CN103544273A - 利用模式识别技术对炉况整体状态进行评估的方法 - Google Patents

Abstract

本发明所设计的一种利用模式识别技术对炉况整体状态进行评估的方法，它依次进行如下步骤：1）采集高炉中各种所需的数据；2）将炉顶气流分布模式划分为A个类；将炉型变化模式划分为B个类；将炉温变化模式划分为C个类；将炉缸工作状态模式划分为D个类；4）确认当前的炉况；5）选择下料指数、熔损反应碳量、高炉利用系数和燃料比对步骤4中得到的当前炉顶气流分布状况、炉型变化状况、炉温状况和炉缸状况进行评判。本发明的炉况整体状态评估方法能在整体上反映高炉的运行状态，炉况评估结果更加准确，实时性更强，提高了高炉维护依据的准确性，降低了高炉运行失常的可能性。

Description

利用模式识别技术对炉况整体状态进行评估的方法

技术领域

本发明涉及钢铁冶炼控制技术领域，具体地指一种利用模式识别技术对炉况整体状态进行评估的方法。

技术背景

目前中国钢产量产能7亿多吨，中国大多采用高炉炼铁，每座高炉都配套有烧结厂、焦化厂，烧结、焦化、炼铁共同构成了炼铁系统，每一个炼铁系统都是一系列巨大的污染源，每年产生大量的粉尘、噪声和二氧化硫等污染物，一旦高炉系统失常，产生的排放更是惊人，高炉整体状态的稳妥、可控成了广大高炉工作者的主要目标。

目前高炉逐步走上大型化，每座高炉内容积为1000m³至5500m³不等，以容积为3200m³的高炉为例，每天可以生产9000吨左右的生铁，产生15000吨左右的CO₂，一旦高炉整体状况失常，产量会下降，但消耗则会大幅度上升，如生铁产量下降到5000吨，但消耗相差无几，这种失常也会打乱整个钢铁联合企业的生产节奏，给生产组织造成巨大破坏，确保高炉整体状况的稳定、顺行成了高炉操作第一等的任务。

尽管高炉本身是一种多变量、大滞后、非线性的巨大系统，高炉冶炼过程中存在着巨大的物质流、能量流、信息流，对于大于2000m³的大型高炉，每年都会因操作原因发生几次整体性失常，一旦判断有误，就会造成巨大损失，但由于高炉体积巨大，监测信息量很大，每座大型高炉都有500点以上的检测内容，不同人员因经验、技能的差异对同一炉况会得出不同的观点，会采取不同的调剂措施，最终结果截然不同，目前信息技术突飞猛进，用计算机来辅助或者自动进行炉况的判断就成为必然，多年来，国内外的高炉工作者在高炉数学模型开发，高炉专家系统设计及应用等方面进行了几十年的探索，尽管取得了一些成绩，但与实用性的要求相比仍然相距甚远，文献“储满生，基于反应动力学的全高炉数学模型概述，河南冶金，2009年6月”中概述了近几十年来日本在高炉数学模型开发方面所取得的成就，大部分实用的数学模型只关注高炉的局部问题，如布料模拟、炉型管理、炉缸平衡、管道、滑料等，全炉数学模型仅仅有演示功能，实际用于高炉过程评判与控制则相差甚远，文献“陈令坤等，高炉冶炼专家系统的开发研究，钢铁，2006年1月”等所涉及的专家系统也是通过利用人工智能技术对单个的控制目标(如炉型管理、布料控制、炉温控制和炉缸平衡计算等)进行处理，将各个目标组合成一个高炉过程评判的整体，但个目标的优化并不代表整体的优化。目前还没有利用计算机技术来实时评估高炉整体状况的方法。

发明内容

本发明的目的就是要提供一种利用模式识别技术对炉况整体状态进行评估的方法，该方法能实现高炉运行状态的整体精准评估。

为实现此目的，本发明所设计的利用模式识别技术对炉况整体状态进行评估的方法，其特征在于，它包括如下步骤：

步骤1：通过数据采集模块，实时采集高炉运行过程操作数据、高炉冷却系统监测数据、高炉原料数据、高炉布料矩阵数据、炉顶煤气温度数据、高炉煤气成分数据、下料速度数据、料面偏斜程度数据、炉缸中心点温度数据和炉缸残存渣铁量数据，所述高炉运行过程操作数据包括风口区理论燃烧温度数据、风口区风速数据、风口区风量数据、风口区风温数据、风口区风压数据、加湿量数据、富氧量数据、喷煤量数据，所述高炉冷却系统监测数据包括冷却壁温度数据、冷却系统流量数据、冷却水压力数据和冷却水温度数据；

步骤2：将步骤1中采集到的数据保存在数据库中；

步骤3：在计算处理模块中利用步骤1中采集的炉顶煤气温度数据和高炉煤气成分数据设定炉顶气流分布样本单元，该炉顶气流分布样本单元中的数据用于描述炉顶气流分布模式，利用该炉顶气流分布样本单元对炉顶气流变化进行无指导的分类计算，然后对分类计算的结果自动进行模式识别，利用现有k-means算法将炉顶气流分布模式划分为A个类，上述这A类炉顶气流分布模式构成炉顶气流分布标准案例库，该炉顶气流分布标准案例库中储存了A类炉顶气流分布状况；

在计算处理模块中利用步骤1中采集的冷却壁温度数据、冷却系统流量数据、冷却水压力数据和冷却水温度数据，按照包含全部模式的原则设计炉型变化样本库，该炉型变化样本库中的数据用于描述炉型变化模式，利用该炉型变化样本库对冷却壁温度变化利用无指导的分类算法自动进行模式识别，用7～9个冷却壁温度数据及该冷却壁温度数据对应的冷却系统流量数据、冷却水压力数据和冷却水温度数据构成一个炉型变化样本，表示炉型变化，通过现有SOFM自组织神经网络算法将炉型变化模式划分为B个类，上述B类炉型变化模式构成炉型变化标准案例库，该炉型变化标准案例库中储存了B类炉型变化状况；

在计算处理模块中利用采集的风口区风量数据、风口区风温数据、风口区风压数据、加湿量数据、富氧量数据、喷煤量数据、高炉布料矩阵数据、高炉原料数据、高炉煤气成分数据、下料速度数据、料面偏斜程度数据和炉顶煤气温度数据按照包含全部模式的原则设计炉温变化样本库，该炉温变化样本库中的数据用于描述炉温变化模式，利用该炉温变化样本库对炉温变化利用无指导的分类算法自动进行模式识别，将炉温变化模式划分为C个类，上述炉温用铁水中硅含量表示，上述C类炉温变化模式构成炉温变化标准案例库，该炉温变化标准案例库中储存了C类炉温状况；

在计算处理模块中利用采集的炉缸中心点温度数据和炉缸残存渣铁量数据评估炉缸工作状态，设计由炉缸中心点温度数据、炉缸残存渣铁量数据、风口区理论燃烧温度数据、风口区风速数据、风口区风压数据和风口区风温数据构成的炉缸工作状态样本，该炉缸工作状态样本中的数据用于描述炉缸工作状态模式，通过该炉缸工作状态样本对炉缸工作状态利用无指导的分类算法自动进行模式识别，识别出炉缸工作状态的模式后，构成炉缸工作状态案例库，通过现有k-means算法，利用炉缸工作状态案例库将炉缸工作状态模式划分为D个类，这D类炉缸工作状态模式构成炉缸工作状态标准案例库，该炉缸工作状态标准案例库中储存了D类炉缸状况；

步骤4：每间隔一定时间对炉况进行一次判断，判断时首先从数据库中将当前的高炉运行过程操作数据、高炉冷却系统监测数据、高炉原料数据、高炉布料矩阵数据、炉顶煤气温度数据、高炉煤气成分数据、下料速度数据、料面偏斜程度数据、炉缸中心点温度数据和炉缸残存渣铁量数据取出，分别构建出当前的炉顶气流分布样本、炉型变化样本、炉温变化样本和炉缸工作状态样本，上述当前的炉顶气流分布样本、炉型变化样本、炉温变化样本和炉缸工作状态样本与步骤3中得到的炉顶气流分布标准案例库中的A个类炉顶气流分布状况、炉型变化标准案例库中的B个类炉型变化状况、炉温变化标准案例库中的C个类炉温状况、炉缸工作状态标准案例库中的D类炉缸状况进行比对，最接近当前炉顶气流分布样本、炉型变化样本、炉温变化样本和炉缸工作状态样本的一类炉顶气流分布状况、炉型变化状况、炉温状况和炉缸状况即表示当前的炉况；

步骤5：得到每批料的下料时间即下料指数，通过炉顶煤气成分、鼓风参数计算得到熔损反应碳量，通过每天的铁水产量计算出高炉单位容积的铁产量，得到高炉利用系数，通过每天的铁产量及燃料消耗得到燃料比（冶炼一吨生铁所消耗的燃料），在计算处理模块中用下料指数、熔损反应碳量、高炉利用系数和燃料比对步骤4中得到的当前炉顶气流分布状况、炉型变化状况、炉温状况和炉缸状况进行评判；判断高炉实时的下料指数是否在8～10min/批范围内，高炉实时的熔损反应碳量是否在95～115kg/t范围内、高炉实时的高炉利用系数是否在2.3～2.8t/m³.d范围内、高炉实时的燃料比是否在490～530kg/t范围内，如果所述下料指数、熔损反应碳量、高炉利用系数和燃料比均在上述范围内，说明当前炉顶气流分布状况、炉型变化状况、炉温状况和炉缸状况正常，即炉况正常，反之，所述下料指数、熔损反应碳量、高炉利用系数和燃料比有一项不在上述范围内，说明炉况异常。

所述炉顶气流分布模式为25类，炉型变化模式为25类，炉温变化模式为7类，炉缸工作状态模式为16类。

所述步骤1中，所述炉缸中心点温度数据通过炉底温度检测数据得到；所述炉缸残存渣铁量数据通过物料平衡计算得到；所述风口区理论燃烧温度数据由现有的风口区理论燃烧温度经验公式计算得到；风口区风速数据为风量/进风面积。

所述步骤4中，每间隔30分钟对炉况进行一次判断。

本发明通过上述步骤实现了高炉运行状态的整体评估，相比传统的高炉的局部问题评估方法，本发明的炉况整体状态评估方法能在整体上反映高炉的运行状态，炉况评估结果更加准确，实时性更强，提高了高炉维护依据的准确性，降低了高炉运行失常的可能性。

说明书附图

图1为本发明装置部分的结构框图。

其中，1—数据采集模块、2—数据库、3—高炉、4—计算机处理模块。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细说明：

高炉状况：高炉运行的稳定性对于容积大于2000m³的高炉有特殊的重要性，一旦大型高炉失常，将严重干扰整个钢铁联合企业的生产经营，这里的实施例针对2000m³以上的大型高炉，这些高炉均装备有完备的一级自动化（用于设备控制的可编程逻辑控制器、DCS（distributed control systems，分散控制系统））和二级自动化，其中二级自动化装备有完备的数据库系统，如Oracle数据库、SQL数据库，该实施例系统包括用于从高炉3中获取数据的数据采集模块1、与数据采集模块1连接的数据库2、与数据采集模块1连接的计算机处理模块4，所述数据库2还与计算机处理模块4连接。如图1所示。

基于以上特点本发明的一种利用模式识别技术对炉况整体状态进行评估的方法，包括如下步骤：

步骤1：步骤1：通过数据采集模块（包括分散控制系统和可编程逻辑控制器），实时采集高炉运行过程操作数据、高炉冷却系统监测数据、高炉原料数据、高炉布料矩阵数据、炉顶煤气温度数据、高炉煤气成分数据、下料速度数据、料面偏斜程度数据、炉缸中心点温度数据和炉缸残存渣铁量数据，所述高炉运行过程操作数据包括风口区理论燃烧温度数据、风口区风速数据、风口区风量数据、风口区风温数据、风口区风压数据、加湿量数据、富氧量数据、喷煤量数据，所述高炉冷却系统监测数据包括冷却壁温度数据、冷却系统流量数据、冷却水压力数据和冷却水温度数据；

步骤2：将步骤1中采集到的数据保存在数据库中；在数据的存储过程中根据数据来源及功能的差异，将不同的数据存放在高炉过程计算机系统数据库的不同表中，不同的数据将用于不同功能的控制，高炉上常用的数据库为Oracle数据库，根据数据来源的差异，一般建立40个左右的数据表存放数据；

步骤3：在计算处理模块中利用步骤1中采集的炉顶煤气温度数据和高炉煤气成分数据设定炉顶气流分布样本单元，该炉顶气流分布样本单元中的数据用于描述炉顶气流分布模式，利用该炉顶气流分布样本单元对炉顶气流变化进行无指导的分类计算，然后对分类计算的结果自动进行模式识别，利用现有k-means算法（硬聚类算法）将炉顶气流分布模式划分为A个类，上述这A类炉顶气流分布模式构成炉顶气流分布标准案例库，该炉顶气流分布标准案例库中储存了A类炉顶气流分布状况；

在计算处理模块中利用步骤1中采集的冷却壁温度数据、冷却系统流量数据、冷却水压力数据和冷却水温度数据，按照包含全部模式的原则设计炉型变化样本库，该炉型变化样本库中的数据用于描述炉型变化模式，利用该炉型变化样本库对冷却壁温度变化利用无指导的分类算法自动进行模式识别，用7～9个冷却壁温度数据及该冷却壁温度数据对应的冷却系统流量数据、冷却水压力数据和冷却水温度数据构成一个炉型变化样本，表示炉型变化，通过现有SOFM（Self-organizing feature maps，自组织神经网络）自组织神经网络算法将炉型变化模式划分为B个类，上述B类炉型变化模式构成炉型变化标准案例库，该炉型变化标准案例库中储存了B类炉型变化状况；

在计算处理模块中利用采集的风口区风量数据、风口区风温数据、风口区风压数据、加湿量数据、富氧量数据、喷煤量数据、高炉布料矩阵数据、高炉原料数据、高炉煤气成分数据、下料速度数据、料面偏斜程度数据和炉顶煤气温度数据按照包含全部模式的原则设计炉温变化样本库，该炉温变化样本库中的数据用于描述炉温变化模式，利用该炉温变化样本库对炉温变化利用无指导的分类算法自动进行模式识别，将炉温变化模式划分为C个类，上述炉温用铁水中硅含量表示，上述C类炉温变化模式构成炉温变化标准案例库，该炉温变化标准案例库中储存了C类炉温状况；

在计算处理模块中利用采集的炉缸中心点温度数据和炉缸残存渣铁量数据评估炉缸工作状态，设计由炉缸中心点温度数据、炉缸残存渣铁量数据、风口区理论燃烧温度数据、风口区风速数据、风口区风压数据和风口区风温数据构成的炉缸工作状态样本，该炉缸工作状态样本中的数据用于描述炉缸工作状态模式，通过该炉缸工作状态样本对炉缸工作状态利用无指导的分类算法自动进行模式识别，识别出炉缸工作状态的模式后，构成炉缸工作状态案例库，通过现有k-means算法，利用炉缸工作状态案例库将炉缸工作状态模式划分为D个类，这D类炉缸工作状态模式构成炉缸工作状态标准案例库，该炉缸工作状态标准案例库中储存了D类炉缸状况；

步骤4：每30分钟对炉况进行一次判断，判断时首先从数据库中将当前的高炉运行过程操作数据、高炉冷却系统监测数据、高炉原料数据、高炉布料矩阵数据、炉顶煤气温度数据、高炉煤气成分数据、下料速度数据、料面偏斜程度数据、炉缸中心点温度数据和炉缸残存渣铁量数据取出，分别构建出当前的炉顶气流分布样本、炉型变化样本、炉温变化样本和炉缸工作状态样本，上述当前的炉顶气流分布样本、炉型变化样本、炉温变化样本和炉缸工作状态样本与步骤3中得到的炉顶气流分布标准案例库中的A个类炉顶气流分布状况、炉型变化标准案例库中的B个类炉型变化状况、炉温变化标准案例库中的C个类炉温状况、炉缸工作状态标准案例库中的D类炉缸状况进行比对，最接近当前炉顶气流分布样本、炉型变化样本、炉温变化样本和炉缸工作状态样本的一类炉顶气流分布状况、炉型变化状况、炉温状况和炉缸状况即表示当前的炉况；

步骤5：得到每批料的下料时间即下料指数，通过炉顶煤气成分、鼓风参数计算得到熔损反应碳量，通过每天的铁水产量计算出高炉单位容积的铁产量，得到高炉利用系数，通过每天的铁产量及燃料消耗得到燃料比（冶炼一吨生铁所消耗的燃料），在计算处理模块中用下料指数、熔损反应碳量、高炉利用系数和燃料比对步骤4中得到的当前炉顶气流分布状况、炉型变化状况、炉温状况和炉缸状况进行评判；判断高炉实时的下料指数是否在8～10min/批范围内，高炉实时的熔损反应碳量是否在95～115kg/t范围内、高炉实时的高炉利用系数是否在2.3～2.8t/m³.d范围内、高炉实时的燃料比是否在490～530kg/t范围内，如果所述下料指数、熔损反应碳量、高炉利用系数和燃料比均在上述范围内，说明当前炉顶气流分布状况、炉型变化状况、炉温状况和炉缸状况正常，即炉况正常，反之，所述下料指数、熔损反应碳量、高炉利用系数和燃料比有一项不在上述范围内，说明炉况异常。

上述技术方案中，所述炉顶气流分布模式为25类，炉型变化模式为25类，炉温变化模式为7类，炉缸工作状态模式为16类。

上述技术方案的步骤1中，所述炉缸中心点温度数据通过炉底温度检测数据得到；所述炉缸残存渣铁量数据通过物料平衡计算得到；所述风口区理论燃烧温度数据由现有的风口区理论燃烧温度经验公式计算得到；风口区风速数据为风量/进风面积。

上述技术方案中，高炉总体过程表现为几个相互关联的方面，这些不同的方面构成了一种高炉冶炼过程中的独特现象，准确判断、识别高炉不同现象的真实状态，并正确评判各个状态的可接受程度，直接决定了对高炉整体状况的把握。从高炉上部到高炉下部按照工艺的特点，将需要关注的现象划分为炉顶气流分布状态、炉型变化状态、炉温变化状态和炉缸工作状态。

本发明在上述步骤5得到炉况后，对于处于异常状态下的炉况进行下列处理：

步骤6：寻找影响整体炉况的主要因素：按照工艺规程的要求，找到主要影响高炉状态的因素，按照控制外围干扰，减小内部波动，打通中心，优化布料（原料布置）的原则，对高炉整体状况进行优化；

步骤7：通过气流控制、炉型控制、炉温控制及炉缸状态调整达到调整高炉整体状况的目标；

上述气流控制高炉整体状况的方法为：气流的调整主要靠改变布料矩阵来实现，在确定了气流调剂的方案后，即可设定合适的布料矩阵，通过布料控制PLC（可编程逻辑控制器）来调整高炉布料，进而优化高炉炉顶气流分布；

上述炉型控制高炉整体状况的方法为：通过稳定炉温、稳定原料质量、改进布料、调整水系统工作参数等手段来实现炉型状态的优化，相关控制措施将通过高炉布料、水系统控制PLC执行。

上述通过炉温控制及炉缸状态调整来控制高炉整体状况的方法为：通过稳定下料、气流、喷煤、风温、布料、进风面积等手段实现炉温及炉缸工作状况的优化及调节。相关控制内容可以通过PLC或者DCS系统执行。

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 (4)

1.一种利用模式识别技术对炉况整体状态进行评估的方法，其特征在于，它包括如下步骤：

步骤1：通过数据采集模块，实时采集高炉运行过程操作数据、高炉冷却系统监测数据、高炉原料数据、高炉布料矩阵数据、炉顶煤气温度数据、高炉煤气成分数据、下料速度数据、料面偏斜程度数据、炉缸中心点温度数据和炉缸残存渣铁量数据，所述高炉运行过程操作数据包括风口区理论燃烧温度数据、风口区风速数据、风口区风量数据、风口区风温数据、风口区风压数据、加湿量数据、富氧量数据、喷煤量数据，所述高炉冷却系统监测数据包括冷却壁温度数据、冷却系统流量数据、冷却水压力数据和冷却水温度数据；

步骤2：将步骤1中采集到的数据保存在数据库中；

步骤3：在计算处理模块中利用步骤1中采集的炉顶煤气温度数据和高炉煤气成分数据设定炉顶气流分布样本单元，该炉顶气流分布样本单元中的数据用于描述炉顶气流分布模式，利用该炉顶气流分布样本单元对炉顶气流变化进行无指导的分类计算，然后对分类计算的结果自动进行模式识别，利用现有k-means算法将炉顶气流分布模式划分为A个类，上述这A类炉顶气流分布模式构成炉顶气流分布标准案例库，该炉顶气流分布标准案例库中储存了A类炉顶气流分布状况；

在计算处理模块中利用步骤1中采集的冷却壁温度数据、冷却系统流量数据、冷却水压力数据和冷却水温度数据，按照包含全部模式的原则设计炉型变化样本库，该炉型变化样本库中的数据用于描述炉型变化模式，利用该炉型变化样本库对冷却壁温度变化利用无指导的分类算法自动进行模式识别，用7～9个冷却壁温度数据及该冷却壁温度数据对应的冷却系统流量数据、冷却水压力数据和冷却水温度数据构成一个炉型变化样本，表示炉型变化，通过现有SOFM自组织神经网络算法将炉型变化模式划分为B个类，上述B类炉型变化模式构成炉型变化标准案例库，该炉型变化标准案例库中储存了B类炉型变化状况；

在计算处理模块中利用采集的风口区风量数据、风口区风温数据、风口区风压数据、加湿量数据、富氧量数据、喷煤量数据、高炉布料矩阵数据、高炉原料数据、高炉煤气成分数据、下料速度数据、料面偏斜程度数据和炉顶煤气温度数据按照包含全部模式的原则设计炉温变化样本库，该炉温变化样本库中的数据用于描述炉温变化模式，利用该炉温变化样本库对炉温变化利用无指导的分类算法自动进行模式识别，将炉温变化模式划分为C个类，上述炉温用铁水中硅含量表示，上述C类炉温变化模式构成炉温变化标准案例库，该炉温变化标准案例库中储存了C类炉温状况；

在计算处理模块中利用采集的炉缸中心点温度数据和炉缸残存渣铁量数据评估炉缸工作状态，设计由炉缸中心点温度数据、炉缸残存渣铁量数据、风口区理论燃烧温度数据、风口区风速数据、风口区风压数据和风口区风温数据构成的炉缸工作状态样本，该炉缸工作状态样本中的数据用于描述炉缸工作状态模式，通过该炉缸工作状态样本对炉缸工作状态利用无指导的分类算法自动进行模式识别，识别出炉缸工作状态的模式后，构成炉缸工作状态案例库，通过现有k-means算法，利用炉缸工作状态案例库将炉缸工作状态模式划分为D个类，这D类炉缸工作状态模式构成炉缸工作状态标准案例库，该炉缸工作状态标准案例库中储存了D类炉缸状况；

步骤4：每间隔一定时间对炉况进行一次判断，判断时首先从数据库中将当前的高炉运行过程操作数据、高炉冷却系统监测数据、高炉原料数据、高炉布料矩阵数据、炉顶煤气温度数据、高炉煤气成分数据、下料速度数据、料面偏斜程度数据、炉缸中心点温度数据和炉缸残存渣铁量数据取出，分别构建出当前的炉顶气流分布样本、炉型变化样本、炉温变化样本和炉缸工作状态样本，上述当前的炉顶气流分布样本、炉型变化样本、炉温变化样本和炉缸工作状态样本与步骤3中得到的炉顶气流分布标准案例库中的A个类炉顶气流分布状况、炉型变化标准案例库中的B个类炉型变化状况、炉温变化标准案例库中的C个类炉温状况、炉缸工作状态标准案例库中的D类炉缸状况进行比对，最接近当前炉顶气流分布样本、炉型变化样本、炉温变化样本和炉缸工作状态样本的一类炉顶气流分布状况、炉型变化状况、炉温状况和炉缸状况即表示当前的炉况；

步骤5：得到每批料的下料时间即下料指数，通过炉顶煤气成分、鼓风参数计算得到熔损反应碳量，通过每天的铁水产量计算出高炉单位容积的铁产量，得到高炉利用系数，通过每天的铁产量及燃料消耗得到燃料比，在计算处理模块中用下料指数、熔损反应碳量、高炉利用系数和燃料比对步骤4中得到的当前炉顶气流分布状况、炉型变化状况、炉温状况和炉缸状况进行评判；判断高炉实时的下料指数是否在8～10min/批范围内，高炉实时的熔损反应碳量是否在95～115kg/t范围内、高炉实时的高炉利用系数是否在2.3～2.8t/m³.d范围内、高炉实时的燃料比是否在490～530kg/t范围内，如果所述下料指数、熔损反应碳量、高炉利用系数和燃料比均在上述范围内，说明当前炉顶气流分布状况、炉型变化状况、炉温状况和炉缸状况正常，即炉况正常，反之，所述下料指数、熔损反应碳量、高炉利用系数和燃料比有一项不在上述范围内，说明炉况异常。

2.根据权利要求1所述的利用模式识别技术对炉况整体状态进行评估的方法，其特征在于：所述炉顶气流分布模式为25类，炉型变化模式为25类，炉温变化模式为7类，炉缸工作状态模式为16类。

3.根据权利要求1所述的利用模式识别技术对炉况整体状态进行评估的方法，其特征在于：步骤1中，所述炉缸中心点温度数据通过炉底温度检测数据得到；所述炉缸残存渣铁量数据通过物料平衡计算得到；所述风口区理论燃烧温度数据由现有的风口区理论燃烧温度经验公式计算得到；风口区风速数据为风量/进风面积。

4.根据权利要求1所述的利用模式识别技术对炉况整体状态进行评估的方法，其特征在于：步骤4中，每间隔30分钟对炉况进行一次判断。