些方面存在问题，进而确定是什么原因导致了高炉的异常，从而确定高炉调剂的方向，与状态评估有关的规则构成状态评估知识库；状态调整步骤：对高炉状态做出准确的诊断，并确定高炉调剂的方向，根据已经采取的措施，确定后续的调整措施，高炉调整通过精心备料、优化设备运行状态，采用上、下部调剂措施、改善各个环节之间联系来达到高炉控制的目标，与状态调整有关的规则构成状态调整知识库；状态显示步骤：将表征高炉状况的参量用曲线、图形、报表形式显示出来，将根据不同的控制内容设定不同的显示界面；执行步骤：根据表征高炉状况的参量，通过槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC或分布式控制系统执行调整策略。
在上述技术方案中，状态分类步骤中需要加以控制的高炉现象包括气流分布、炉型状态、炉温状态、高炉整体状况、布料状态、炉缸工作状况和高炉顺行状况。
在上述技术方案中，状态分类步骤中需要加以控制的高炉现象包括气流分布、炉型状态、炉温状态、高炉整体状况、布料状态、炉缸工作状况和高炉顺行状况。
在上述技术方案中，状态分类步骤中采用模式识别的数据分类算法对数据进行分类处理，将气流分布划分为25类，炉型状态划分为25类，炉温状态划分为49类，高炉整体状况划分为36类，布料状态划分为36类，炉缸工作状况划分为16类，高炉顺行状况划分为36类。
在上述技术方案中，状态评估步骤中采用选择煤气利用率、下料指数、焦炭熔损反应量、热负荷、热指数、利用系数、燃料比、炉缸工作状态指数作为状态评估的参数和依据。
本发明基于模式识别技术构建的高炉冶炼专家系统及其方法，具有以下有益效果：和现有技术相比，提供了一种基于模式识别技术构建的高炉冶炼专家系统及其方法，所述系统和方法借助于模式识别技术来对各种高炉现象的状态进行分类，分类结果基于高炉过程数据库中采集的海量高炉过程数据，分类过程是一种无指导的分类技术，分类结果完全根据高炉实际状况自动分类完成的，分类结果具有完全的客观性，这和国内外其他高炉冶炼专家系统知识库的构建有本质的区别，并通过深入分析高炉过程的变化规律，实时更新规则库来实现高炉各系统的协同，解决了专家系统开发过程遇到的学习与维护能力低、操作不便、分布式与协同化程度低、评价标准太主观、集成性能差、知识库简单、无法实时更新等问题，从而大大提升了专家系统的可维护性。
附图说明
图1为本发明基于模式识别技术构建的高炉冶炼专家系统的布置示意图；
图2为本发明基于模式识别技术构建高炉冶炼专家系统的方法的流程示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制。
以下结合表格对本发明作进一步的描述。在基于模式识别技术构建高炉冶炼专家系统时，随着高炉控制目标的差异，专家系统本身的内容是有差异的，下表列出了基于不同目的的高炉过程控制专家系统及其所包含的模式识别的内容。
参见图1，本发明基于模式识别技术构建的高炉冶炼专家系统，包括装有数据库的服务器、操作工工作站、槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC、分布式控制系统和通讯用工控机。
本实施例所涉及的高炉容积为3200m3，高炉采用全冷却壁软水密闭冷却系统冷却，装有数据库的服务器为2台服务器HP Server ML570G2，数据库为Oracle数据库，操作工工作站为6台HP XW4100，所述槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC和水系统控制PLC均为西门子S7-400，分布式控制系统用于热风炉和高炉本体监测控制。所述通讯用工控机分别与槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC和分布式控制系统相连，装有数据库的服务器和操作工工作站分别与通讯用工控机相连，装有数据库的服务器中设有状态分类模块、状态诊断模块、状态评估模块和状态调整模块，所述操作工工作站中设有状态显示模块，所述状态分类模块、状态诊断模块、状态评估模块和状态调整模块依次连接，其中：
状态分类模块与通讯用工控机相连，由于高炉体积巨大，各个方面的控制侧重点各有差异，所以状态分类模块将高炉整体状态划分为几个不同的方面，各个方面基于不同的控制侧重点，按照高炉操作控制目标的要求，将知识库划分为一系列小知识库，一个高炉现象对应一个小知识库，针对单个知识库，分别建立相应的规则，构成状态分类知识库。
对于高炉而言，需要加以控制的高炉现象有气流分布a1、炉型状态a2、炉温状态a3、高炉整体状况a4、布料状态a5、炉缸工作状况a6、高炉顺行状况a7，其中气流分布a1、炉型状态a2、炉温状态a3、炉缸工作状况a6是单一现象的分类，高炉整体状况a4、布料状态a5、高炉顺行状况a7是复合现象的分类。同时，状态分类模块采用模式识别的数据分类算法对数据进行分类处理，将气流分布a1划分为25类，炉型状态a2划分为25类，炉温状态a3划分为49类，高炉整体状况a4划分为36类，布料状态a5划分为36类，炉缸工作状况a6划分为16类，高炉顺行状况a7划分为36类。不同的控制目标可以构建不同的知识库，这些状态分类需要借助于模式识别技术来实现，各种现象的分类结果就构成了高炉冶炼专家系统知识库的核心，下面的状态诊断模块、状态评估模块、状态调整模块都依据状态分类模块工作的结果来实现。
状态诊断模块获取当前高炉检测数据，对表征不同高炉现象的参数进行状态匹配，以确认目前高炉的状况，如确定高炉炉型的状态，确定气流分布的状态，确定炉缸工作状态，确定炉温状态，确定高炉顺行及高炉的整体状况，与状态诊断有关的规则构成状态诊断知识库。
状态评估模块的工作就是要评估当前状态是否符合高炉调控的目标，这涉及到一个价值评判的问题，选择煤气利用率、下料指数、焦炭熔损反应量、热负荷、热指数、利用系数、燃料比、炉缸工作状态指数作为状态评估的参数和依据，状态评估的主要目的在于确定当前的高炉状况是否符合稳定、顺行的要求，有哪些方面存在问题，进而确定是什么原因导致了高炉的异常，从而确定高炉调剂的方向，与状态评估有关的规则构成状态评估知识库。
状态调整模块与操作工工作站相连，状态诊断模块在对高炉状态做出准确的诊断、状态评估模块确定高炉调剂的方向后，状态调整模块根据已经采取的措施，确定后续的调整措施，高炉调整通过精心备料、优化设备运行状态，采用上、下部调剂措施、改善各个环节之间联系等来达到高炉控制的目标，与状态调整有关的规则构成状态调整知识库。
一旦控制措施使用到高炉上后，高炉本身会发生一系列的反应，这些反应对应于高炉状态的变化，这就需要随时评估高炉状态的变化是否朝着预定的目标演化，以期达到调控的目标，状态显示模块用于将表征高炉状况的参量用曲线、图形、报表等形式显示出来，将根据不同的控制内容设定不同的显示界面。
参见图2，本发明包括以下步骤：
存取数据步骤：通过槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC和分布式控制系统从高炉获取数据存入到Oracle数据库中，从Oracle数据库中将所需要的数据读取出来。
状态分类步骤：由于高炉体积巨大，各个方面的控制侧重点各有差异，所以状态分类模块将高炉整体状态划分为几个不同的方面，各个方面基于不同的控制侧重点，按照高炉操作控制目标的要求，将知识库划分为一系列小知识库，一个高炉现象对应一个小知识库，针对单个知识库，分别建立相应的规则。
对于高炉而言，需要加以控制的高炉现象有气流分布a1、炉型状态a2、炉温状态a3、高炉整体状况a4、布料状态a5、炉缸工作状况a6、高炉顺行状况a7，其中气流分布a1、炉型状态a2、炉温状态a3、炉缸工作状况a6是单一现象的分类，高炉整体状况a4、布料状态a5、高炉顺行状况a7是复合现象的分类。同时，状态分类模块采用模式识别的数据分类算法对数据进行分类处理，将气流分布a1划分为25类，炉型状态a2划分为25类，炉温状态a3划分为49类，高炉整体状况a4划分为36类，布料状态a5划分为36类，炉缸工作状况a6划分为16类，高炉顺行状况a7划分为36类。不同的控制目标可以构建不同的知识库，这些状态分类需要借助于模式识别技术来实现，这些内容构成了高炉专家系统知识库的基础规则，下面的状态诊断步骤、状态评估步骤、状态调整步骤都依据状态分类步骤的结果来实现。
状态诊断步骤：获取当前高炉检测数据，对表征不同高炉现象的参数进行状态匹配，以确认目前高炉的状况，如确定高炉炉型的状态，确定气流分布的状态，确定炉缸工作状态，确定炉温状态，确定高炉顺行及高炉的整体状况，与状态诊断有关的规则构成状态诊断知识库。
状态评估步骤：状态评估的主要目的在于确定当前的高炉状况是否符合稳定、顺行的要求，有哪些方面存在问题，进而确定是什么原因导致了高炉的异常，从数据库中取出当前监测数据，根据不同现象的表征参数来评估高炉各种现象的状况，并且依据不同的高炉评估指标（煤气利用率、下料指数、焦炭熔损反应量、热负荷、热指数、利用系数、燃料比、炉缸工作状态指数）对不同现象的状况进行评估，根据高炉各个现象之间的因果关系和已经采取的上下部调剂措施，确定高炉调剂的方向和程度，与状态评估有关的规则构成状态评估知识库。
状态调整步骤：对高炉状态做出准确的诊断，并确定高炉调剂的方向，根据已经采取的措施，确定后续的调整措施，高炉调整通过精心备料、优化设备运行状态，采用上、下部调剂措施、改善各个环节之间联系来达到高炉控制的目标，与状态调整有关的规则构成状态调整知识库。
状态显示步骤：一旦控制措施使用到高炉上后，高炉本身会发生一系列的反应，这些反应对应于高炉状态的变化，这就需要随时评估高炉状态的变化是否朝着预定的目标演化，以期达到调控的目标，状态显示将表征高炉状况的参量用曲线、图形、报表等形式显示出来，将根据不同的控制内容设定不同的显示界面。
执行步骤：根据表征高炉状况的参量，如果炉况需要调整，通过将调整策略传送到槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC或分布式控制系统进行执行。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种基于模式识别技术构建的高炉冶炼专家系统，包括装有数据库的服务器、操作工工作站、槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC、分布式控制系统和通讯用工控机，所述通讯用工控机分别与槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC和分布式控制系统相连，装有数据库的服务器和操作工工作站分别与通讯用工控机相连，其特征在于：还包括设在装有数据库的服务器中的状态分类模块、状态诊断模块、状态评估模块和状态调整模块，所述操作工工作站中设有状态显示模块，所述状态分类模块、状态诊断模块、状态评估模块和状态调整模块依次连接，其中：
状态分类模块与通讯用工控机相连，按照高炉操作控制目标的要求，将知识库划分为一系列小知识库，一个高炉现象对应一个小知识库，针对单个知识库，分别建立相应的规则，构成状态分类知识库；
状态诊断模块获取当前高炉检测数据，对表征不同高炉现象的参数进行状态匹配，以确认目前高炉的状况，与状态诊断有关的规则构成状态诊断知识库；
状态评估模块主要目的在于确定当前的高炉状况是否符合稳定、顺行的要求，有哪些方面存在问题，进而确定是什么原因导致了高炉的异常，从而确定高炉调剂的方向，与状态评估有关的规则构成状态评估知识库；
状态调整模块与操作工工作站相连，在对高炉状态做出准确的诊断、并确定高炉调剂的方向后，状态调整模块根据已经采取的措施，确定后续的调整措施，高炉调整通过精心备料、优化设备运行状态，采用上、下部调剂措施、改善各个环节之间联系来达到高炉控制的目标，与状态调整有关的规则构成状态调整知识库；
状态显示模块用于将表征高炉状况的参量用曲线、图形、报表形式显示出来，将根据不同的控制内容设定不同的显示界面。
2.根据权利要求1所述的基于模式识别技术构建的高炉冶炼专家系统，其特征在于：所述状态分类模块需要加以控制的高炉现象有气流分布(a1)、炉型状态(a2)、炉温状态(a3)、高炉整体状况(a4)、布料状态(a5)、炉缸工作状况(a6)和高炉顺行状况(a7)。
3.根据权利要求2所述的基于模式识别技术构建的高炉冶炼专家系统，其特征在于：所述状态分类模块采用模式识别的数据分类算法对数据进行分类处理，将气流分布(a1)划分为25类，炉型状态(a2)划分为25类，炉温状态(a3)划分为49类，高炉整体状况(a4)划分为36类，布料状态(a5)划分为36类，炉缸工作状况(a6)划分为16类，高炉顺行状况(a7)划分为36类。
4.根据权利要求1所述的基于模式识别技术构建的高炉冶炼专家系统，其特征在于：所述状态评估模块选择煤气利用率、下料指数、焦炭熔损反应量、热负荷、热指数、利用系数、燃料比、炉缸工作状态指数作为状态评估的参数和依据。
5.一种基于模式识别技术构建高炉冶炼专家系统的方法，所述高炉冶炼专家系统包括装有数据库的服务器、操作工工作站、槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC、分布式控制系统和通讯用工控机，所述通讯用工控机分别与槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC和分布式控制系统相连，装有数据库的服务器和操作工工作站分别与通讯用工控机相连，其特征在于：该方法包括以下步骤：
存取数据步骤：通过槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC和分布式控制系统从高炉获取数据存入到数据库中，然后从数据库中将所需要的数据读取出来；
状态分类步骤：按照高炉操作控制目标的要求，将知识库划分为一系列小知识库，一个高炉现象对应一个小知识库，针对单个知识库，分别建立相应的规则；
状态诊断步骤：获取当前高炉检测数据，对表征不同高炉现象的参数进行状态匹配，以确认目前高炉的状况，与状态诊断有关的规则构成状态诊断知识库；
状态评估步骤：确定当前的高炉状况是否符合稳定、顺行的要求，有哪些方面存在问题，进而确定是什么原因导致了高炉的异常，从而确定高炉调剂的方向，与状态评估有关的规则构成状态评估知识库；
状态调整步骤：对高炉状态做出准确的诊断，并确定高炉调剂的方向，根据已经采取的措施，确定后续的调整措施，高炉调整通过精心备料、优化设备运行状态，采用上、下部调剂措施、改善各个环节之间联系来达到高炉控制的目标，与状态调整有关的规则构成状态调整知识库；
状态显示步骤：将表征高炉状况的参量用曲线、图形、报表形式显示出来，将根据不同的控制内容设定不同的显示界面；
执行步骤：根据表征高炉状况的参量，通过槽下备料PLC、炉顶布料PLC、水渣控制PLC、除尘控制PLC、喷煤控制PLC、水系统控制PLC或分布式控制系统执行调整策略。
6.根据权利要求5所述的基于模式识别技术构建高炉冶炼专家系统的方法，其特征在于：状态分类步骤中需要加以控制的高炉现象包括气流分布(a1)、炉型状态(a2)、炉温状态(a3)、高炉整体状况(a4)、布料状态(a5)、炉缸工作状况(a6)和高炉顺行状况(a7)。
7.根据权利要求6所述的基于模式识别技术构建高炉冶炼专家系统的方法，其特征在于：状态分类步骤中采用模式识别的数据分类算法对数据进行分类处理，将气流分布(a1)划分为25类，炉型状态(a2)划分为25类，炉温状态(a3)划分为49类，高炉整体状况(a4)划分为36类，布料状态(a5)划分为36类，炉缸工作状况(a6)划分为16类，高炉顺行状况(a7)划分为36类。
8.根据权利要求5所述的基于模式识别技术构建高炉冶炼专家系统的方法，其特征在于：状态评估步骤中采用选择煤气利用率、下料指数、焦炭熔损反应量、热负荷、热指数、利用系数、燃料比、炉缸工作状态指数作为状态评估的参数和依据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210464259.2A CN102915027B (zh) | 2012-11-16 | 2012-11-16 | 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210464259.2A CN102915027B (zh) | 2012-11-16 | 2012-11-16 | 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102915027A CN102915027A (zh) | 2013-02-06 |
| CN102915027B true CN102915027B (zh) | 2014-08-13 |
Family
ID=47613433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210464259.2A Active CN102915027B (zh) | 2012-11-16 | 2012-11-16 | 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102915027B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439999B (zh) * | 2013-08-23 | 2015-05-06 | 武汉钢铁(集团)公司 | 根据冷却壁温度变化进行高炉异常炉温控制的方法 |
| CN103544273B (zh) * | 2013-10-21 | 2017-01-18 | 武汉钢铁(集团)公司 | 利用模式识别技术对炉况整体状态进行评估的方法 |
| CN104460574A (zh) * | 2014-04-10 | 2015-03-25 | 江苏永钢集团有限公司 | 一种可实时立体监视高炉状态的系统和方法 |
| CN105812200B (zh) * | 2014-12-31 | 2019-09-13 | 中国移动通信集团公司 | 异常行为检测方法及装置 |
| CN105441610A (zh) * | 2015-12-10 | 2016-03-30 | 武汉钢铁(集团)公司 | 一种建立高炉操作模型的方法 |
| CN107544242A (zh) * | 2016-06-28 | 2018-01-05 | 上海二十冶建设有限公司 | 逆系统方法在连铸水处理系统中控制溶解氧的方法 |
| CN106355314A (zh) * | 2016-08-26 | 2017-01-25 | 广东工业大学 | 一种汽车发动机气门质量流式数据处理方法及装置 |
| CN110245690A (zh) * | 2019-05-23 | 2019-09-17 | 中国地质大学（武汉） | 一种基于模糊聚类的高炉炉况识别方法与系统 |
| CN110760633A (zh) * | 2019-11-26 | 2020-02-07 | 中冶赛迪重庆信息技术有限公司 | 高炉炉内气流分布控制方法、装置、存储介质及电子终端 |
| CN112813209B (zh) * | 2020-12-30 | 2022-06-24 | 中冶南方工程技术有限公司 | 一种高炉数据处理方法和装置 |
| CN113778035B (zh) * | 2021-09-26 | 2023-05-05 | 云南锡业股份有限公司锡业分公司 | 一种智能粗锡冶炼系统 |
| CN113737015B (zh) * | 2021-09-26 | 2023-10-03 | 云南锡业股份有限公司锡业分公司 | 一种智能粗锡冶炼系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1207399C (zh) * | 2002-10-17 | 2005-06-22 | 浙江大学 | 智能控制高炉冶炼的系统 |
| CN1995401A (zh) * | 2006-12-18 | 2007-07-11 | 冶金自动化研究设计院 | 高炉智能诊断与决策支持系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10317024A (ja) * | 1997-05-19 | 1998-12-02 | Nisshin Steel Co Ltd | 高炉異常炉況判定システム |
| DE102006032955A1 (de) * | 2006-07-17 | 2008-02-07 | Siemens Ag | Industrieanlage mit einem sicherheitsrelevanten Bereich |
-
2012
- 2012-11-16 CN CN201210464259.2A patent/CN102915027B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1207399C (zh) * | 2002-10-17 | 2005-06-22 | 浙江大学 | 智能控制高炉冶炼的系统 |
| CN1995401A (zh) * | 2006-12-18 | 2007-07-11 | 冶金自动化研究设计院 | 高炉智能诊断与决策支持系统 |
Non-Patent Citations (7)
| Title |
|---|
| JP特开平10-317024A 1998.12.02 |
| 模式识别技术在高炉炼铁过程控制中的应用;陈令坤;《武钢技术》;20101231;第48卷(第6期);第50-53页 * |
| 陈令坤.模式识别技术在高炉炼铁过程控制中的应用.《武钢技术》.2010,第48卷(第6期),第50-53页. |
| 陈令坤等.高炉冶炼专家系统在炉型管理中的应用.《钢铁》.2000,第35卷(第9期),第5-9页. |
| 陈令坤等.高炉冶炼专家系统的开发研究.《钢铁》.2006,第41卷(第1期),第14-18页. |
| 高炉冶炼专家系统在炉型管理中的应用;陈令坤等;《钢铁》;20000930;第35卷(第9期);第5-9页 * |
| 高炉冶炼专家系统的开发研究;陈令坤等;《钢铁》;20060131;第41卷(第1期);第14-18页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102915027A (zh) | 2013-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102915027B (zh) | 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 | |
| CN109063358B (zh) | 一种新型高炉顺行评价的方法 | |
| Chen et al. | Energy consumption modelling using deep learning technique—a case study of EAF | |
| CN111651931B (zh) | 基于深度神经网络的高炉故障诊断规则导出方法 | |
| CN113234874B (zh) | 一种基于动态贝叶斯网络的高炉故障监测与自愈控制系统 | |
| CN102952912A (zh) | 基于专家系统和知识库的高炉冶炼方法和系统 | |
| CN103194553B (zh) | 一种基于最小二乘支持向量机的高炉氧气使用量控制方法 | |
| Backman et al. | Methods and tools of improving steel manufacturing processes: Current state and future methods | |
| CN103426035A (zh) | 钢铁行业副产高炉煤气自平衡调度系统及产消量预测方法 | |
| CN105574297B (zh) | 自适应高炉铁水硅含量趋势预报方法 | |
| Feng et al. | Endpoint temperature prediction of molten steel in RH using improved case-based reasoning | |
| CN107463093A (zh) | 一种基于kpls鲁棒重构误差的高炉铁水质量监测方法 | |
| Azadeh et al. | Optimization of production systems through integration of computer simulation, design of experiment, and Tabu search: the case of a large steelmaking workshop | |
| CN104536396A (zh) | 一种水泥生料在分解炉内分解过程的软测量建模方法 | |
| An et al. | Two-layer fault diagnosis method for blast furnace based on evidence-conflict reduction on multiple time scales | |
| CN102156405B (zh) | 小样本贫信息下的烧结矿化学成分预测与智能控制系统 | |
| Liu et al. | Ladle intelligent re-scheduling method in steelmaking–refining–continuous casting production process based on BP neural network working condition estimation | |
| Wu et al. | Intelligent integrated optimization and control system for lead–zinc sintering process | |
| CN100583136C (zh) | 一种高炉炼铁专家系统决策合成方法 | |
| Rojek et al. | Methods of computational intelligence in the context of quality assurance in foundry products | |
| CN114185976B (zh) | 一种高炉可视化智能感知平台 | |
| CN105242545B (zh) | 一种基于工艺批次模型的转炉用氧流量的预测方法 | |
| Cui et al. | Prediction of blast furnace temperature based on multi-information fusion of image and data | |
| Cheng et al. | Research on logistics simulation and optimization of die forging production line based on flexsim | |
| Yang et al. | Evaluation of Energy Utilization Efficiency and Optimal Energy Matching Model of EAF Steelmaking Based on Association Rule Mining |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20170714 Address after: 430083, Hubei Wuhan Qingshan District Factory No. 2 Gate joint stock company organs Patentee after: Wuhan iron and Steel Company Limited Address before: 430080 Wuchang, Hubei Friendship Road, No. A, block, floor 999, 15 Patentee before: Wuhan Iron & Steel (Group) Corp. |
|
| TR01 | Transfer of patent right |