CN102925602B - 高炉操作炉型维护方法 - Google Patents

Abstract

本发明公开了一种高炉操作炉型维护方法，该方法通过相应的传感器获取高炉实时冷却壁温度、冷却水流量和冷却水温度的参数，建立分类用样本，利用模式识别技术对冷却壁温度、冷却水流量和冷却水温度的参数进行分类，以分类结果为索引，对同时间内的高炉操作指标进行分类，找出指标比较优化的冷却壁变化类型，统计落在指标比较优化的区间内的冷却壁温度的变化范围，这种数据就对应着当前炉况下的冷却壁温度及冷却水流量和温度的控制范围，最后依据此控制范围对高炉进行控制。本发明实现了高炉炉型管理的动态控制。

Description

高炉操作炉型维护方法

技术领域

本发明涉及钢铁冶炼技术领域，具体涉及一种高炉操作炉型维护方法。

技术背景

高炉操作炉型指的是高炉内型的状态，高炉在操作过程中炉料不断下降，同时煤气流不断上升，发生气固两相流的热交换，同时完成相关的化学反应，高炉在操作过程中希望在高炉内部从炉身中、下部到炉腹区域能够形成一层光滑、稳定的保护渣层，该渣层可以起到很好的隔热效果，渣皮的存在一方面可以保护高炉冷却设备，另一方面也有利于高炉内气固两相流的运动，有利于高炉冶炼的进行。但如果渣皮太厚，或者渣皮频繁脱落，都会给高炉运行带来很大的麻烦，轻者造成高炉炉凉，严重时造成冷却设备损坏，影响炉料的顺利下降，对于大型高炉而言，高炉操作炉型的维护关系到高炉操作的稳定、顺行，决定高炉一代炉役的寿命。

由于高炉是一个大型密闭反应器，不可能直接观察高炉炉型的变化特点，目前只能通过间接方式来估计高炉操作炉型的变化，如通过炉顶煤气分析仪的检测结果评估气流的稳定性，文献“Yoshio KAWATE，Measuring Methods for Lining Erosion of the Blast Furnace，Transactions ISIJ，Vol.22，1982，P799-806”中描述了通过冷却壁温度变化来评估炉型变化的方法，文献“Jeong Whan Han，Evaluation of Heat Flux Through Blast Furnace Shellwith Attached Sensors，Ironmaking Conference Proceedings,1996, P223-228”描述了通过炉墙热负荷的变化来评估炉型变化的方法等。

目前国内各个钢铁厂大都是通过冷却壁温度的变化，或者通过冷却壁水温差的变化来判断炉型的状态的。

对于通过冷却壁温度变化来评估操作炉型变化的方法，国内各厂家都是通过设定冷却壁的温度管理区间来维持炉型的稳定的，如根据高炉各段选择的冷却元件的种类确定合适的温度控制区间，同时参考冷却壁水温差的变化来对高炉操作炉型进行管理，这种管理方法没有考虑到高炉一代炉役内原料条件、冷却设备状况、冷却水量、高炉的上下部调剂制度、高炉整体状况的变化，存在某种滞后性，一般是采取一年或者几年修订一次规程的办法对相关规范进行修订，或者在炉况异常时临时性设定管理范围，这些措施一方面滞后性大，另一方面随意性大，难以反映高炉的实际状况。

另外，对于采用冷却壁的冷却水温度变化对炉型进行管理的方法存在一个大的困难，那就是由于高炉生产环境恶劣，现场干扰巨大，加之监测点距高炉控制室距离长，虽然大型高炉整个高度方向的水温差大约在3~8℃之间，但冷却壁层与层之间的水温差一般只有零点几度，由于环境干扰，系统误差大，即使目前采用PT1000型电偶也很难长时间准确检测出水温的连续变化，也就是说难以做到0.1℃的测量精度。

发明内容

本发明的目的就是要解决上述技术所存在的问题，提供一种实时性强、控制精度高的高炉操作炉型维护方法。

为实现此目的，本发明所设计高炉操作炉型维护方法，其特殊之处在于，它包括如下步骤：

步骤1：通过铠装测温电偶实时获取高炉冷却系统的冷却壁温度参数，通过电磁流量计实时获取高炉冷却系统的冷却水流量的参数、通过铠装电偶实时获取高炉冷却系统的冷却水温度参数，同时获取高炉利用系数和高炉燃料比参数，将上述所有参数存储在数据库中；

步骤2：将上述步骤1中每隔15分钟获取的冷却壁温度参数、冷却水流量参数和冷却水温度参数取平均值后构成一个样本；

步骤3：采用模式识别技术将上述得到的样本进行模式分类；

步骤4：将上述样本的模式分类结果构成标准样本库，将每天获取的冷却壁温度参数、冷却水流量参数、冷却水温度参数样本和标准样本库中的样本进行比对，确定上述参数样本属于模式分类中的那一类，并将比对结果存入数据库中，即得到了每天的样本分布；

步骤5：利用最优高炉利用系数或者高炉燃料比为标准，将满足最优高炉利用系数或者高炉燃料比的操作天数进行归并，通过叠加满足最优高炉利用系数或者高炉燃料比中包含的每天的样本分布，获得综合的样本分布，这个综合的样本分布对应于最优高炉指标水平；

步骤6：得到对应于综合样本分布的高炉冷却壁的平均温度，该温度就是上述测试周期内的最优控制温度，可以将该温度设定为控制标准；

步骤7：结合步骤6中得到最优控制温度，控制高炉调温系统，使高炉冷却壁工作在上述最优控制温度下。

进一步地，所述步骤3中，模式识别技术为SOFM人工神经网络算法、k-means算法、海量数据处理免疫算法中的一种。

进一步地，所述步骤3中，模式识别技术优选k-means算法，所述k-means算法进行模式识别分类包括如下步骤：

步骤301：在模式识别过程中从上述样本点的集合S={x₁,x₂,…,x_n}中随机选取k个初始的聚类中心，z₁,z₂,…,z_k；上述x₁,x₂,…,x_n是要分类的样本；

步骤302：将上述样本点的集合S={x₁,x₂,…,x_n}根据上述聚类中心z₁,z₂,…,z_k进行聚类，得到k个类{C₁,C₂,…,C_k}，C_i的确定方法如下：对于任意的x_j∈S，如果，那么x_j属于类C_i，上述i表示k个类中的一个，j表示1~n个类中的一个；

步骤303：通过公式

$z_i^{*}=\frac{1}{n_i}\underset{x_j\∈C_i}{\mathrm{\Σ}}{x}_j$

调整聚类中心，得到新的聚类中心，其中n_i是C_i中包含的样本点的数目；

步骤304：如果有，&表示逻辑与，迭代终止，输出最优的聚类结果{C₁,C₂,…,C_k}；完成模式识别过程，实现上述样本的模式分类，否则

用新的聚类中心，取代旧的聚类中心z₁,z₂,…,z_k即

返回步骤302。

进一步地，所述步骤5中，最优高炉利用系数为2.6~2.8。

进一步地，所述步骤5中，最优高炉燃料比为500~530kg/吨铁。

进一步地，所述高炉利用系数为高炉单位容积一天的产铁量，单位为t/m³.d。

进一步地，所述步骤1中，获取3~5个月的实时冷却壁温度参数、冷却水流量参数、冷却水温度参数、高炉利用系数和高炉燃料比参数。

本发明可以自动得到最贴近高炉运行实际的冷却壁温度、冷却水流量及温度的控制标准，实现了高炉炉型管理的动态控制，应用该技术可以及时发现高炉炉型变化，避免炉型控制的失常，同时可以利用这些实测冷却壁温度、冷却水流量及温度的控制标准来修改操作规程中的相关规定。

具体实施方式

以下结合实施例对本发明作进一步的详细说明：

本发明的高炉操作炉型维护方法为：通过相应的传感器获取高炉实时冷却壁温度、冷却水流量和冷却水温度的参数，建立分类用样本，利用模式识别技术对冷却壁温度、冷却水流量和冷却水温度的参数进行分类，以分类结果为索引，对同时间内的高炉操作指标进行分类，找出指标比较优化的冷却壁变化类型，统计落在指标比较优化的区间内的冷却壁温度的变化范围，这种数据就对应着当前炉况下的冷却壁温度及冷却水流量和温度的控制范围，最后依据此控制范围对高炉进行控制。

具体来说本发明包括如下步骤：

步骤1：通过铠装测温电偶实时获取高炉冷却系统的冷却壁温度参数，通过电磁流量计实时获取高炉冷却系统的冷却水流量的参数、通过铠装电偶实时获取高炉冷却系统的冷却水温度参数，同时获取高炉利用系数和高炉燃料比参数，该高炉利用系数和高炉燃料比参数的采样周期为一天，即一天获取一个高炉利用系数和高炉燃料比参数，将上述所有参数存储在数据库中；

步骤2：将上述步骤1中每隔15分钟获取的冷却壁温度参数、冷却水流量参数和冷却水温度参数取平均值后构成一个样本；

步骤3：采用模式识别技术将上述得到的样本进行模式分类；

步骤4：将上述样本的模式分类结果构成标准样本库，将每天获取的冷却壁温度参数、冷却水流量参数、冷却水温度参数样本和标准样本库中的样本进行比对，确定上述参数样本属于模式分类中的那一类，并将比对结果存入数据库中，即得到了每天的样本分布；

步骤5：利用最优高炉利用系数或者高炉燃料比为标准，将满足最优高炉利用系数或者高炉燃料比的操作天数进行归并，通过叠加满足最优高炉利用系数或者高炉燃料比中包含的每天的样本分布，获得综合的样本分布，这个综合的样本分布对应于最优高炉指标水平；

步骤6：得到对应于综合样本分布的高炉冷却壁的平均温度，该温度就是上述测试周期内的最优控制温度，可以将该温度设定为控制标准；

步骤7：结合步骤6中得到最优控制温度，控制高炉调温系统，使高炉冷却壁工作在上述最优控制温度下。

上述技术方案的步骤3中，所述步骤3中，模式识别技术为SOFM人工神经网络算法、k-means算法、海量数据处理免疫算法中的一种。上述算法均为比较成熟的现有模式分类算法。

上述技术方案的步骤3中，模式识别技术优选k-means算法，所述k-means算法进行模式识别分类包括如下步骤：

步骤301：在模式识别过程中从上述样本点的集合S={x₁,x₂,…,x_n}中随机选取k个初始的聚类中心，z₁,z₂,…,z_k；上述x₁,x₂,…,x_n是要分类的样本；

步骤302：将上述样本点的集合S={x₁,x₂,…,x_n}根据上述聚类中心z₁,z₂,…,z_k进行聚类，得到k个类{C₁,C₂,…,C_k}，C_i的确定方法如下：对于任意的x_j∈S，如果，那么x_j属于类C_i，上述i表示k个类中的一个，j表示1~n个类中的一个，||符号表示距离；

步骤303：通过公式

$z_i^{*}=\frac{1}{n_i}\underset{x_j\∈C_i}{\mathrm{\Σ}}{x}_j$

调整聚类中心，得到新的聚类中心，其中n_i是C_i中包含的样本点的数目；

步骤304：如果有，&表示逻辑与，迭代终止，输出最优的聚类结果{C₁,C₂,…,C_k}；完成模式识别过程，实现上述样本的模式分类，否则

用新的聚类中心，取代旧的聚类中心z₁,z₂,…,z_k即

返回步骤302。

上述技术方案的步骤5中，所述最优高炉利用系数为2.6~2.8。所述最优高炉燃料比为500~530kg/吨铁。

本发明中的，高炉利用系数为高炉单位容积一天的产铁量，单位为t/m³.d，d代表“天”。高炉燃料比为冶炼1吨生铁消耗的燃料量。

上述技术方案的步骤1中，获取3~5个月的实时冷却壁温度参数、冷却水流量参数、冷却水温度参数、高炉利用系数和高炉燃料比参数。

大多数的高炉监测数据，包括炉身、炉腰、炉腹冷却壁温度测量数据，高炉本体冷却水流量及水温变化信息，一座大型高炉一般有14段冷却壁，需要获取从下向上数第5段到第12段冷却壁的相关信息，大型高炉本体一般有80个左右的监测点，每15分钟获取一次监测数据，数据总量在100万个左右。

步骤3中的模式分类技术将相关数据整理成可用的样本，这里一般将15分钟数据整理成1个样本，一个样本含有10-12个数据，获取样本的方法根据实际需要而定，每一段冷却壁的监测数据取平均值，从第5段到12段冷却壁共8个数据，同时包括水流量、水温差，一共10个数据，一共可以获得10000个左右的样本。

本说明书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 (6)

1.一种高炉操作炉型维护方法，其特征在于，它包括如下步骤：

步骤1：通过铠装测温电偶实时获取高炉冷却系统的冷却壁温度参数，通过电磁流量计实时获取高炉冷却系统的冷却水流量的参数、通过铠装电偶实时获取高炉冷却系统的冷却水温度参数，同时获取高炉利用系数和高炉燃料比参数，将上述所有参数存储在数据库中；

步骤2：将上述步骤1中每隔15分钟获取的冷却壁温度参数、冷却水流量参数和冷却水温度参数取平均值后构成一个样本；

步骤3：采用模式识别技术将上述得到的样本进行模式分类；

上述模式识别技术为k-means算法，所述k-means算法进行模式识别分类包括如下步骤：

步骤301：在模式识别过程中从上述样本点的集合S＝{x₁,x₂,...,x_n}中随机选取k个初始的聚类中心，z₁,z₂,...,z_k；上述x₁,x₂,...,x_n是要分类的样本；

步骤302：将上述样本点的集合S＝{x₁,x₂,...,x_n}根据上述聚类中心z₁,z₂,...,z_k进行聚类，得到k个类{C₁,C₂,...,C_k}，C_i的确定方法如下：对于任意的x_j∈S，如果p≠i,p＝1,2,...,k，那么x_j属于类C_i，上述i表示k个类中的一个，j表示1～n个类中的一个；

步骤303：通过公式

$z_i^{*}=\frac{1}{n_i}\underset{x_j\∈C_i}{\mathrm{\Σ}}{x}_j$

调整聚类中心，得到新的聚类中心其中n_i是C_i中包含的样本点的数目；

步骤304：如果有&表示逻辑与，迭代终止，输出最优的聚类结果{C₁,C₂,...,C_k}；完成模式识别过程，实现上述样本的模式分类，否则

用新的聚类中心取代旧的聚类中心z₁，z₂，…，z_k即 $z_1:=z_1^{*},z_2:=z_2^{*},...,z_k=z_k^{*}$

返回步骤302；

步骤4：将上述样本的模式分类结果构成标准样本库，将每天获取的冷却壁温度参数、冷却水流量参数、冷却水温度参数样本和标准样本库中的样本进行比对，确定上述参数样本属于模式分类中的那一类，并将比对结果存入数据库中，即得到了每天的样本分布；

步骤5：利用最优高炉利用系数或者高炉燃料比为标准，将满足最优高炉利用系数或者高炉燃料比的操作天数进行归并，通过叠加满足最优高炉利用系数或者高炉燃料比中包含的每天的样本分布，获得综合的样本分布，这个综合的样本分布对应于最优高炉指标水平；

步骤6：得到对应于综合样本分布的高炉冷却壁的平均温度，该温度就是上述测试周期内的最优控制温度，将该温度设定为控制标准；

步骤7：结合步骤6中得到最优控制温度，控制高炉调温系统，使高炉冷却壁工作在上述最优控制温度下。

2.根据权利要求1所述的高炉操作炉型维护方法，其特征在于：所述步骤3中，模式识别技术为SOFM人工神经网络算法、k-means算法、海量数据处理免疫算法中的一种。

3.根据权利要求1或2所述的高炉操作炉型维护方法，其特征在于：所述步骤5中，最优高炉利用系数为2.6～2.8。

4.根据权利要求1或2所述的高炉操作炉型维护方法，其特征在于：所述步骤5中，最优高炉燃料比为500～530kg/吨铁。

5.根据权利要求1或2所述的高炉操作炉型维护方法，其特征在于：所述高炉利用系数为高炉单位容积一天的产铁量，单位为t/m³.d。

6.根据权利要求1或2所述的高炉操作炉型维护方法，其特征在于：所述步骤1中，获取3～5个月的实时冷却壁温度参数、冷却水流量参数、冷却水温度参数、高炉利用系数和高炉燃料比参数。