CN111210122A - 基于参数隔离的烧结非优运行性能原因追溯方法及系统 - Google Patents

基于参数隔离的烧结非优运行性能原因追溯方法及系统 Download PDF

Info

Publication number
CN111210122A
CN111210122A CN201911366925.7A CN201911366925A CN111210122A CN 111210122 A CN111210122 A CN 111210122A CN 201911366925 A CN201911366925 A CN 201911366925A CN 111210122 A CN111210122 A CN 111210122A
Authority
CN
China
Prior art keywords
case
parameter
operation performance
detection
sintering
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.)
Granted
Application number
CN201911366925.7A
Other languages
English (en)
Other versions
CN111210122B (zh
Inventor
杜胜
吴敏
陈略峰
曹卫华
胡杰
周凯龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201911366925.7A priority Critical patent/CN111210122B/zh
Publication of CN111210122A publication Critical patent/CN111210122A/zh
Application granted granted Critical
Publication of CN111210122B publication Critical patent/CN111210122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明提供了基于参数隔离的烧结非优运行性能原因追溯方法，首先，本发明以过程能力指数作为运行性能的评价指标，将运行性能评价等级为“优秀”的案例集成为案例库。然后，依次隔离检测参数，求取隔离参数后的待分析案例的匹配案例。最后求取待分析案例与匹配案例在各个隔离参数上的差异，将差异最大的隔离参数作为导致非优运行性能的原因。本发明利用实际运行数据构建案例库，为操作人员找到导致非优运行性能原因提供了有力指导。

Description

基于参数隔离的烧结非优运行性能原因追溯方法及系统
技术领域
本发明涉及铁矿石烧结生产过程智能评价与控制领域，具体涉及基于参数隔离的烧结非优运行性能原因追溯方法及系统。
背景技术
运行状态评价是指在安全生产的前提下，对过程运行性能优劣程度做出评判，并对非优运行状态追溯原因，以指导操作人员进行生产调整。运行状态评价本质上是将正常的生产过程进一步划分为多个等级，如优、良、一般、差等，即在“正常”这个大类中根据过程运行状态的优劣将其进一步分为多个更加精细的小类(即状态等级)，使得企业生产管理者和实际生产操作人员能够更加深入和全面的掌握过程的运行情况。当前运行状态处于非优时，需进行原因识别，非优原因识别结果为生产过程的优化调整提供合理的参考依据。
作为传统的工业过程，烧结过程一直受到学者的关注。它是一个流程复杂的耗时过程。由于参数众多，操作人员很难对运行状态做到实时调整。当运行状态处于非优时，操作人员也很难确定是什么导致的。这给提高烧结矿品质和节约生产成本带来了阻碍。因此，开发烧结过程非优运行性能原因识别具有重要的经济价值。
当评估结果为非优时，如何找到导致非优运行性能的原因，为操作人员提供生产指导是非优运行性能原因识别的目的。传统的案例匹配就是从案例库中寻找与目标案例相匹配的案例。非优原因辨识并不是为了找到最匹配的目标案例，而是找到一个参数，它使得目标案例与案例库的差距最大。因此，发明基于参数隔离的烧结非优运行性能原因追溯方法是有必要的。
发明内容
本发明要解决的技术问题在于，针对上述目前烧结过程运行性能评价困难的技术问题，提供基于参数隔离的烧结非优运行性能原因追溯方法及系统解决上述技术缺陷。
基于参数隔离的烧结非优运行性能原因追溯方法，包括：
步骤一：对烧结终点的时间序列数据和检测参数的时间序列数据进行预处理；
步骤二：将运行性能评价等级为“优秀”的案例集成为案例库；
步骤三：依次隔离检测参数，求取隔离检测参数后的待分析案例的匹配案例；
步骤四：求取待分析案例与匹配案例在各个隔离参数上的差异，将差异最大的隔离参数作为导致非优运行性能的原因。
进一步的，步骤一具体包括：
剔除传感器故障和停机情况引起的零检测数据，数据的采样间隔设置为30秒，对于烧结终点的时间序列数据和检测参数的时间序列数据，选择每个时间子序列的长度为10分钟，包含20个数据点。
进一步的，步骤二具体包括：
S21、求取烧结终点时间子序列的过程能力指数，表示为，
Figure BDA0002338665040000021
其中，USL和LSL是烧结终点的规格上限和下限，T是期望的烧结终点平均值，
Figure BDA0002338665040000022
是烧结终点时间子序列的估计平均值，
Figure BDA0002338665040000023
是烧结终点时间子序列的标准差；
S22、根据过程能力指数的数值大小来划分运行性能等级，
如果
Figure BDA0002338665040000024
则运行性能等级为“优秀”；
如果
Figure BDA0002338665040000025
则运行性能等级为“良好”；
如果
Figure BDA0002338665040000026
则运行性能等级为“一般”；
如果
Figure BDA0002338665040000027
则运行性能等级为“较差”；
如果
Figure BDA0002338665040000028
则运行性能等级为“很差”；
S23、将所有运行性能等级为“优秀”的烧结终点时间子序列对应的检测参数时间子序列作为“优秀”案例，得到案例库。
进一步的，步骤三具体包括：
S31、待分析案例是指的运行性能等级为“很差”的案例，对于待分析案例的检测参数时间子序列共有m个检测参数，表示为XA＝{P1,P2,...,Pm}，每个检测参数的时间子序列的长度为n，Pi＝{p1,p2,...,pn}i＝1,2,…,m；
S32、对待分析案例的隔离检测参数P1，得到新的检测参数时间子序列，
Figure BDA0002338665040000031
那XN1中包含m-1个检测参数；
S33、在案例库中找到与XN1差异最小的案例，作为XN1的匹配案例XM1，其中，差异按照下式计算，
Figure BDA0002338665040000032
Figure BDA0002338665040000033
其中，Pi M是匹配案例XM1中的检测参数，
Figure BDA0002338665040000034
和
Figure BDA0002338665040000035
是Pi N和Pi M的时间序列值；
S34、按照步骤S32和S33所述方法，依次隔离P2,P3,…,Pm，找到隔离参数后的待分析案例XNi的匹配案例XMi，i＝2,3,…,m。
进一步的，步骤四具体包括：
S41、求取待分析案例XA的参数检测P1与匹配案例XM1所对应的参数检测PM1的差异，求取方法如下式，
Figure BDA0002338665040000036
其中，pi和
Figure BDA0002338665040000037
是P1和PM1的时间序列值；
S42、按照步骤S41的方法，依次求取待分析案例XA的参数检测Pi与匹配案例XMi所对应的参数检测PMi的差异di，i＝2,3,…,m；
S43、求取di，i＝1,2,…,m的最大值，若最大值为dk，那么Pk就作为导致非优运行性能的主要原因。
基于参数隔离的烧结非优运行性能原因追溯系统，包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现所述的任意基于参数隔离的烧结非优运行性能原因追溯方法。
与现有技术相比，本发明的优势在于：
(1)本发明的基于参数隔离的烧结非优运行性能原因追溯方法，采用过程能力指数来衡量烧结过程的运行性能，并对运行性能分级。
(2)本发明的基于参数隔离的烧结非优运行性能原因追溯方法，利用实际运行数据构建案例库，案例库具有很高的可信度。
(3)本发明的基于参数隔离的烧结非优运行性能原因追溯方法，基于参数隔离的思想，利用了案例匹配方法来找到导致非优运行性能的原因。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明的基于参数隔离的烧结非优运行性能原因追溯方法流程图；
图2为本发明的非优运行性能案例1的原因追溯结果图；
图3为本发明的非优运行性能案例2的原因追溯结果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
基于参数隔离的烧结非优运行性能原因追溯方法，如图1所示，包括：
步骤一：对烧结终点的时间序列数据和检测参数的时间序列数据进行预处理；
步骤二：将运行性能评价等级为“优秀”的案例集成为案例库；
步骤三：依次隔离检测参数，求取隔离检测参数后的待分析案例的匹配案例；
步骤四：求取待分析案例与匹配案例在各个隔离参数上的差异，将差异最大的隔离参数作为导致非优运行性能的原因。
步骤一具体包括：
剔除传感器故障和停机情况引起的零检测数据；数据的采样间隔设置为30秒；对于烧结终点的时间序列数据和检测参数的时间序列数据，选择每个时间子序列的长度为10分钟，包含20个数据点。
步骤二具体包括：
S21、求取烧结终点时间子序列的过程能力指数，可表示为，
Figure BDA0002338665040000041
其中，USL和LSL是烧结终点的规格上限和下限，T是期望的烧结终点平均值，
Figure BDA0002338665040000042
是烧结终点时间子序列的估计平均值，
Figure BDA0002338665040000043
是烧结终点时间子序列的标准差；
S22、根据过程能力指数的数值大小来划分运行性能等级，
如果
Figure BDA0002338665040000044
则运行性能等级为“优秀”；
如果
Figure BDA0002338665040000045
则运行性能等级为“良好”；
如果
Figure BDA0002338665040000051
则运行性能等级为“一般”；
如果
Figure BDA0002338665040000052
则运行性能等级为“较差”；
如果
Figure BDA0002338665040000053
则运行性能等级为“很差”；
S23、将所有运行性能等级为“优秀”的烧结终点时间子序列对应的检测参数时间子序列作为“优秀”案例，得到案例库。
步骤三具体包括：
S31、待分析案例是指的运行性能等级为“很差”的案例。对于待分析案例的检测参数时间子序列共有m个检测参数，可表示为XA＝{P1,P2,...,Pm}。每个检测参数时间子序列的长度为n，Pi＝{p1,p2,...,pn}i＝1,2,…,m；
S32、对待分析案例隔离检测参数P1，可以得到新的检测参数时间子序列，
Figure BDA0002338665040000054
那XN1中包含m-1个检测参数；
S33、在案例库中找到与XN1差异最小的案例，作为XN1的匹配案例XM1，其中，差异按照下式计算，
Figure BDA0002338665040000055
Figure BDA0002338665040000056
其中，Pi M是匹配案例XM1中的参数，
Figure BDA0002338665040000057
和
Figure BDA0002338665040000058
是Pi N和Pi M的时间序列值；
S34、按照步骤S32和S33所述方法，依次隔离P2,P3,…,Pm。找到隔离参数后的待分析案例XNi的匹配案例XMi，i＝2,3,…,m。
步骤四具体包括：
S41、求取待分析案例XA的参数检测P1与匹配案例XM1所对应的参数检测PM1的差异，求取方法如下式，
Figure BDA0002338665040000059
其中，pi和
Figure BDA00023386650400000510
是P1和PM1的时间序列值；
S42、按照步骤S41的方法，依次求取待分析案例XA的参数检测Pi与匹配案例XMi所对应的参数检测PMi的差异di，i＝2,3,…,m；
S43、求取di，i＝1,2,…,m的最大值，若最大值为dk，那么Pk就作为导致非优运行性能的主要原因。
综上所述，基于参数隔离的烧结非优运行性能原因追溯方法，首先，本发明以过程能力指数作为运行性能的评价指标，将运行性能评价等级为“优秀”的案例集成为案例库。然后，依次隔离检测参数，求取隔离参数后的待分析案例的匹配案例。最后求取待分析案例与匹配案例在各个隔离参数上的差异，将差异最大的隔离参数作为导致非优运行性能的原因。具体步骤如下：
(1)收集烧结生产历史数据获得原始样本数据
烧结生产历史数据以日报表的形式保存在操作室工控机的本地数据库中，根据日报表的数据，收集烧结终点、第i个风箱的废气温度(i＝1,2,3,5,7,9,11,13,15,17,18,19,20,21,22,23,24)、主烟道风箱负压、料层厚度和台车速度等一个月的历史数据，组成原始样本数据。共计20个检测参数。
(2)数据预处理
根据步骤一，对收集原始样本数据进行预处理，数据的采样间隔被扩展到30秒，每个时间子序列的长度为10分钟，以这些样本数据建立样本数据库；
(3)构建案例库
根据步骤二，构建案例库。将所有运行性能等级为“优秀”的烧结终点时间子序列对应的检测参数时间子序列作为“优秀”案例，得到案例库。
(4)非优运行性能原因追溯实验
根据步骤三和步骤四，对两个运行性能评价等级为“很差”的案例进行了原因追溯，待分析案例1和2与匹配案例在各个隔离参数上的差异如图2-3所示。可以明显的分析出，案例1中导致非优运行性能的原因主要是T20，案例2中导致非优运行性能的原因主要是T22。
本实施例的结果表明本发明能实现烧结过程非优运行性能原因追溯，具有重要的经济价值和应用价值。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (6)

1.基于参数隔离的烧结非优运行性能原因追溯方法，其特征在于，包括：
步骤一：对烧结终点的时间序列数据和检测参数的时间序列数据进行预处理；
步骤二：将运行性能评价等级为“优秀”的案例集成为案例库；
步骤三：依次隔离检测参数，求取隔离检测参数后的待分析案例的匹配案例；
步骤四：求取待分析案例与匹配案例在各个隔离参数上的差异，将差异最大的隔离参数作为导致非优运行性能的原因。
2.根据权利要求1所述的基于参数隔离的烧结非优运行性能原因追溯方法，其特征在于，步骤一具体包括：
剔除传感器故障和停机情况引起的零检测数据，数据的采样间隔设置为30秒，对于烧结终点的时间序列数据和检测参数的时间序列数据，选择每个时间子序列的长度为10分钟，包含20个数据点。
3.根据权利要求1所述的基于参数隔离的烧结非优运行性能原因追溯方法，其特征在于，步骤二具体包括：
S21、求取烧结终点时间子序列的过程能力指数，表示为，
Figure FDA0002338665030000011
其中，USL和LSL是烧结终点的规格上限和下限，T是期望的烧结终点平均值，
Figure FDA0002338665030000012
是烧结终点时间子序列的估计平均值，
Figure FDA0002338665030000013
是烧结终点时间子序列的标准差；
S22、根据过程能力指数的数值大小来划分运行性能等级，
如果
Figure FDA0002338665030000014
则运行性能等级为“优秀”；
如果
Figure FDA0002338665030000015
则运行性能等级为“良好”；
如果
Figure FDA0002338665030000016
则运行性能等级为“一般”；
如果
Figure FDA0002338665030000017
则运行性能等级为“较差”；
如果
Figure FDA0002338665030000018
则运行性能等级为“很差”；
S23、将所有运行性能等级为“优秀”的烧结终点时间子序列对应的检测参数时间子序列作为“优秀”案例，得到案例库。
4.根据权利要求1所述的基于参数隔离的烧结非优运行性能原因追溯方法，其特征在于，步骤三具体包括：
S31、待分析案例是指的运行性能等级为“很差”的案例，对于待分析案例的检测参数时间子序列共有m个检测参数，表示为XA＝{P1,P2,...,Pm}，每个检测参数的时间子序列的长度为n，Pi＝{p1,p2,...,pn}i＝1,2,…,m；
S32、对待分析案例的隔离检测参数P1，得到新的检测参数时间子序列，
Figure FDA0002338665030000021
那XN1中包含m-1个检测参数；
S33、在案例库中找到与XN1差异最小的案例，作为XN1的匹配案例XM1，其中，差异按照下式计算，
Figure FDA0002338665030000022
Figure FDA0002338665030000023
其中，Pi M是匹配案例XM1中的检测参数，
Figure FDA0002338665030000024
和
Figure FDA0002338665030000025
是Pi N和Pi M的时间序列值；
S34、按照步骤S32和S33所述方法，依次隔离P2,P3,…,Pm，找到隔离参数后的待分析案例XNi的匹配案例XMi，i＝2,3,…,m。
5.根据权利要求1所述的基于参数隔离的烧结非优运行性能原因追溯方法，其特征在于，步骤四具体包括：
S41、求取待分析案例XA的参数检测P1与匹配案例XM1所对应的参数检测PM1的差异，求取方法如下式，
Figure FDA0002338665030000026
其中，pi和
Figure FDA0002338665030000027
是P1和PM1的时间序列值；
S42、按照步骤S41的方法，依次求取待分析案例XA的参数检测Pi与匹配案例XMi所对应的参数检测PMi的差异di，i＝2,3,…,m；
S43、求取di，i＝1,2,…,m的最大值，若最大值为dk，那么Pk就作为导致非优运行性能的主要原因。
6.基于参数隔离的烧结非优运行性能原因追溯系统，其特征在于，包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现权利要求1～5所述的任意基于参数隔离的烧结非优运行性能原因追溯方法。
CN201911366925.7A 2019-12-26 2019-12-26 基于参数隔离的烧结非优运行性能原因追溯方法及系统 Active CN111210122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911366925.7A CN111210122B (zh) 2019-12-26 2019-12-26 基于参数隔离的烧结非优运行性能原因追溯方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911366925.7A CN111210122B (zh) 2019-12-26 2019-12-26 基于参数隔离的烧结非优运行性能原因追溯方法及系统

Publications (2)

Publication Number Publication Date
CN111210122A true CN111210122A (zh) 2020-05-29
CN111210122B CN111210122B (zh) 2022-05-03

Family

ID=70786484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911366925.7A Active CN111210122B (zh) 2019-12-26 2019-12-26 基于参数隔离的烧结非优运行性能原因追溯方法及系统

Country Status (1)

Country Link
CN (1) CN111210122B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1643332A2 (en) * 2004-10-04 2006-04-05 United Technologies Corporation Hybrid model based fault detection and isolation system
CN104062953A (zh) * 2014-06-12 2014-09-24 东北大学 金湿法冶金过程运行状态在线评价方法
CN106802977A (zh) * 2016-12-14 2017-06-06 同济大学 一种用于烧结矿性能指标预测及综合质量评价方法
CN107203140A (zh) * 2017-07-10 2017-09-26 中国地质大学（武汉） 一种基于模糊综合的烧结生产过程性能评估方法
CN110245850A (zh) * 2019-05-31 2019-09-17 中国地质大学（武汉） 一种考虑时序的烧结过程工况识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1643332A2 (en) * 2004-10-04 2006-04-05 United Technologies Corporation Hybrid model based fault detection and isolation system
CN104062953A (zh) * 2014-06-12 2014-09-24 东北大学 金湿法冶金过程运行状态在线评价方法
CN106802977A (zh) * 2016-12-14 2017-06-06 同济大学 一种用于烧结矿性能指标预测及综合质量评价方法
CN107203140A (zh) * 2017-07-10 2017-09-26 中国地质大学（武汉） 一种基于模糊综合的烧结生产过程性能评估方法
CN110245850A (zh) * 2019-05-31 2019-09-17 中国地质大学（武汉） 一种考虑时序的烧结过程工况识别方法及系统

Also Published As

Publication number Publication date
CN111210122B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
WO2015176565A1 (zh) 一种基于多维时间序列的电气设备故障预测方法
CN109858522A (zh) 一种基于数据挖掘的管理线损异常识别方法
TW201615844A (zh) 異因分析與校正方法與系統
CN111506618B (zh) 一种结合lightgbm-stacking算法的异常用电行为分析方法
CN103631681A (zh) 一种在线修复风电场异常数据的方法
CN111539845B (zh) 一种基于用电模式隶属评分的企业环保管控响应研判方法
CN113570200B (zh) 一种基于多维信息的电网运行状态监测方法及系统
CN112508105A (zh) 一种采油机故障检测与检索方法
CN105607631B (zh) 间歇过程弱故障模型控制限建立方法及弱故障监测方法
CN117421618B (zh) 一种建筑能耗监测方法及系统
CN112231971B (zh) 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法
CN116931530B (zh) 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法
CN116703368B (zh) 基于数据挖掘的同期线损智能闭环监测方法
CN105005878A (zh) 一种坚强智能电网的综合评估方法
CN116796403A (zh) 一种基于商业建筑综合能耗预测的建筑节能方法
CN116335925A (zh) 基于数据增强的煤矿井下乳化泵站智能调控系统
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和系统
CN108508319B (zh) 基于故障特征气体间关联特征的变压器故障类型识别方法
CN111210122B (zh) 基于参数隔离的烧结非优运行性能原因追溯方法及系统
CN107844679B (zh) 一种分段式高炉铁水硅含量预测方法及装置
CN104680010A (zh) 一种汽轮机组稳态运行数据筛选方法
CN115186935B (zh) 一种机电设备非线性故障预测方法及系统
CN111210147B (zh) 基于时序特征提取的烧结过程运行性能评价方法及系统
CN107340454B (zh) 一种基于RuLSIF变点探测技术的电力系统故障定位分析方法
CN117220417B (zh) 消费端电负荷动态监测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant