CN107619894A - 一种高炉操作炉型在线管理方法 - Google Patents

Abstract

本发明涉及高炉炼铁的高炉操作控制领域，特别涉及一种高炉操作炉型在线管理方法；采集高炉不同位置各部位冷却设备测温点实时温度；建立操作炉型的直观显示，通过对高炉不同位置各部位冷却设备测温点实时数据进行分析处理，得出操作炉型的状态，并进行多形态的操作炉型形状显示；通过对历史的操作炉型聚类分析，得到生产中的操作炉型类别；通过对当前的操作炉型进行分类处理，获得当前操作炉型所属类别；本发明通过对历史生产中操作炉型的数据进行保存并提取，获得历史生产中操作炉型的演化过程，在线为当前炉型的操作方针制定提供指导，本发明维持了生产高效、稳定、低耗、优质以及长寿等特点的操作炉型。

Description

一种高炉操作炉型在线管理方法

技术邻域

本发明涉及高炉炼铁的高炉操作控制技术领域，特别涉及一种高炉操作炉型在线管理方法。

背景技术

高炉操作炉型指的是在高炉正常操作时,高炉内侧炉墙工作面的工作状况。正常的操作炉型应该是既能维持生产高效、稳定、低耗、优质，又能使高炉长寿的内型，即内壁表面光洁、下料顺畅，渣皮稳定。若发生炉墙粘结或渣皮大面积脱落等炉型变化时，如不尽快采取措施则会造成炉况失常，并对产量造成一定的影响。在正常生产中,一般通过对炉体温度、冷却壁温度、水温差及热负荷等参数的监测来判断操作炉型的变化,并通过上下部制度的调整来维持一个合理的操作炉型。

通过对炉体温度、冷却壁温度、水温差及热负荷等参数的监测来判断操作炉型的变化，因各部位冷却壁温度查看比较独立，无法观测操作炉型的整体情况，更无法了解操作炉型的整体变化情况。因而目前对操作炉型的研究和使用中存在以下几个问题：

1)难以按时间先后形象化的展示历史操作炉型的变化形状和趋势；

2)不能在线自动对历史操作炉型进行分析，不能在线进行数据自动采集、聚类分析、经济指标、操作方针的计算和保存，导致不能及时提取某种操作炉型的历史操作方针，以及由操作方针引起的操作炉型变化情况，不能适应在线控制操作炉型的需要；

3)不能在线对当前操作炉型进行分类，因而无法以操作炉型的类别为基础，借鉴同类别操作炉型的历史操作对当前操作提供指导；

4)针对当前的操作炉型，不能借鉴历史上相同类别的操作炉型的变化情况，预测未来操作炉型的变化趋势，以及其经济指标。

发明内容

有鉴于此，本发明的目的在于克服现有技术的不足，提出了一种高炉操作炉型在线管理方法，步骤如下：

S1采集高炉不同位置各部位冷却设备测温点实时温度；

S2建立操作炉型的直观显示，通过对所述高炉不同位置各部位冷却设备测温点实时数据进行分析处理，得出操作炉型的状态，并进行多形态的操作炉型形状显示；

S3通过对历史的操作炉型聚类分析，得到生产中的操作炉型类别；

S4通过对当前的操作炉型进行分类处理，获得当前操作炉型所属类别；

S5通过对历史生产中操作炉型的数据进行保存并提取，获得历史生产中操作炉型的演化过程，在线为当前炉型的操作方针制定提供指导，对操作炉型进行控制。

进一步的，采集高炉不同位置各部位冷却设备测温点实时温度包括：在高炉过程控制系统的本地数据库中，周期性收集高炉不同位置各部位冷却设备测温点实时温度，具体包括炉喉、炉身、炉腰、炉腹、炉缸部位不同标高和位置的热电偶测温值，采集数据保存数据库中。

进一步的，建立操作炉型的直观显示包括：建立多形态的操作炉型显示，根据操作炉型形成高炉操作炉型的变化趋势；所述多形态的操作炉型显示包括按照方向区间显示的操作炉型、按照高炉的综合操作炉型显示的操作炉型、以及按照高炉操作炉型的变化过程显示的操作炉型。

进一步的，形成高炉操作炉型的变化趋势包括：通过比较多形态的操作炉型显示，将操作炉型的温度点连接成平滑曲线；所述平滑曲线采用三次样条插值包括：当前的温度点定义的插值区间为[a,b]，在[a,b]上划分n个小区间，a＝x₀<x₁<L<x_n＝b，保证温度值y(x)在每个小区间[x_i,x_i+1],(i＝0,1,K,n-1)上是3次多项式，且y(x)在区间[a,b]上具有二阶连续导数。

进一步的，通过对历史的操作炉型聚类分析，得到生产中的操作炉型类别包括：

统计高炉不同高度和不同时间的温度数据，将所述温度数据标准化处理，通过聚类算法对操作炉型聚类，并对各个聚类类别进行指标计算、操作方针统计。

进一步的，将所述温度数据标准化处理包括：对进行聚类的数据集进行标准化处理，具体包括：选择需要聚类的时间区间，把要聚类的时间区间划分成的总数目为n的时间段，时间段序列标号为1，2，L，i，L，n；

根据测温点的高低不同，在高度方向上有d个不同高度位置，则高度位置序号表示为1，2，L，j，L，d；

则需要进行聚类的原始数据集样本表示为：

T＝{T₁,T₂,...T_i,...,T_n}

其中T_i＝[T_i1,T_i2,...T_ij,...,T_id]^T，T_ij表示为在i时间j位置的温度；

需要进行聚类的转换后的数据集样本表示为：

X＝{x₁,x₂,...x_i,...,x_n}

其中x_i＝[x_i1,x_i2,...x_ij,...,x_id]^T，转换采用Z-Score标准化公式，并将落在[-1,1]区间之外的值均设成-1或1；

具体转换的公式表示为：

其中分别为数据集{T_1j,T_2j,...T_ij,...,T_nj}的均值和标准差，且当x_ij>1时，令x_ij＝1，同理当x_ij<-1时，令x_ij＝-1。

进一步的，聚类算法包括一种改进初始聚类中心的k-means算法；采用标准化处理后的数据，对n个时间段的综合操作炉型进行聚类，则高炉操作炉型的聚类问题为给定一个包含n个d维数据点的数据集样本：

X＝{x₁,x₂,...x_i,...,x_n}

其中x_i＝[x_i1,x_i2,...x_ij,...,x_id]^T；

聚类算法将所述包含n个d维数据点的数据集样本划为为K个划分：

C＝{c_k,i＝1,2,...K}

其中，每个划分代表一个类c_k，每个类c_k有一个类别中心μ_i，其中μ_i＝[μ_i1,μ_i2,...,μ_id]^T；

聚类选取欧氏距离作为相似性和距离判断准则，计算x_i、x_j的欧氏距离的公式为：

d(x_i,x_j)＝||x_i-x_j||

计算类别C_k的各点到其类别中心μ_k的欧氏距离平方和公式为：

聚类目标是使各类总的距离平方和最小。

进一步的，通过对当前的操作炉型进行分类处理，获得当前操作炉型所属类别；采取的步骤为：

对要研究的特定炉型按照数据标准化处理，对当前生产的操作炉型或者某一特定操作炉型进行分类，使要研究的炉型属于其中的某一类别；包括设定参数ν，如果一个数据集样本在特征空间中的ν个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别，其中评价待分类操作炉型与已知数据集样本X＝{x₁,x₂,...x_i,...,x_n}的n个样本的相似性评价准则为欧氏距离，待分类的样本x₀与已知类别的样本x_i的欧氏距离计算式为：

d(x₀,x_i)＝||x_i-x₀||

选定参数ν的数值，当离x₀最近的ν个样本中大多数属于类别c_k，则x₀∈c_k。

进一步的，通过对历史生产中操作炉型的数据进行保存并提取，获得历史生产中操作炉型的演化过程包括：对当前或某一特定操作炉型的历史变化过程进行提取，对当前操作提供借鉴和指导具体包括：

在对当前操作炉型或某一特定类别的操作炉型进行分析时，自动调出历史上对应类别的操作炉型的变化情况，以及相应经济指标和操作方针变化情况，以历史情况为借鉴，以差的操作方针为教训、以优秀的操作方针为借鉴，在线为当前炉型的操作方针制定提供指导，对操作炉型进行控制。

附图说明

图1为本发明一种高炉操作炉型在线管理方法流程图；

图2为高炉测温点径向分布示意图；

图3为操作炉型方位区间；

图4为以方位区间显示的操作炉型图；

图5为对当前炉型的计算及分类展示图；

图6为上下部调剂数据项目展示图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图与具体实施例对本发明作进一步说明：

本发明是一种高炉操作炉型在线管理方法，如图1所示：

S1采集高炉不同位置各部位冷却设备测温点实时温度；

S2建立操作炉型的直观显示，通过对高炉的不同高度上的冷却壁温度数据进行分析处理，得出操作炉型的状态，并进行多形态的操作炉型形状显示；

S3通过对历史的操作炉型聚类分析，得到生产中的操作炉型类别；

S4通过对当前的操作炉型进行分类处理，获得当前操作炉型所属类别；

S5通过对历史生产中操作炉型的数据进行保存并提取，获得历史生产中操作炉型的演化过程，在线为当前炉型的操作方针制定提供指导，对操作炉型进行控制。

进一步的，在高炉过程控制系统的本地数据库，如Oracle数据库中，采集高炉不同位置各部位冷却设备测温点实时温度，如图2所示，具体包括炉喉、炉身、炉腰、炉腹、炉缸部位不同标高和位置的高炉冷却系统的测温值，采集数据保存在Oracle数据库中。

进一步的，建立多形态的操作炉型显示，根据操作炉型形成高炉操作炉型的变化趋势；所述多形态的操作炉型显示包括按照方向区间显示的操作炉型、按照高炉的综合操作炉型显示的操作炉型、以及按照高炉操作炉型的变化过程显示的操作炉型。

进一步的，按方向区间显示操作炉型包括：

把高炉横向按圆周方向分成多个方向区间，各区间以角度范围划分，本案例划分8个方向区位，每个区位成45°角，以正南方向为0°，正方向为逆时针方向。

如图3所示，划分区间方式为负22.5°到正22.5°为第一个方位区间，以中间角度0°为显示时的标注；正22.5°到67.5°为第二个方位区间，以中间角度45°为显示时的标注；依次类推，把同一方向区间某一标高的多个测温点求平均值，作为这个方向区间相应标高的温度值，把同一个方向区间的测温值依据标高从上到下依次平滑曲线连接，即为这个方向区间的操作炉型形状,如图4所示。

进一步的，按照综合操作炉型显示包括：

不分方向区间把整个高炉同一标高的测温点取平均值作为相应标高的温度，把不同标高的测温值依据标高从上到下依次用平滑曲线连接，即为这个高炉的综合操作炉型形状，如图5所示。

进一步的，按照操作炉型的变化过程显示包括：

选择需要观察的时间区间，把时间区间划分成总数目为n的时间段，如以8小时为间隔把时间区间进行分段，分段后每个时间段序列标号为1，2，L，i，L，n；

在每个时间段内，求取同一标高的多个测温点在多个这个时间段内的总的平均值，再把不同标高的温度值依据标高从上到下依次用平滑曲线连接，即为在一个时间段内的高炉操作炉型。

按照时间顺序以一定的频率在同一张图上依次对上述n个综合操作炉型进行显示，即为高炉操作炉型的变化过程，可供直观的观察操作炉型的变化情况。

进一步的，操作炉型曲线的平滑方式包括：

为便于表示和比较不同的操作炉型，本发明需要将其温度点连接成平滑曲线。平滑曲线采用三次样条插值的方法；所述平滑曲线采用三次样条插值包括：当前的温度点定义的插值区间为[a,b]，在[a,b]上划分n个小区间，a＝x₀<x₁<L<x_n＝b，保证温度值y(x)在每个小区间[x_i,x_i+1],(i＝0,1,K,n-1)上是3次多项式，且y(x)在区间[a,b]上具有二阶连续导数。

本发明中根据操作炉型当前的温度点定义合理的插值区间和小区间，对所有温度点进行三次样条插值，进而得出符合实际的平滑曲线。

进一步的，对高炉操作炉型进行聚类分析，获取高炉操作炉型的类别，并计算不同类别对应的经济指标、操作方针。具体包括以下四个步骤：

1)高炉不同高度和时间的温度数据统计

对高炉操作炉型进行聚类分析，获取高炉操作炉型的类别。选择需要聚类的时间区间，把要聚类的时间区间划分成的总数目为n的时间段，则时间段序列标号为1，2，L，i，L，n；高炉炉喉、炉身、炉腰、炉腹、炉缸有多个不同标高的测温点，即在高度方向上形成d个不同高度位置，则高度位置序号表示为1，2，L，j，L，d。通过以上表示方式，在i时间段j位置的平均温度表示为T_ij，则需要进行聚类原始数据集样本为T＝{T₁,T₂,...T_i,...,T_n}，其中T_i＝[T_i1,T₂,...T_ij,...,T_id]^T。

2)数据标准化处理

在聚类之前要对进行聚类的数据集进行标准化处理，需要进行聚类的转换后的数据集样本表示为：

X＝{x₁,x₂,...x_i,...,x_n}

其中x_i＝[x_i1,x_i2,...x_ij,...,x_id]^T，转换采用Z-Score标准化公式，并将落在[-1,1]区间之外的值均设成-1或1；

具体转换的公式表示为：

其中分别为数据集{T_1j,T_2j,...T_ij,...,T_nj}的均值和标准差，且当x_ij>1时，令x_ij＝1，同理当x_ij<-1时，令x_ij＝-1。

3)聚类算法实现

本发明聚类具体算法是一种改进初始聚类中心的k-means算法；采用标准化处理后的数据，对n个时间段的综合操作炉型进行聚类，则高炉操作炉型的聚类问题为给定一个包含n个d维数据点的数据集样本：

X＝{x₁,x₂,...x_i,...,x_n}

其中x_i＝[x_i1,x_i2,...x_ij,...,x_id]^T；

聚类算法将所述包含n个d维数据点的数据集样本划为为K个划分：

C＝{c_k,i＝1,2,...K}

其中，每个划分代表一个类c_k，每个类c_k有一个类别中心μ_i，其中μ_i＝[μ_i1,μ_i2,...,μ_id]^T；

聚类选取欧氏距离作为相似性和距离判断准则，计算x_i、x_j的欧氏距离的公式为：

d(x_i,x_j)＝||x_i-x_j||

本发明||x_i-x_j||表示x_i、x_j的欧氏距离，采用其他参数时，以此类推表示。

计算类别C_k的各点到其类别中心μ_k的距离平方和公式为：

聚类目标是使各类总的距离平方和最小。

进一步，作为一种补充方式，可选的，进行聚类的过程如下以下两个步骤：

(一)K类中心位置的选取

K类中心位置的选取思路为：先把全部n个时间段的综合操作炉型当做同一类，这n个数据的总均值为第一个初始聚类中心；然后，除第一类的初始聚类中心和离它最远的一个样本作为第二类的初始聚类中心；依次类推，由(K-1)类的代表中心点和离它们最远的一个数据对象作为K类问题的初始聚类中心。

(二)聚类算法的迭代过程

对于n个数据对象，则根据它们与这些聚类中心的欧氏距离，按欧氏距离最近的准则分别将它们分配给与其最相似的聚类中心所代表的类；计算每个类别中所有对象的均值作为该类别的新聚类中心。

计算所有样本到其所在类别聚类中心的距离平方和，即J(C)值，聚类结束的条件是：当聚类中心和J(C)值不发生改变，结束迭代过程，否则，继续迭代。

4)操作炉型指标计算

计算每一种类别的操作炉型对应的指标，计算数据集中的每一个样本对应的指标，在把属于同一类别的多个样本的指标求平均值。求取的指标分经济指标和操作指标，经济指标包括：铁水产量、高炉利用系数、焦比、煤比、焦丁比、燃料比；

操作方针包括高炉上下部调剂的各类主要参数；上部调剂的参数有：矿石、焦炭的批重及各自布料时的档位和圈数、料线高低，如表1所示；

下部调剂的参数有：风口面积和长度、鼓风湿度、鼓风温度、富氧量、喷煤量、风压，其中，不同时间点相对应的下部调剂的参数量如图6所示。

表1

进一步的，如图5所示，当前生产的操作炉型或者某一特定操作炉型进行分类，使要研究的炉型属于其中的某一类别，方便后续对此类别的操作炉型变化进行分析。

进一步的，对要研究的特定炉型进行数据标准化处理，分类方法采用ν最近邻(k-Nearest Neighbor，简称νNN)分类算法，该方法的思路是：如果一个样本在特征空间中的ν个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别。上述评价待分类操作炉型与已知数据集样本X＝{x₁,x₂,...x_i,...,x_n}的n个样本的相似性评价准则为欧氏距离，待分类的样本x₀与已知类别的样本x_i的欧氏距离计算式为d(x₀,x_i)＝||x_i-x₀||；选定参数ν的数值，当离x₀最近的ν个样本中大多数属于类别c_k，则x₀∈c_k。

进一步的，提取与当前同类别的操作炉型在历史上的变化情况；

在对当前操作炉型进行分类后，自动调出历史上同类别的操作炉型的变化情况，以及相应经济指标和操作方针变化情况，以历史情况为借鉴，以差的操作方针为教训、以优秀的操作方针为借鉴，在线为当前炉型的操作方针制定提供指导，对操作炉型进行控制。

通过借鉴历史上同类别的操作炉型的变化情况，预测未来操作炉型的变化趋势，以及其经济指标，有助于提前做好相应准备。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种高炉操作炉型在线管理方法，其特征在于，包括：

S1采集高炉不同位置各部位冷却设备测温点实时温度；

S2建立操作炉型的直观显示，通过对所述高炉不同位置各部位冷却设备测温点实时数据进行分析处理，得出操作炉型的状态，并进行多形态的操作炉型形状显示；

S3通过对历史的操作炉型聚类分析，得到生产中的操作炉型类别；

S4通过对当前的操作炉型进行分类处理，获得当前操作炉型所属类别；

S5通过对历史生产中操作炉型的数据进行保存并提取，获得历史生产中操作炉型的演化过程，在线为当前炉型的操作方针制定提供指导，对操作炉型进行控制。

2.根据权利要求1所述的一种高炉操作炉型在线管理方法，其特征在于，所述采集高炉不同位置各部位冷却设备测温点实时温度包括：在高炉过程控制系统的本地数据库中，周期性收集高炉不同位置各部位冷却设备测温点实时温度，具体包括炉喉、炉身、炉腰、炉腹、炉缸部位不同标高和位置的热电偶测温值，采集数据保存数据库中。

3.根据权利要求1所述的一种高炉操作炉型在线管理方法，其特征在于，所述建立操作炉型的直观显示包括：建立多形态的操作炉型显示，根据操作炉型形成高炉操作炉型的变化趋势；所述多形态的操作炉型显示包括按照方向区间显示的操作炉型、按照高炉的综合操作炉型显示的操作炉型、以及按照高炉操作炉型的变化过程显示的操作炉型。

4.根据权利要求3所述的一种高炉操作炉型在线管理方法，其特征在于，所述形成高炉操作炉型的变化趋势包括：通过比较多形态的操作炉型显示，将操作炉型的温度点连接成平滑曲线；所述平滑曲线采用三次样条插值包括：当前的温度点定义的插值区间为[a,b]，在[a,b]上划分n个小区间，a＝x₀<x₁<L<x_n＝b，保证温度值y(x)在每个小区间[x_i,x_i+1],(i＝0,1,K,n-1)上是3次多项式，且y(x)在区间[a,b]上具有二阶连续导数。

5.根据权利要求书1所述的一种高炉操作炉型在线管理方法，其特征在于，所述通过对历史的操作炉型聚类分析，得到生产中的操作炉型类别包括：

统计高炉不同高度和不同时间的温度数据，将所述温度数据标准化处理，通过聚类算法对操作炉型聚类，并对各个聚类类别进行指标计算、操作方针统计。

6.根据权利要求书5所述的一种高炉操作炉型在线管理方法，其特征在于，所述将温度数据标准化处理包括：对进行聚类的数据集进行标准化处理，具体包括：

选择需要聚类的时间区间，把要聚类的时间区间划分成的总数目为n的时间段，时间段序列标号为1，2，L，i，L，n；

根据测温点的高低不同，在高度方向上有d个不同高度位置，则高度位置序号表示为1，2，L，j，L，d；

则需要进行聚类的原始数据集样本表示为：

T＝{T₁,T₂,...T_i,...,T_n}

其中T_i＝[T_i1,T_i2,...T_ij,...,T_id]^T，T_ij表示为在i时间j位置的温度；

需要进行聚类的转换后的数据集样本表示为：

X＝{x₁,x₂,...x_i,...,x_n}

其中x_i＝[x_i1,x_i2,...x_ij,...,x_id]^T，转换采用Z-Score标准化公式，并将落在[-1,1]区间之外的值均设成-1或1；

具体转换的公式表示为：

<mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>T</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>&amp;mu;</mi> <mi>j</mi> <mo>*</mo> </msubsup> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>j</mi> <mo>*</mo> </msubsup> </mfrac> </mrow>

其中分别为数据集{T_1j,T_2j,...T_ij,...,T_nj}的均值和标准差，且当x_ij>1时，令x_ij＝1，同理当x_ij<-1时，令x_ij＝-1。

7.根据权利要求书5所述的一种高炉操作炉型在线管理方法，其特征在于，所述聚类算法包括一种改进初始聚类中心的k-means算法；采用标准化处理后的数据，对n个时间段的综合操作炉型进行聚类，则高炉操作炉型的聚类问题为给定一个包含n个d维数据点的数据集样本：

X＝{x₁,x₂,...x_i,...,x_n}

其中x_i＝[x_i1,x_i2,...x_ij,...,x_id]^T表示分类的样别；

聚类算法将所述包含n个d维数据点的数据集样本划为为K个划分：

C＝{c_k,i＝1,2,...K}

其中，每个划分代表一个类c_k，每个类c_k有一个类别中心μ_i，其中μ_i＝[μ_i1,μ_i2,...,μ_id]^T；

聚类选取欧氏距离作为相似性和距离判断准则，计算x_i、x_j的欧氏距离的公式为：

d(x_i,x_j)＝||x_i-x_j||

计算类别C_k的各点到其类别中心μ_k的欧氏距离平方和公式为：

<mrow> <mi>J</mi> <mrow> <mo>(</mo> <msub> <mi>c</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>&amp;Element;</mo> <msub> <mi>C</mi> <mi>k</mi> </msub> </mrow> </munder> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow>

聚类目标是使各类总的距离平方和最小。

8.根据权利要求书1所述的一种高炉操作炉型在线管理方法，其特征在于，通过对当前的操作炉型进行分类处理，获得当前操作炉型所属类别；具体包括：

对要研究的特定炉型按照数据标准化处理，对当前生产的操作炉型或者某一特定操作炉型进行分类，使要研究的炉型属于其中的某一类别；包括设定参数ν，如果一个数据集样本在特征空间中的ν个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别，其中评价待分类操作炉型与已知数据集样本X＝{x₁,x₂,...x_i,...,x_n}的n个样本的相似性评价准则为欧氏距离，待分类的样本x₀与已知类别的样本x_i的欧氏距离计算式为：

d(x₀,x_i)＝||x_i-x₀||

选定参数ν的数值，当离x₀最近的ν个样本中大多数属于类别c_k，则x₀∈c_k。

9.根据权利要求书1所述的一种高炉操作炉型在线管理方法，所述通过对历史生产中操作炉型的数据进行保存并提取，获得历史生产中操作炉型的演化过程包括：对当前或某一特定操作炉型的历史变化过程进行提取，对当前操作提供借鉴和指导具体包括：

在对当前操作炉型或某一特定类别的操作炉型进行分析时，自动调出历史上对应类别的操作炉型的变化情况，以及相应经济指标和操作方针变化情况，以历史情况为借鉴，以差的操作方针为教训、以优秀的操作方针为借鉴，在线为当前炉型的操作方针制定提供指导，对操作炉型进行控制。