CN106203535A - 一种高炉炼铁过程中高炉操作炉型的分类方法 - Google Patents

Abstract

本发明公开了一种高炉炼铁过程中高炉操作炉型的分类方法，该方法包括：获取高炉在炼铁过程中各时间段的综合焦炭消耗量、合格生铁量、通风量及高炉炉壁上各测温点的温度数据；对所述综合焦炭消耗量、所述合格生铁量、通风量及所述温度数据进行预处理，剔除异常数据并对被剔除的数据进行补全；根据补全后的综合焦炭消耗量、合格生铁量计算获得综合焦比；基于聚类算法，对补全后的温度数据进行分类；根据每一类温度数据对应的综合焦比、合格生铁量及通风量，获得每一类温度数据对应的高炉操作炉型。通过上述技术方案，解决了现有技术中无法确定高炉操作炉型的技术问题。

Description

一种高炉炼铁过程中高炉操作炉型的分类方法

技术领域

本发明涉及高炉炼铁领域，特别涉及一种高炉炼铁过程中高炉操作炉型的分类方法。

背景技术

高炉炼铁是现代化炼铁的主要方式，其中全世界90％的钢铁产量依靠高炉炼铁。合理的高炉操作炉型对高炉生产的稳定顺行有着非常重要的影响，是钢铁企业正常生产的重要保障。

高炉炼铁过程中，高炉操作炉型的好坏直接影响高炉的各项经济技术指标和高炉的使用年限，并且与高炉的稳定运行有着密切关系，在高炉长期的运行过程中发挥着重要的指导作用。

高炉操作炉型不合理，会影响高炉顺行，使高炉下料不均匀，料面偏差大，崩滑料、管道悬料；导致炉缸工况不均匀，致使各铁口铁水温度、出铁时间、铁口深度等产生较大的偏差，导致各风口明亮程度、风口前端焦炭活跃程度差异较大。

然而，由于高炉生产的密闭性、过程机理的复杂性等原因，造成高炉操作炉型无法直接检测，无法对高炉操作炉型进行一个准确的分析操作判断，导致高炉操作炉型无法确定。

发明内容

本发明实施例提供一种高炉炼铁过程中高炉操作炉型的分类方法，用于解决现有技术中高炉操作炉型无法确定的技术问题。

本申请实施例提供一种高炉炼铁过程中高炉操作炉型的分类方法，所述方法包括：

获取高炉在炼铁过程中各时间段的综合焦炭消耗量、合格生铁量、通风量及高炉炉壁上各测温点的温度数据；

对所述综合焦炭消耗量、所述合格生铁量、通风量及所述温度数据进行预处理，剔除异常数据并对被剔除的数据进行补全；

根据预处理后的综合焦炭消耗量、合格生铁量计算获得综合焦比；

基于聚类算法，对预处理后的温度数据进行分类；

根据每一类温度数据对应的综合焦比、合格生铁量及通风量，获得每一类温度数据对应的高炉操作炉型。

可选的，所述对所述综合焦炭消耗量、所述合格生铁量、通风量及所示温度数据进行预处理，剔除异常数据并对被剔除的数据进行补全，包括：

获得同一检测点的在不同时间段的多个目标数据，所述目标数据分别为所述综合焦炭消耗量、所述合格生铁量、通风量及所述温度数据中的一个数据；

根据所述多个目标数据，剔除存在连续n个目标数据值不属于对应的数据最小值与数据最大值之间的检测点的所有目标数据，n为设定阈值；

对剔除后的目标数据，采用拉伊达法则剔除由偶然误差导致的异常数据，获得剔除由偶然误差导致的异常数据后的有效数据；

根据所述有效数据对被剔除的数据进行补全。

可选的，所述对剔除后的目标数据，采用拉伊达法则剔除由偶然误差导致的异常数据，包括：

获得满足下述公式的数据X_d作为所述异常数据并剔除：

$|X_d-\stackrel{\‾}{X}|>3\mathrm{\σ}$

其中，为同一检测点1天内检测数据的算术平均值；σ为对应检测点1天内检测数据的标准偏差。

可选的，所述根据所述有效数据对被剔除的数据进行补全，包括：

获得与被剔除数据的检测点临近的i个检测点的有效数据，通过如下公式计算获得补全数据对被剔除的数据进行补全：

$T_A=\frac{T_1+T_2+...+T_i}{i}$

其中，T_A表示所述补全数据，T_i表示与被剔除数据的检测点临近的第i个数据，i为大于等于2的整数。

可选的，所述根据预处理后的综合焦炭消耗量、合格生铁量计算获得综合焦比，包括：

通过如下公式计算获得所述综合焦比K：

其中，每一时间段对应一个综合焦比。

可选的，所述基于聚类算法，对预处理后的温度数据进行分类，包括：

对预处理后的温度数据进行最小二乘估计，获得不同温度检测点在同一时间点的估计值；

基于聚类算法对所述估计值进行分类，获得所述估计值所属的类别作为与所述估计值对应的温度数据所属的类别。

可选的，所述根据每一类温度数据对应的综合焦比、合格生铁量及风量，获得每一类温度数据对应的高炉操作炉型，包括：

根据每一类温度数据对应的综合焦比、合格生铁量及通风量，分别获得每一类温度数据对应的平均综合焦比、平均合格生铁量及平均通风量；

根据所述每一类温度数据对应的平均综合焦比、平均合格生铁量及平均通风量所属的阈值范围，获得每一类温度数据对应的高炉操作炉型。

可选的，所述根据所述每一类温度数据对应的平均综合焦比、平均合格生铁量及平均通风量所属的阈值范围，获得每一类温度数据对应的高炉操作炉型，包括：

当一类温度数据对应的所述平均通风量大于5300立方米每天、所述平均合格生铁量大于等于8300吨每天且所述平均综合焦比小于490时，获得该类温度数据对应的高炉操作炉型为最优；

当一类温度数据对应的所述平均通风量大于5300立方米每天、所述平均合格生铁量大于等于8000吨每天小于8300吨每天，且所述平均综合焦比小于500时，获得该类温度数据对应的高炉操作炉型为较优。

本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果：

本申请实施例中获取高炉在炼铁过程中各时间段的综合焦炭消耗量、合格生铁量、通风量及高炉炉壁上各测温点的温度数据；对所述综合焦炭消耗量、所述合格生铁量、通风量及所述温度数据进行预处理，剔除异常数据并对被剔除的数据进行补全；根据补全后的综合焦炭消耗量、合格生铁量计算获得综合焦比；基于聚类算法，对补全后的温度数据进行分类；进而根据每一类温度数据对应的综合焦比、合格生铁量及通风量，获得每一类温度数据对应的高炉操作炉型，即本申请实施例通过对炼铁过程中各时间段的综合焦炭消耗量、合格生铁量、通风量及高炉炉壁上各测温点的温度数据进行综合分析处理，来对高炉操作炉型进行分类以确定其具体炉型，解决了现有技术中高炉操作炉型无法确定的技术问题，并且，由于本申请实施例根据具体的数据来对高炉操作炉型进行分类，提高了分类获得高炉操作炉型的准确性，避免了因操作人员经验差异导致操作炉型确定不准确的问题。

附图说明

图1为本申请实施例提供的一种高炉炼铁过程中高炉操作炉型的分类方法的流程图；

图2为本申请实施例提供的高炉炉壁测温点分类结果图；

图3为本申请实施例提供的高炉操作炉型的分类示意图。

具体实施方式

在本申请实施例提供的技术方案中，通过对炼铁过程中各时间段的综合焦炭消耗量、合格生铁量、通风量及高炉炉壁上各测温点的温度数据进行综合分析处理，来对高炉操作炉型进行分类以确定其具体炉型，解决了现有技术中高炉操作炉型无法确定的技术问题。

下面结合附图对本申请实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细的阐述。

实施例一

请参考图1，本申请实施例提供一种高炉炼铁过程中高炉操作炉型的分类方法，该方法包括：

S101：获取高炉在炼铁过程中各时间段的综合焦炭消耗量、合格生铁量、通风量及高炉炉壁上各测温点的温度数据；

S102：对所述综合焦炭消耗量、所述合格生铁量、所述通风量及所述温度数据进行预处理，剔除异常数据并对被剔除的数据进行补全；

S103：根据预处理后的综合焦炭消耗量、合格生铁量计算获得综合焦比；

S104：基于聚类算法，对预处理后的温度数据进行分类；

S105：根据每一类温度数据对应的综合焦比、合格生铁量及通风量，获得每一类温度数据对应的高炉操作炉型。

S101获取数据

在高炉工控机的本地数据库(Oracle数据库)高炉在炼铁过程中各时间段的综合焦炭消耗量、合格生铁量、通风量及高炉炉壁上各测温点的温度数据。其中，高炉炉壁上的测温点包括：高炉的炉缸段、炉腹段、炉腰段、炉身段，所述测温点是指内测温点或内测温点对应位置上的外测温点，所述内测温点处于炉壁耐火砖中心，所述外测温点处于炉壁外侧的冷却壁上。

S102数据预处理

(1)、对综合焦炭消耗量、合格生铁量、通风量及温度数据均进行异常数据剔除。为了便于描述，下面将综合焦炭消耗量、合格生铁量、通风量及温度数据统称为目标数据。其中，异常数据包含两种：①、由于测量装置出错获得的不正确测量数据；②、由偶然误差导致的不正确测量数据。

对于异常数据①，获得同一检测点的在不同时间段的多个目标数据；根据多个目标数据，剔除存在连续n个目标数据值不属于对应的数据最小值与数据最大值之间的检测点的所有目标数据，n为设定阈值。例如：某一炉壁测温点温度的最大值为T_max、最小值为T_min，若该测温点连续5天的5个温度数据未处于该测温点对应的温度最小值T_min和温度最大值T_max之间，由此可以确认该测温点的测温装置出现故障，因此剔除该测温点的温度数据，进一步的，还可以将该测温点剔除。

对于异常数据②，采用拉伊达法则剔除由偶然误差导致的异常数据。具体的，可以获得满足下述公式的数据X_d作为由偶然误差导致的异常数据并剔除：

$|X_d-\stackrel{\‾}{X}|>3\mathrm{\σ}$

其中，为同一检测点1天内检测数据的算术平均值；σ为对应检测点1天内检测数据的标准偏差。

在具体实施过程中，为了减少计算量，在进行异常数据剔除时，可以先获得同一检测点的在不同时间段的多个目标数据；根据所述多个目标数据，剔除存在连续n个目标数据值不属于对应的数据最小值与数据最大值之间的检测点的所有目标数据；对剔除后的目标数据，采用拉伊达法则剔除由偶然误差导致的异常数据，获得剔除由偶然误差导致的异常数据后的有效数据。

(2)、对被剔除的数据进行数据补全。具体可以利用数据剔除后剩下的有效数据，对被剔除的数据进行数据补全：获得与被剔除数据的检测点临近的i个检测点的有效数据，通过如下公式计算获得补全数据对被剔除的数据进行补全：

$T_A=\frac{T_1+T_2+...+T_i}{i}$

其中，T_A表示所述补全数据，T_i表示与被剔除数据的检测点临近的第i个数据，i为大于等于2的整数。通过上述预处理后，获得的数据包含有效数据和补全数据。

S103计算获得综合焦比

具体的，可以通过如下公式计算获得所述综合焦比K：

其中，由于每一个时间段对应有一个综合焦炭消耗量和合格生铁量，所以每一时间段对应一个综合焦比。

S104对预处理后的温度数据进行分类

具体的，可以直接对预处理后的温度数据进行分类，也可以对预处理后的温度数据进行时间配准，对时间配准后的温度数据进行分类。实际应用过程中，由于利用多个测温装置对多个测温点进行检测，同一时间段内检测的温度数据可能是不同时间点获得的，则会因时间的参考点不同而导致分类的不够准确，所以本申请实施例还对预处理后的温度数据进行时间配准，即对多传感器测量的异步数据进行一定的变换，使之在时间上同步。

其中，可以基于最小二乘法来实现数据的时间配准。先选择数据中任意两个测量炉壁温度的热电偶传感器对炉壁温度进行测量。热电偶传感器分别记为S₁和S₂，它们的采样周期分别是T₁和T₂，且满足比例关系:T₁:T₂＝m:n，其中m和n是互质的正整数。热电偶传感器的最后一次更新时刻为t，则下一次更新时刻为t+nT₁(或t+mT₂)。记表示两次状态更新之间传感器S₁的n个测量值；记表示两次状态更新之间传感器S₂的m个测量值。假设在两次目标状态更新的时间间隔内，传感器S₁和S₂的测量数据变化不大，则传感器S₁和S₂在两次状态更新之间的测量值可近似表示成：

$\left\{\begin{array}{c}{z}_i^{\left(1\right)}=z_i^{{\left(1\right)}^{\′}}+(i-n)T_1{z}_i^{{\left(1\right)}^{\′}}+v_i^{\left(1\right)}\\ z_j^{\left(2\right)}=z_j^{{\left(2\right)}^{\′}}+(j-n)T_2{z}_j^{{\left(2\right)}^{\′}}+v_j^{\left(2\right)}\\ i=1,2...,n,j==1,2...,m\end{array}\right.$

其中，是测量噪声，表示S₁的测量近似值，表示S₂的测量近似值。

对上式进行最小二乘估计,则最小二乘时间融合后测量值的估计值和估计方差分别为：

$\left\{\begin{array}{c}{\hat{z}}^{\left(1\right)}=c_1\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{z}_i^{\left(1\right)}+c_2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{iz}}_i^{\left(1\right)}\\ {\hat{z}}^{\left(2\right)}=d_1\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{z}_j^{\left(2\right)}+d_2\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{iz}}_j^{\left(2\right)}\end{array}\right.$

其中，c₁＝-2/n，c₂＝6/n(n+1)，d₁＝-2/m，d₂＝6/m(m+1)，表示S₁在两次状态更新之间的估计值，表示S₂在两次状态更新之间的估计值，表示的方差，表示的方差，σ₁表示的测量噪声方差，σ₂表示的测量噪声方差。

时间配准后获得的温度数据即在同一时间参考点上,重复上述方法便可对多传感器的温度数据做时间配准处理。

基于K-means聚类方法，对预处理后获得的数据或时间配准后的数据进行分类：

首先对数据进行归一化处理，然后采用基于K-means聚类的方法对温度数据进行聚类处理，到温度的分类结果。

归一化处理具体方法为：

1)获得每个测温点所对应的数据最大值T_max和最小值T_min；

2)然后每个测温点预处理后或时间配准后的温度数据进行线性变换，使结果映射到[-1,1]之间；

3)转换函数为：

$T^{*}=(T_{max}-T_{\min })\×\frac{T-T_{\min }}{T_{max}-T_{\min }}+T_{\min }$

其中，T为一个测温点的某一个温度数据，T^*为经过归一化处理后的输出值。

K-means聚类具体方法为：

1)从待聚类的样本数据集X＝{x_n|x_n∈R^d,n＝1,2,...,N}中任意选择k个对象作为初始聚类中心即质心点，其中，R^d表示实数，x_n表示预处理或时间配准后的温度数据，N表示预处理或时间配准后的温度数据的个数，每一个温度数据为一个对象；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度(标准就是：同一分组中对象之间的距离越近越好，而不同分组中对象之间的距离越远越好)，分别将它们分配给与其最相似的(聚类中心所代表的)聚类；

2)计算每个所获新聚类的聚类中心(该聚类中所有对象的均值)；不断重复这一过程直到标准测度函数开始收敛为止。采用均方差作为标准测度函数，来得到最后结果。

具体实施方法为：

设待聚类的样本数据集为：X＝{x_n|x_n∈R^d,n＝1,2,...,N}，聚集成k个簇W₁，W₂，…，W_k，k个簇的聚类质点心为m₁,m₂,m₃,…,m_i∈R；其中，

$m_i=\frac{1}{n_i}\underset{x_j\∈w_i}{\Σ}{x}_j$

n_i是簇W_i中数据点的个数。聚类效果的好坏用目标函数J表示：

$J=\underset{i=1}{\overset{k}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{d}_{ij}(x_j,m_i)$

其中：d_ij(x_j,m_i)＝r_ij||x_j-m_i||²，d_ij(x_j,m_i)是x_j与m_i之间的欧式距离，r_ij表示第i个样本是否属于j类，若属于则等于1，若不属于则等于0。

算法步骤为：

(1)从高炉状态特征数据集X中随机选择k个初始参照点m₁,m₂,m₃,…m_k；

(2)以m₁,m₂,m₃,…m_k为参照点，对X进行划分，划分的依据如下原则：若d_ij(x_i,m_i)＜d_ic(x_i,m_c)，其中c＝1,…,k；j＝1,…,k；j≠c；i＝1,…,n，则将状态x_i划分到簇W_i中。

(3)根据公式重新计算簇W_i的质心若对任意都成立，则算法结束，当前的代表最终形成的簇的质心点，W_i为最终的分类结果，否则，令返回(2)执行。如图2所示，为对多个待聚类的样本数据进行聚类获得的分类结果。

S105对每一类温度数据对应的高炉操作炉型进行分类

具体的，根据每一类温度数据对应的综合焦比、合格生铁量及通风量，分别获得每一类温度数据对应的平均综合焦比、平均合格生铁量及平均通风量。其中，假设每一个综合焦比、合格生铁量及通风量分别为对应的每一类温度数据的一种参数的一个参数值，每一类温度数据对应的平均综合焦比、平均合格生铁量及平均通风量均可以通过下述公式计算获得：

$\stackrel{\‾}{Y}=\frac{Y_1+Y_2+...+Y_n}{n}$

表示每一类温度数据对应的一种参数的平均值，Y_n表示每一类温度数据对应的一种参数的一个参数值，n表示每一类温度数据对应的一种参数包含的参数值个数。

进一步的，根据每一类温度数据对应的平均综合焦比、平均合格生铁量及平均通风量所属的阈值范围，获得每一类温度数据对应的高炉操作炉型。请参考图2和图3：当一类温度数据对应的所述平均通风量大于5300m³/d(立方米每天)、所述平均合格生铁量大于等于8300t/d(吨每天)且所述平均综合焦比小于490时，获得该类温度数据对应的高炉操作炉型为最优；当一类温度数据对应的所述平均通风量大于5300m³/d、所述平均合格生铁量大于等于8000t/d小于8300t/d，且所述平均综合焦比小于500时，获得该类温度数据对应的高炉操作炉型为较优；当一类温度数据对应的所述平均通风量大于5300m³/d、所述平均合格生铁量小于8000t/d，且所述平均综合焦比小于500时，获得该类温度数据对应的高炉操作炉型为较差；当一类温度数据对应的所述平均合格生铁量小于8000t/d，且所述平均综合焦比大于等于500时，获得该类温度数据对应的高炉操作炉型为最差。

通过上述实施例获得每一类温度数据对应的高炉操作炉型，可以在后续对高炉操作炉型的判断和调整提供可靠的参数调节依据，例如：要想将高炉操作炉型调整为最优，那么可以参考高炉操作炉型最优对应的温度数据来调节高炉各处的温度，从而实现对炉型的调节。

通过本申请实施例中的一个或多个技术方案，可以实现如下一个或多个技术效果：

本申请实施例中获取高炉在炼铁过程中各时间段的综合焦炭消耗量、合格生铁量、通风量及高炉炉壁上各测温点的温度数据；对所述综合焦炭消耗量、所述合格生铁量、通风量及所述温度数据进行预处理，剔除异常数据并对被剔除的数据进行补全；根据补全后的综合焦炭消耗量、合格生铁量计算获得综合焦比；基于聚类算法，对补全后的温度数据进行分类；进而根据每一类温度数据对应的综合焦比、合格生铁量及通风量，获得每一类温度数据对应的高炉操作炉型，即本申请实施例通过对炼铁过程中各时间段的综合焦炭消耗量、合格生铁量、通风量及高炉炉壁上各测温点的温度数据进行综合分析处理，来对高炉操作炉型进行分类以确定其具体炉型，解决了现有技术中高炉操作炉型无法确定的技术问题，并且，由于本申请实施例根据具体的数据来对高炉操作炉型进行分类，提高了分类获得高炉操作炉型的准确性，避免了因操作人员经验差异导致操作炉型确定不准确的问题。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

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。

Claims (8)

1.一种高炉炼铁过程中高炉操作炉型的分类方法，其特征在于，所述方法包括：

获取高炉在炼铁过程中各时间段的综合焦炭消耗量、合格生铁量、通风量及高炉炉壁上各测温点的温度数据；

对所述综合焦炭消耗量、所述合格生铁量、通风量及所述温度数据进行预处理，剔除异常数据并对被剔除的数据进行补全；

根据预处理后的综合焦炭消耗量、合格生铁量计算获得综合焦比；

基于聚类算法，对预处理后的温度数据进行分类；

根据每一类温度数据对应的综合焦比、合格生铁量及通风量，获得每一类温度数据对应的高炉操作炉型。

2.如权利要求1所述的方法，其特征在于，所述对所述综合焦炭消耗量、所述合格生铁量、通风量及所示温度数据进行预处理，剔除异常数据并对被剔除的数据进行补全，包括：

获得同一检测点的在不同时间段的多个目标数据，所述目标数据分别为所述综合焦炭消耗量、所述合格生铁量、通风量及所述温度数据中的一个数据；

根据所述多个目标数据，剔除存在连续n个目标数据值不属于对应的数据最小值与数据最大值之间的检测点的所有目标数据，n为设定阈值；

对剔除后的目标数据，采用拉伊达法则剔除由偶然误差导致的异常数据，获得剔除由偶然误差导致的异常数据后的有效数据；

根据所述有效数据对被剔除的数据进行补全。

3.如权利要求2所述的方法，其特征在于，所述对剔除后的目标数据，采用拉伊达法则剔除由偶然误差导致的异常数据，包括：

获得满足下述公式的数据X_d作为所述异常数据并剔除：

$|X_d-\stackrel{\‾}{X}|>3\mathrm{\σ}$

其中，为同一检测点1天内检测数据的算术平均值；σ为对应检测点1天内检测数据的标准偏差。

4.如权利要求2所述的方法，其特征在于，所述根据所述有效数据对被剔除的数据进行补全，包括：

获得与被剔除数据的检测点临近的i个检测点的有效数据，通过如下公式计算获得补全数据对被剔除的数据进行补全：

$T_A=\frac{T_1+T_2+...+T_i}{i}$

其中，T_A表示所述补全数据，T_i表示与被剔除数据的检测点临近的第i个数据，i为大于等于2的整数。

5.如权利要求1所述的方法，其特征在于，所述根据预处理后的综合焦炭消耗量、合格生铁量计算获得综合焦比，包括：

通过如下公式计算获得所述综合焦比K：

其中，每一时间段对应一个综合焦比。

6.如权利要求1～5任一所述的方法，其特征在于，所述基于聚类算法，对预处理后的温度数据进行分类，包括：

对预处理后的温度数据进行最小二乘估计，获得不同温度检测点在同一时间点的估计值；

基于聚类算法对所述估计值进行分类，获得所述估计值所属的类别作为与所述估计值对应的温度数据所属的类别。

7.如权利要求6所述的方法，其特征在于，所述根据每一类温度数据对应的综合焦比、合格生铁量及风量，获得每一类温度数据对应的高炉操作炉型，包括：

根据每一类温度数据对应的综合焦比、合格生铁量及通风量，分别获得每一类温度数据对应的平均综合焦比、平均合格生铁量及平均通风量；

根据所述每一类温度数据对应的平均综合焦比、平均合格生铁量及平均通风量所属的阈值范围，获得每一类温度数据对应的高炉操作炉型。

8.如权利要求7所述的方法，其特征在于，所述根据所述每一类温度数据对应的平均综合焦比、平均合格生铁量及平均通风量所属的阈值范围，获得每一类温度数据对应的高炉操作炉型，包括：

当一类温度数据对应的所述平均通风量大于5300立方米每天、所述平均合格生铁量大于等于8300吨每天且所述平均综合焦比小于490时，获得该类温度数据对应的高炉操作炉型为最优；

当一类温度数据对应的所述平均通风量大于5300立方米每天、所述平均合格生铁量大于等于8000吨每天小于8300，且所述平均综合焦比小于500时，获得该类温度数据对应的高炉操作炉型为较优。