CN105671227B - 一种高炉状态聚类的方法及装置 - Google Patents
一种高炉状态聚类的方法及装置 Download PDFInfo
- Publication number
- CN105671227B CN105671227B CN201610160154.6A CN201610160154A CN105671227B CN 105671227 B CN105671227 B CN 105671227B CN 201610160154 A CN201610160154 A CN 201610160154A CN 105671227 B CN105671227 B CN 105671227B
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- state
- procedure parameter
- cluster
- state characteristic
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 40
- 239000007789 gas Substances 0.000 claims description 25
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 22
- 230000035699 permeability Effects 0.000 claims description 22
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 20
- 238000002485 combustion reaction Methods 0.000 claims description 20
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 14
- 238000001816 cooling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000006116 polymerization reaction Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 6
- 239000002826 coolant Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- 229910052760 oxygen Inorganic materials 0.000 claims description 2
- 239000001301 oxygen Substances 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000012512 characterization method Methods 0.000 description 8
- 229910052742 iron Inorganic materials 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010079 rubber tapping Methods 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000003034 coal gas Substances 0.000 description 4
- 229920001296 polysiloxane Polymers 0.000 description 4
- 238000010926 purge Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 241001269238 Data Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 239000000571 coke Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 231100000350 mutagenesis Toxicity 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明提供了一种高炉状态聚类的方法及装置,所述方法包括:采集所述高炉状态的过程参数,并对所述过程参数进行预处理;提取所述过程参数的状态特征数据;对所述过程参数的状态特征数据进行线性相关分析,确定所述状态特征数据之间的线性相关结果;当确定所述线性相关结果为线性无关时,利用K‑means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果;如此,根据聚类结果对高炉状态进行精确划分,便于进行与操作和指标的关联性分析,以便高炉炉长掌控当前高炉状态来精确指导高炉操作。
Description
技术领域
本发明属于高炉炼铁技术领域,尤其涉及一种高炉状态聚类的方法及装置。
背景技术
铁素有“工业粮食”之称。钢铁工业长期以来都是世界各国国民经济的基础产业,是衡量国家经济水平和综合国力的重要标志。
高炉是现代化炼铁的主要方式,我国炼铁生产技术水平与国际存在差距,主要体现在检测、控制与优化操作水平上。高炉内部物理化学反应过程极其复杂,涉及多种物质的多种相态,冶炼过程的机理尚未完全透明,很多重要内部信息无法直接测量,高炉是具有非线性、大滞后、强噪声的复杂反应容器,属于典型的“黑箱”系统,状态多变且难以检测,导致高炉操作与高炉状态的关系不明。同时由于高炉状态不定,检测少,现场数据具有强噪声、大滞后、以及尺度不一的特点,没有统一的特征和规律,难以用于关联性和建模分析。
目前还未有准确的高炉状态划分,高炉生产现场按照生产经验判断高炉状态,但由于经验的不确定性和数据的复杂性,通常难以做出准确判断,判断具有主观性,难以用作高炉操作的有效指导。
基于此,目前亟需一种高炉状态聚类方法及装置,将高炉状态进行聚类划分,便于进行与操作和指标的关联性分析,以便高炉炉长掌控当前高炉状态来精确指导高炉操作。
发明内容
针对现有技术存在的问题,本发明实施例提供了一种高炉状态聚类的方法及装置,用于解决现有技术中不能对高炉状态准确划分,导致不能根据高炉状态精确指导高炉操作的技术问题。
本发明提供一种高炉状态聚类的方法,所述方法包括:
采集所述高炉状态的过程参数,并对所述过程参数进行预处理;
提取所述过程参数的状态特征数据;
对所述过程参数的状态特征数据进行线性相关分析,确定所述状态特征数据之间的线性相关结果;
当确定所述线性相关结果为线性无关时,利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果。
上述方案中,所述过程参数包括:风量、风压、上升管顶温、顶压、炉芯温度、冷却水温差、高炉煤气中CO的含量百分比、CO2的含量百分比、铁水硅含量。
上述方案中,所述对所述过程参数进行预处理包括:
利用离散梅耶dmey小波基函数,对所述过程参数的数据序列进行五层小波分解;
根据软阈值法选取各层的阈值,屏蔽将最高频率的两层信号,获取低频信号;
将所述低频信号进行重构,完成对所述过程参数的小波去噪。
上述方案中,所述方法还包括:根据公式确定所述高炉的一氧化碳利用率ηCO;其中,
所述(CO)为所述高炉煤气中CO的含量百分比、所述(CO2)为所述高炉煤气中CO2的含量百分比。
上述方案中,所述方法还包括:根据公式确定所述高炉的透气性指数s;其中,
所述pm为所述高炉的风量,所述pf为所述高炉的风压,所述pd为所述高炉的顶压。
上述方案中,所述过程参数的状态特征数据包括:透气性指数、透气性指数变化率、全压差、全压差变化率、上升管顶温、顶温甩幅、铁水硅含量、一氧化碳利用率、一氧化碳利用率变化率、炉芯温度、炉芯温度变化率、冷却水温差及冷却水温差变化率。
上述方案中,所述对所述过程参数的状态特征数据进行线性相关分析包括:
根据公式计算所述状态特征xi、yi之间的线性相关系数R;其中,所述n为所述状态特征数据的组数,所述i=1,2,……n。
上述方案中,所述利用K-means算法对所述状态特征数据进行聚类,获取所述高炉的状态类包括:
从所述高炉状态特征数据集X={xj/xj∈Rd,j=1,2,......k}中选取k个初始参照点c1,c2,……ck;
以所述c1,c2,……ck为参照点,对所述数据集X进行划分,当确定dji(xj,ci)<djm(xj,cm)时,所述状态特征xj划分至簇wj中;
分别计算簇w1,w2……wk当前的质心
当确定对任意i∈{1,......k},则确定所述为所述高炉状态的聚类结果;其中,
所述m=1,……k;所述j=1,……k;所述i=1,……n;所述j≠m;所述dji(xj,ci)为所述状态特征xj与所述ci之间的欧式距离;所述djm(xj,cm)所述状态特征xj与所述cm之间的欧式距离。
上述方案中,所述方法还包括:
根据公式计算所述高炉状态的聚类结果的聚合度J。
本发明同时还提供一种高炉状态聚类的装置,所述装置包括:
采集单元,用于采集所述高炉状态的过程参数,并对所述过程参数进行预处理;
提取单元,用于提取所述过程参数的状态特征数据;
分析单元,用于对所述过程参数的状态特征数据进行线性相关分析,确定所述状态特征数据之间的线性相关结果;
聚类单元,用于当确定所述线性相关结果为线性无关时,利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果。
本发明提供了一种高炉状态聚类的方法及装置,所述方法包括:采集所述高炉状态的过程参数,并对所述过程参数进行预处理;提取所述过程参数的状态特征数据;对所述过程参数的状态特征数据进行线性相关分析,确定所述状态特征数据之间的线性相关结果;当确定所述线性相关结果为线性无关时,利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果;如此,根据聚类结果对高炉状态进行精确划分,便于进行与操作和指标的关联性分析,以便高炉炉长掌控当前高炉状态来精确指导高炉操作。
附图说明
图1为本发明实施例一提供的高炉状态聚类的方法流程示意图;
图2为本发明实施例一提供的高炉状态的聚类结果示意图;
图3为本发明实施例二提供的高炉状态聚类装置结构示意图。
具体实施方式
为了可以对高炉状态进行精确分类,进而根据高炉状态指导高炉操作,本发明提供了一种高炉状态聚类的方法及装置,所述方法包括:采集所述高炉状态的过程参数,并对所述过程参数进行预处理;提取所述过程参数的状态特征数据;对所述过程参数的状态特征数据进行线性相关分析,确定所述状态特征数据之间的线性相关结果;当确定所述线性相关结果为线性无关时,利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果。
下面通过附图及具体实施例对本发明的技术方案做进一步的详细说明。
实施例一
本实施例提供一种高炉状态聚类的方法,如图1所示,所述方法包括以下步骤:
步骤110,采集所述高炉状态的过程参数,并对所述过程参数进行预处理。
本步骤中,在采集所述高炉状态的过程参数之前,还需对所述高炉状态进行描述表征,确定过程参数。
具体地,高炉的状态主要包括:煤气流状态、出铁状态和高炉本体状态。其中,高炉煤气流状态主要反映煤气流的发展情况,高炉全压差体现了整体煤气流的强弱。高炉炉顶的顶温反映了炉心气流强度。煤气流的流量、流速和全炉的通气程度则体现在高炉透气性指数上。高炉的出铁状态主要体现在铁水硅含量上,如果操作水平高,铁水质量高,则铁水硅含量稳定。高炉的温度场变化则体现在炉芯温度和冷却水温差上,如果炉体温度越高,炉缸越活跃,则炉芯温度和冷却水温差高而稳定。另外,高炉运行良好,铁矿石和焦炭则会充分反应,整体利用率提高,炉顶煤气中的二氧化碳CO2比例则会增加,因此高炉一氧化碳利用率是反映高炉整体运行质量的重要状态参数。
因此,所述表征参数可以包括:风量、风压、上升管顶温、顶压、炉芯温度、冷却水温差、高炉煤气中CO的含量百分比、和CO2的含量百分比、铁水硅含量。
当表征参数确定之后,根据所述表征参数在高炉工控机的本地数据库中采集过程参数数据,所述过程参数包括与所述表征参数相同。
当采集到所述高炉状态的过程参数后,因高炉现场数据含有大量噪声,并且伴有周期换炉和吹扫等操作干扰,因此需要对过程参数数据进行预处理。
首先对所有的过程参数数据进行小波去噪。具体地,对过程参数中每一个参数的数据序列进行如下操作:
利用离散梅耶dmey小波基函数,对所述过程参数的数据序列进行五层小波分解;
根据软阈值法选取各层的阈值,屏蔽将最高频率的两层信号,获取低频信号;
将所述低频信号进行重构,覆盖原因的数据序列,完成对所述过程参数的小波去噪。
另外,对于CO利用率的原始数据受周期吹扫影响严重,且风压会由于换炉的影响,产生突变无用数据,因此对这两个数据需要单独特殊处理。
具体地,对于CO利用率来说,可以根据公式(1)确定所述高炉的一氧化碳利用率ηCO;
在公式(1)中,所述(CO)为所述高炉煤气中CO的含量百分比、所述(CO2)为所述高炉煤气中CO2的含量百分比。
这里,使用变换率剔除法,将异常突变的数据选取出来,对无效数据加以踢出。
具体地,利用原始数据算出一氧化碳利用率为则一氧化碳利用率的一阶差分根据公式(2)得出:
二阶差分根据公式(3)得出:
ji=hi+1-hi (3)
最后,将一阶差分yi以及二阶差分zi大于0.004的样本,以及样本左右两侧的样本一并踢出即可。
而对于风压数据来说,风压会由于换炉的影响,产生突变无用数据,会对透气性指数和全压差都造成影响,因此需要踢出。具体地,采用计算换炉开始的数据点,然后踢出之后15分钟内的数据的方法,步骤如下:采集的风压数据为根据公式(4)求所述风压数据的差分:
在公式(4)中,若gi>8,则gi处为突变点即换炉点,踢出此点与之前一个点以及之后13个点,共踢出15个点即可。
步骤111,提取所述过程参数的状态特征数据。
本步骤中,为了得到良好的高炉聚类结果,要利用包含一定特征的数据集进行聚类。
所述过程参数的状态特征数据包括:透气性指数、透气性指数变化率、全压差、全压差变化率、上升管顶温、顶温甩幅、铁水硅含量、一氧化碳利用率、一氧化碳利用率变化率、炉芯温度、炉芯温度变化率、冷却水温差及冷却水温差变化率。
这里,可以根据公式(5)确定所述透气性指数;
在公式(5)中,所述pm为所述高炉的风量,所述pf为所述高炉的风压,所述pd为所述高炉的顶压,所述s为透气性指数。
这里,假设透气性指数数据为s1,s2......,si;那么透气性指数变化率Δsi可以由公式(6)确定:
Δsi=si-si-1 (6)
假设风压数据为顶压数据为则全压差pi则根据公式(7)得出,全压差变化率Δpi根据公式(8)得出:
Δpi=pi-pi-1 (8)
根据一氧化碳利用率为计算出一氧化碳利用率变化率
假设炉芯温度数据为l1,l2......,li,那么炉芯温度变化率可以根据公式(10)确定:
Δli=li-li-1 (10)
假设冷却水温差数据为e1,e2......,ei,那么冷却水温度差变化率则由公式(11)确定:
Δei=ei-ei-1 (11)
另外,由于顶温的数值会受高炉布料影响,在发展中心和边缘的时候顶温较高,而在抑制中心和边缘的时候温度较低。另一方面,顶温的甩幅也会随布料模式的不同而有所改变,在发展煤气流的模式下会有较大的甩幅,而在抑制中心的模式下甩幅会减少,在高炉现场会关注其甩幅的大小,期望顶温保持稳定波动,因此提取顶温的甩幅特征作为状态特征。
具体地,假设顶温数据为t1,t2......ti;若ti-1<ti<ti+1时,则ti为极大值;若ti-1>ti>ti+1时,则ti为极小值;由此顺序可得出一组顶温极值m1,m2......mi,则顶温甩幅可根据公式(12)得出:
Ti\=|mi-mi-1|+|mi-mi+1| (12)
进一步地,因铁水硅含量只有在出铁的时候才有检测点,因此在两个出铁检测值之间进行线性插值,得出铁水硅含量,可以由公式(13)得出:
在公式(13)中,所述(ai-1,bi-1),(ai,bi)为任何相邻硅含量对应的坐标点。
这里,在公式(6)-(13)中,所述i=1,2,……n。
步骤112,对所述过程参数的状态特征数据进行线性相关分析,确定所述状态特征数据之间的线性相关系数。
本步骤中,取n组状态特征数据,设其中两个状态特征为xi、yi,则xi、yi之间的线性相关系数R可根据公式(14)得出:
在公式(14)中,所述–1≤R≤+1;当R>0时,表示两变量正相关;当R<0时,两变量为负相关。当|R|=1时,表示两变量为完全线性相关,即为函数关系。当R=0时,表示两变量间无线性相关关系。当0<|R|<1时,表示两变量存在一定程度的线性相关。且|R|越接近1,两变量间线性关系越密切;|R|越接近于0,表示两变量的线性相关越弱。一般可按三级划分:|R|<0.6为低度线性相关;0.4≤|R|<0.8为显著性相关;0.8≤|R|<1为高度线性相关。
步骤113,当确定所述线性相关结果为线性无关时,利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果。
本步骤中,如表1所示,通过线性分析,所述状态特征为xi、yi之间的线性相关系数为零,可以用于聚类分析。
表1
进一步地,利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果,具体步骤如下:
步骤1,从所述高炉状态特征数据集X={xj/xj∈Rd,j=1,2,......k}中选取k个初始参照点c1,c2,……ck;其中,可以将数据集X聚集成k个簇w1,w2......wk。
步骤2,以所述c1,c2,……ck为参照点,对所述数据集X进行划分,当确定dji(xj,ci)<djm(xj,cm)时,所述状态特征xj划分至簇wj中;
步骤3,根据公式(15)分别计算簇w1,w2……wk当前的质心
最后,当确定对任意i∈{1,......k},则确定所述代表最终形成的簇,即为所述高炉状态的聚类结果;否则,令返回步骤2重新计算。
其中,所述m=1,……k;所述j=1,……k;所述i=1,……n;所述j≠m;所述dji(xj,ci)为所述状态特征xj与所述ci之间的欧式距离;所述djm(xj,cm)所述状态特征xj与所述cm之间的欧式距离。
这里,聚类结果如图2所示,在所采集的过程参数数据中,高炉状态工可以分成九类。
进一步地,当获取到聚类结果后,还可以根据公式(16)计算所述聚类结果的聚合度J:
其中,所述聚合度J可以用来评价聚类结果的效果,当聚合度J越高时,效果越好;当聚合度J越低时,效果越差。
本实施例提供的高炉状态聚类的方法根据高炉生产过程机理分析,选取合理的高炉状态参数,提高了高炉状态聚类的准确性,根据聚类结果对高炉状态进行精确划分,便于进行与操作和指标的关联性分析,以便高炉炉长掌控当前高炉状态来精确指导高炉操作。
实施例二
相应于实施例一,本实施例还提供的一种高炉状态聚类的装置,如图3所示,所述装置包括:采集单元31、提取单元32、分析单元33及聚类单元34;其中,
所述采集单元31用于采集所述高炉状态的过程参数,并对所述过程参数进行预处理;这里,在采集所述高炉状态的过程参数之前,还需对所述高炉状态进行描述表征,确定过程参数。
具体地,高炉的状态主要包括:煤气流状态、出铁状态和高炉本体状态。其中,高炉煤气流状态主要反映煤气流的发展情况,高炉全压差体现了整体煤气流的强弱。高炉炉顶的顶温反映了炉心气流强度。煤气流的流量、流速和全炉的通气程度则体现在高炉透气性指数上。高炉的出铁状态主要体现在铁水硅含量上;如果操作水平高,铁水质量高,则铁水硅含量稳定。高炉的温度场变化则体现在炉芯温度和冷却水温差上,如果炉体温度越高,炉缸越活跃,则炉芯温度和冷却水温差高而稳定。另外,高炉运行良好,铁矿石和焦炭则会充分反应,整理利用率提高,炉顶煤气中的二氧化碳CO2比例则会增加,因此高炉一氧化碳利用率是反映高炉整体运行质量的重要状态参数。
因此,所述表征参数可以包括:风量、风压、上升管顶温、顶压、炉芯温度、冷却水温差、高炉煤气中CO和CO2的含量百分比、铁水硅含量。
当表征参数确定之后,所述采集单元31根据所述表征参数在高炉工控机的本地数据库中采集过程参数数据,所述过程参数包括与所述表征参数相同。
当采集到所述高炉状态的过程参数后,因高炉现场数据含有大量噪声,并且伴有周期换炉和吹扫等操作干扰,因此需要对过程参数数据进行预处理。
首先所述采集单元31对所有的过程参数数据进行小波去噪。具体地,对过程参数中每一个参数的数据序列进行如下操作:
所述采集单元31利用dmey小波基函数,对所述过程参数的数据序列进行五层小波分解;根据软阈值法选取各层的阈值,屏蔽将最高频率的两层信号,获取低频信号;将所述低频信号进行重构,覆盖原因的数据序列,完成对所述过程参数的小波去噪。
另外,对于CO利用率的原始数据受周期吹扫影响严重,且风压会由于换炉的影响,产生突变无用数据,因此所述采集单元31对这两个数据单独特殊处理。
具体地,对于CO利用率来说,可以根据公式(1)确定所述高炉的一氧化碳利用率ηCO;
在公式(1)中,所述(CO)为所述高炉煤气中CO的含量百分比、所述(CO2)为所述高炉煤气中CO2的含量百分比。
这里,所述采集单元31使用变换率剔除法,将异常突变的数据选取出来,对无效数据加以踢出。
具体地,利用原始数据算出一氧化碳利用率为则一氧化碳利用率的一阶差分根据公式(2)得出:
二阶差分根据公式(3)得出:
ji=hi+1-hi (3)
最后,将一阶差分yi以及二阶差分zi大于0.004的样本,以及样本左右两侧的样本一并踢出即可。
而对于风压数据来说,风压会由于换炉的影响,产生突变无用数据,会对透气性指数和全压差都造成影响,因此需要踢出。具体地,采用计算换炉开始的数据点,然后踢出之后15分钟内的数据的方法,步骤如下:采集的风压数据为根据公式(4)求所述风压数据的差分:
在公式(4)中,若gi>8,则gi处为突变点即换炉点,踢出此点与之前一个点以及之后13个点,所述采集单元31共踢出15个点即可。
当所述采集单元31采集到所述高炉状态的过程参数,并对所述过程参数进行预处理后,所述提取单元32用于提取所述过程参数的状态特征数据。
其中,所述过程参数的状态特征数据包括:透气性指数、透气性指数变化率、全压差、全压差变化率、上升管顶温、顶温甩幅、铁水硅含量、一氧化碳利用率、一氧化碳利用率变化率、炉芯温度、炉芯温度变化率、冷却水温差及冷却水温差变化率。
这里,所述提取单元32可以根据公式(5)确定所述透气性指数;
在公式(5)中,所述pm为所述高炉的风量,所述pf为所述高炉的风压,所述pd为所述高炉的顶压,所述s为透气性指数。
这里,假设透气性指数数据为s1,s2……,si;那么透气性指数变化率Δsi可以由公式(6)确定:
Δsi=si-si-1 (6)
假设风压数据为顶压数据为则全压差pi则根据公式(7)得出,全压差变化率Δpi根据公式(8)得出:
Δpi=pi-pi-1 (8)
所述提取单元32根据一氧化碳利用率为计算出一氧化碳利用率变化率
假设炉芯温度数据为l1,l2……,li,那么炉芯温度变化率可以根据公式(10)确定:
Δli=li-li-1 (10)
假设冷却水温差数据为e1,e2……,ei,那么冷却水温度差变化率则由公式(11)确定:
Δei=ei-ei-1 (11)
另外,由于顶温的数值会受高炉布料影响,在发展中心和边缘的时候顶温较高,而在抑制中心和边缘的时候温度较低。另一方面,顶温的甩幅也会随布料模式的不同而有所改变,在发展煤气流的模式下会有较大的甩幅,而在抑制中心的模式下甩幅会减少,在高炉现场会关注其甩幅的大小,期望顶温保持稳定波动,因此提取顶温的甩幅特征作为状态特征。
具体地,假设顶温数据为t1,t2......ti;若ti-1<ti<ti+1时,则ti为极大值;若ti-1>ti>ti+1时,则ti为极小值;由此顺序所述提取单元32可得出一组顶温极值m1,m2......mi,则顶温甩幅可根据公式(12)得出:
Ti\=|mi-mi-1|+|mi-mi+1| (12)
进一步地,因铁水硅含量只有在出铁的时候才有检测点,因此所述提取单元32在两个出铁检测值之间进行线性插值,得出铁水硅含量,可以由公式(13)得出:
在公式(13)中,所述(ai-1,bi-1),(ai,bi)为任何相邻硅含量对应的坐标点。
这里,在公式(6)-(13)中,所述i=1,2,……n。
当所述提取单元32提取到过程参数的状态特征后,所述分析单元33用于对所述过程参数的状态特征数据进行线性相关分析,确定所述状态特征数据之间的线性相关结果。
具体地,所述分析单元33取n组状态特征数据,设其中两个状态特征为xi、yi,则xi、yi之间的线性相关系数R可根据公式(14)得出:
在公式(14)中,所述–1≤R≤+1;当R>0时,表示两变量正相关;当R<0时,两变量为负相关。当|R|=1时,表示两变量为完全线性相关,即为函数关系。当R=0时,表示两变量间无线性相关关系。当0<|R|<1时,表示两变量存在一定程度的线性相关。且|R|越接近1,两变量间线性关系越密切;|R|越接近于0,表示两变量的线性相关越弱。一般可按三级划分:|R|<0.6为低度线性相关;0.4≤|R|<0.8为显著性相关;0.8≤|R|<1为高度线性相关。
当所述分析单元33所述线性相关结果为线性无关时,所述聚类单元34用于利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果。
具体地,如表1所示,所述分析单元33通过线性分析确定所述状态特征为xi、yi之间的线性相关系数为零,可以用于聚类分析。
表1
进一步地,所述聚类单元34利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果,具体步骤如下:
步骤1,所述聚类单元34从所述高炉状态特征数据集X={xj/xj∈Rd,j=1,2,......k}中选取k个初始参照点c1,c2,……ck;其中,可以将数据集X聚集成k个簇w1,w2......wk。
步骤2,所述聚类单元34以所述c1,c2,……ck为参照点,对所述数据集X进行划分,当确定dji(xj,ci)<djm(xj,cm)时,所述状态特征xj划分至簇wj中;
步骤3,所述聚类单元34根据公式(15)分别计算簇w1,w2……wk当前的质心
最后,当所述聚类单元34确定对任意i∈{1,......k},则确定所述 代表最终形成的簇,即为所述高炉状态的聚类结果;否则,令返回步骤2重新计算。
其中,所述m=1,……k;所述j=1,……k;所述i=1,……n;所述j≠m;所述dji(xj,ci)为所述状态特征xj与所述ci之间的欧式距离;所述djm(xj,cm)所述状态特征xj与所述cm之间的欧式距离。
这里,聚类结果如图2所示,在所采集的过程参数数据中,高炉状态可以分成九类。
进一步地,所述聚类单元34当获取到聚类结果后,还可以根据公式(16)计算所述聚类结果的聚合度J:
其中,所述聚合度J可以用来评价聚类结果的效果,当聚合度J越高时,效果越好;当聚合度J越低时,效果越差。
实际应用时,所述采集单元31、提取单元32、分析单元33及聚类单元34可以由该装置中的由该装置中的中央处理器(CPU,Central Processing Unit)、数字信号处理器(DSP,Digtal Signal Processor)、可编程逻辑阵列(FPGA,Field Programmable Gate Array)、微控制单元(MCU,Micro Controller Unit)实现。
本实施例提供的高炉状态聚类的装置根据高炉生产过程机理分析,选取合理的高炉状态参数,提高了高炉状态聚类的准确性,根据聚类结果对高炉状态进行精确划分,便于进行与操作和指标的关联性分析,以便高炉炉长掌控当前高炉状态来精确指导高炉操作。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种高炉状态聚类的方法,其特征在于,所述方法包括:
采集所述高炉状态的过程参数,并对所述过程参数进行预处理;
提取所述过程参数的状态特征数据;
对所述过程参数的状态特征数据进行线性相关分析,确定所述状态特征数据之间的线性相关结果;
当确定所述线性相关结果为线性无关时,
利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果;其中,
所述利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果,包括:
从所述高炉状态特征数据集X={xj/xj∈Rd,j=1,2,......k}中选取k个初始参照点c1,c2,……ck;
以所述c1,c2,……ck为参照点,对所述数据集X进行划分,当确定dji(xj,ci)<djm(xj,cm)时,所述状态特征xj划分至簇wj中;
分别计算簇w1,w2……wk当前的质心
当确定对任意i∈{1,......k},则确定所述为所述高炉状态的聚类结果;其中,
所述m=1,……k;所述j=1,……k;所述i=1,……n;所述j≠m;所述dji(xj,ci)为所述状态特征xj与所述ci之间的欧式距离;所述djm(xj,cm)所述状态特征xj与所述cm之间的欧式距离。
2.如权利要求1所述的方法,其特征在于,所述过程参数包括:风量、风压、上升管顶温、顶压、炉芯温度、冷却水温差、高炉煤气中CO的含量百分比、CO2的含量百分比、铁水硅含量。
3.如权利要求1所述的方法,其特征在于,所述对所述过程参数进行预处理包括:
利用离散梅耶dmey小波基函数,对所述过程参数的数据序列进行五层小波分解;
根据软阈值法选取各层的阈值,屏蔽将最高频率的两层信号,获取低频信号;
将所述低频信号进行重构,完成对所述过程参数的小波去噪。
4.如权利要求2所述的方法,其特征在于,所述方法还包括:根据公式确定所述高炉的一氧化碳利用率ηCO;其中,
所述(CO)为所述高炉煤气中CO的含量百分比、所述(CO2)为所述高炉煤气中CO2的含量百分比。
5.如权利要求2所述的方法,其特征在于,所述方法还包括:根据公式确定所述高炉的透气性指数s;其中,
所述pm为所述高炉的风量,所述pf为所述高炉的风压,所述pd为所述高炉的顶压。
6.如权利要求1所述的方法,其特征在于,所述过程参数的状态特征数据包括:透气性指数、透气性指数变化率、全压差、全压差变化率、上升管顶温、顶温甩幅、铁水硅含量、一氧化碳利用率、一氧化碳利用率变化率、炉芯温度、炉芯温度变化率、冷却水温差及冷却水温差变化率。
7.如权利要求1所述的方法,其特征在于,所述对所述过程参数的状态特征数据进行线性相关分析包括:
根据公式计算所述状态特征xi、yi之间的线性相关系数R;其中,所述n为所述状态特征数据的组数,所述i=1,2,……n。
8.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据公式计算所述高炉状态的聚类结果的聚合度J。
9.一种高炉状态聚类的装置,其特征在于,所述装置包括:
采集单元,用于采集所述高炉状态的过程参数,并对所述过程参数进行预处理;
提取单元,用于提取所述过程参数的状态特征数据;
分析单元,用于对所述过程参数的状态特征数据进行线性相关分析,确定所述状态特征数据之间的线性相关结果;
聚类单元,用于当确定所述线性相关结果为线性无关时,利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果;其中,所述利用K-means算法对所述状态特征数据进行聚类,获取所述高炉状态的聚类结果,包括:
从所述高炉状态特征数据集X={xj/xj∈Rd,j=1,2,......k}中选取k个初始参照点c1,c2,……ck;
以所述c1,c2,……ck为参照点,对所述数据集X进行划分,当确定dji(xj,ci)<djm(xj,cm)时,所述状态特征xj划分至簇wj中;
分别计算簇w1,w2……wk当前的质心
当确定对任意i∈{1,......k},则确定所述为所述高炉状态的聚类结果;其中,
所述m=1,……k;所述j=1,……k;所述i=1,……n;所述j≠m;所述dji(xj,ci)为所述状态特征xj与所述ci之间的欧式距离;所述djm(xj,cm)所述状态特征xj与所述cm之间的欧式距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610160154.6A CN105671227B (zh) | 2016-03-21 | 2016-03-21 | 一种高炉状态聚类的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610160154.6A CN105671227B (zh) | 2016-03-21 | 2016-03-21 | 一种高炉状态聚类的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105671227A CN105671227A (zh) | 2016-06-15 |
CN105671227B true CN105671227B (zh) | 2018-01-30 |
Family
ID=56311062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610160154.6A Expired - Fee Related CN105671227B (zh) | 2016-03-21 | 2016-03-21 | 一种高炉状态聚类的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105671227B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808221A (zh) * | 2017-10-31 | 2018-03-16 | 中国地质大学(武汉) | 基于案例匹配的高炉布料参数决策方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544273A (zh) * | 2013-10-21 | 2014-01-29 | 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 |
CN103729571A (zh) * | 2014-01-23 | 2014-04-16 | 中南大学 | 一种高炉炼铁过程一氧化碳利用率的建模方法 |
CN103834758A (zh) * | 2014-03-14 | 2014-06-04 | 中南大学 | 一种连续高精度的高炉料位实时检测方法 |
-
2016
- 2016-03-21 CN CN201610160154.6A patent/CN105671227B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544273A (zh) * | 2013-10-21 | 2014-01-29 | 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 |
CN103729571A (zh) * | 2014-01-23 | 2014-04-16 | 中南大学 | 一种高炉炼铁过程一氧化碳利用率的建模方法 |
CN103834758A (zh) * | 2014-03-14 | 2014-06-04 | 中南大学 | 一种连续高精度的高炉料位实时检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105671227A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105180850B (zh) | 计算玉米叶部大斑病病斑面积比例的方法及装置 | |
CN111965121B (zh) | 一种基于光谱分析技术的煤炭焦渣的快速分类检测方法 | |
CN109102028A (zh) | 基于改进的快速密度峰值聚类和lof离群点检测算法 | |
CN110400231B (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
CN110134719B (zh) | 一种结构化数据敏感属性的识别与分类分级方法 | |
CN103488561B (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
CN101957892A (zh) | 一种全基因组复制事件的检测方法和系统 | |
CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
CN103729571B (zh) | 一种高炉炼铁过程一氧化碳利用率的建模方法 | |
CN102925602B (zh) | 高炉操作炉型维护方法 | |
CN109902632A (zh) | 一种面向老人异常的视频分析装置及视频分析方法 | |
CN108734359B (zh) | 一种风电功率预测数据预处理方法 | |
CN107582077A (zh) | 一种基于手机触摸行为的人体精神状态分析方法 | |
CN111180071B (zh) | 高危型hpv型别和宫颈癌前病变阶段关系的计算方法及装置 | |
CN105671227B (zh) | 一种高炉状态聚类的方法及装置 | |
CN110600135A (zh) | 一种基于改进随机森林算法的乳腺癌预测系统 | |
CN102998350A (zh) | 利用电化学指纹图谱鉴别食用油和地沟油的方法 | |
CN109783586B (zh) | 基于聚类重采样的水军评论检测方法 | |
Zhang et al. | Bgra-net: Boundary-guided and region-aware convolutional neural network for the segmentation of breast ultrasound images | |
CN116504314A (zh) | 基于细胞动态分化的基因调控网络构建方法 | |
CN110942808A (zh) | 一种基于基因大数据的预后预测方法及预测系统 | |
CN115982566A (zh) | 一种水电机组多通道故障诊断方法 | |
CN115130496A (zh) | 基于Bagging和RM-LOF集成单分类器的管道压力信号异常检测方法 | |
CN113792141A (zh) | 基于协方差度量因子的特征选择方法 | |
CN113379334A (zh) | 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180130 |
|
CF01 | Termination of patent right due to non-payment of annual fee |