CN111593155A - 高炉诊断系统及方法 - Google Patents
高炉诊断系统及方法 Download PDFInfo
- Publication number
- CN111593155A CN111593155A CN202010466863.3A CN202010466863A CN111593155A CN 111593155 A CN111593155 A CN 111593155A CN 202010466863 A CN202010466863 A CN 202010466863A CN 111593155 A CN111593155 A CN 111593155A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- parameters
- parameter
- data
- furnace
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 71
- 238000012544 monitoring process Methods 0.000 claims abstract description 67
- 239000002994 raw material Substances 0.000 claims abstract description 66
- 230000007774 longterm Effects 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 49
- 238000004519 manufacturing process Methods 0.000 claims abstract description 29
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 31
- 239000000571 coke Substances 0.000 claims description 30
- 238000012546 transfer Methods 0.000 claims description 30
- 238000012417 linear regression Methods 0.000 claims description 25
- 238000007405 data analysis Methods 0.000 claims description 24
- 239000002893 slag Substances 0.000 claims description 23
- 238000007726 management method Methods 0.000 claims description 22
- 230000005856 abnormality Effects 0.000 claims description 20
- 230000001419 dependent effect Effects 0.000 claims description 20
- 238000001816 cooling Methods 0.000 claims description 19
- 229910052742 iron Inorganic materials 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 14
- 238000003723 Smelting Methods 0.000 claims description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 10
- 239000011449 brick Substances 0.000 claims description 10
- 229910052799 carbon Inorganic materials 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000007710 freezing Methods 0.000 claims description 7
- 230000008014 freezing Effects 0.000 claims description 7
- 239000008188 pellet Substances 0.000 claims description 7
- 239000000377 silicon dioxide Substances 0.000 claims description 7
- 206010040844 Skin exfoliation Diseases 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000035618 desquamation Effects 0.000 claims description 6
- 238000011158 quantitative evaluation Methods 0.000 claims description 6
- 239000000700 radioactive tracer Substances 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 4
- 239000011707 mineral Substances 0.000 claims description 4
- 238000010079 rubber tapping Methods 0.000 claims description 4
- 230000009849 deactivation Effects 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 9
- 239000000203 mixture Substances 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000009472 formulation Methods 0.000 abstract description 3
- 230000009897 systematic effect Effects 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 2
- 239000000446 fuel Substances 0.000 description 27
- 230000006872 improvement Effects 0.000 description 24
- 239000000047 product Substances 0.000 description 19
- 239000007789 gas Substances 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 229910001018 Cast iron Inorganic materials 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 229910000805 Pig iron Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 229910052681 coesite Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052906 cristobalite Inorganic materials 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- -1 sintered ore Substances 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 229910052682 stishovite Inorganic materials 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 229910052905 tridymite Inorganic materials 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
- C21B7/24—Test rods or other checking devices
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
- C21B5/006—Automatically controlling the process
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B2300/00—Process aspects
- C21B2300/04—Modeling of the process, e.g. for control purposes; CII
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture Of Iron (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明揭示了一种高炉诊断系统及方法，所述高炉诊断系统包括数据采集模块、数据分析模块和实时监控及报警模块，还可以包括短期异常诊断模块、长期异常诊断模块和生产管理模块。与现有技术相比，本发明的高炉诊断系统，通过建立高炉输入参数、过程参数和输出参数的时间对应关系，能够实现从原料、高炉操作到产品对整个高炉炼铁过程进行系统的监控和诊断，从而对生产时出现的异常报警或者产品的质量报警能够做到快速的原因追溯和应对措施制定。进一步的，本发明通过对高炉进行实时监控、短期异常监控、长期异常监控和管理监控，实现全方位监控高炉的生产，有效指导高炉的生产，利于高炉炉况的稳定，提高高炉的经济效益。
Description
技术领域
本发明涉及高炉炼铁生产技术领域，特别涉及一种高炉诊断系统及方法。
背景技术
作为生铁的主要供应者，高炉炼铁在钢铁生产中占据着重要的地位。高炉生产领域数据量大、利用率低、服务于生产的潜力巨大。随着计算机的发展，人们开使使用各种数据统计和处理方法，应用于高炉炉况诊断，例如：CN105441610A使用聚类分析方式建立炉况调剂方案知识库，对当前炉况提供有效处理措施，CN1132253基于实例库和常规知识库，对炉况给出好、注意、坏的评价，CN109063358A给高炉参数设置上下限和权重对高炉参数进行评价，表征高炉运行实时状态。
但是这些高炉诊断系统，数据采集和分析一般局限于高炉操作本身，而实际上高炉炼铁往往有“七分原料、三分操作”的说法，说明原料的重要性，因此这些高炉诊断系统，局限性大。
另外，当高炉本身处于失常、炉况需要治理时，这些高炉诊断系统并不能分析出失常原因，对于炉况治理也起不到相应的作用，在这些情况下操作者只能依靠自己的经验来调整炉况，对高炉进行治理。
发明内容
本发明的目的在于提供一种高炉诊断系统及方法。
为实现上述发明目的之一，本发明一实施方式提供一种高炉诊断系统，所述系统包括：
数据采集模块，其用于采集高炉相关参数的数据，所述数据包括历史数据和实时数据，所述高炉相关参数包括输入参数、过程参数和输出参数；
数据分析模块，其用于建立输入参数、过程参数和输出参数的时间对应关系，并将高炉相关参数的数据依照时间对应关系建立高炉数据库；并通过对高炉数据库中的数据进行分析，得到各个参数的合理范围和报警范围；
实时监控及报警模块，其用于通过各个参数的报警区间，结合高炉数据库中的实时数据，对各个参数进行监控和报警。
作为本发明一实施方式的进一步改进，所述实时监控和报警模块还用于：
根据高炉相关参数的合理范围和报警范围，对高炉相关参数的取值进行区段划分，对于高炉相关参数的实时数据进行分区段报警，针对不同区段的报警制定不同的应对措施。
作为本发明一实施方式的进一步改进，所述实时监控和报警模块还用于：
在过程参数或输出参数出现报警时，通过所述高炉数据库，确定所述报警前后，输入参数或其它过程参数的变化导致过程参数或输出参数出现报警。
作为本发明一实施方式的进一步改进，所述系统还包括：
短期异常诊断模块，其用于通过分析高炉数据库中的气流分布、下料信息、冷却壁热电偶温度、炉缸碳砖温度、铁水温度和渣铁流动性的实时数据，诊断高炉是否出现短期异常；以及在判定高炉出现短期异常时，诊断炉况短期异常的类型，其中，所述短期异常类型包括管道、渣皮脱落、崩滑料和炉缸不活。
作为本发明一实施方式的进一步改进，所述短期异常诊断模块还用于：
在确定高炉的短期异常类型后，通过调整净焦、轻料或硅石的量，增加高炉内异常处的热量，对炉况短期异常进行治理。
作为本发明一实施方式的进一步改进，所述系统还包括：
长期异常诊断模块，其用于诊断高炉是否出现长期异常，以及出现长期异常时的长期异常类型，所述长期异常类型包括炉墙结厚、高炉结瘤、炉缸堆积、炉缸冻结。
作为本发明一实施方式的进一步改进，所述长期异常诊断模块还用于：
在确定炉况长期异常类型后，调整布料制度、送风制度和原料配比，同时通过相关性分析，得到与所述炉况长期异常相关的相关性参数，控制所述相关性参数的取值在对应的合理范围内。
作为本发明一实施方式的进一步改进，所述系统还包括生产管理模块，其中：
所述数据分析模块还用于使用归一化区间分析法，对高炉的关键参数和重要技经参数的数据进行分析，分别得到以所述关键参数为自变量、以重要技经参数为因变量的归一化线性方程；
所述生产管理模块用于根据所述归一化线性方程中的因变量系数绝对值的大小，确定对应关键参数对高炉炉况的评分权重；以及根据所有关键参数的评分权重和每个关键参数的取值等级，对高炉炉况进行量化评价。
作为本发明一实施方式的进一步改进，所述数据分析模块还用于：
通过对原料的检化验数据、到厂时间、到货量、成品仓位变化、从成品仓至高炉原料仓的皮带转运速度和转运量、高炉原料仓仓位、高炉原料上料后的转运速度和转运量、高炉原料在高炉中的冶炼周期的动态监控，计算或通过示踪试验得出高炉的输入参数、过程参数和输出参数的时间对应关系。
作为本发明一实施方式的进一步改进，所述数据分析模块还用于：
使用区间分析法，对高炉数据库中的数据进行分析，得到一个参数与另一个或多个参数的线性回归关系，并结合其中一个参数的已知指标，得到其它参数的合理范围和报警范围。
作为本发明一实施方式的进一步改进，所述数据分析模块还用于：
获取多个参数在不同时间点的样本数据，将第一参数的样本数据的波动范围进行区间划分；
根据其它参数与所述第一参数的时间对应关系，将所有其它参数的样本数据进行相同的区间划分，并计算每个参数在每个区间中的平均值；
分别以第一参数和其它参数在每个区间中的平均值作为两个坐标轴的坐标值，分别计算所述第一参数和其它参数的线性回归关系。
作为本发明一实施方式的进一步改进，所述实时监控及报警模块包括原料监控及报警单元、关键设备监控及报警单元、操作炉型监控及报警单元、炉缸工作监控及报警单元和出铁出渣监控及报警单元。
作为本发明一实施方式的进一步改进，所述输入参数包括焦炭质量参数、烧结矿质量参数、球团矿质量参数、块矿质量参数、配料结构参数和仓位参数，所述过程参数包括操作参数、炉况表征参数和炉体管理参数，所述输出参数包括高炉的技术经济指标参数。
作为本发明一实施方式的进一步改进，所述数据分析模块还用于：
对高炉数据库中的数据进行数据清洗、数据挖掘和数据融合，使用高炉数据库中融合后的数据进行数据分析、监控和报警，其中，所述数据清洗是指剔除采集的数据中的异常点，所述数据挖掘是指在数据的基础上，通过已有公式计算得到间接参数的数据，所述数据融合是指统一所有参数的数据频率或数据周期，得到周期数据。
为实现上述发明目的之一，本发明一实施方式提供一种高炉诊断方法，所述方法包括：
采集高炉相关参数的数据，所述数据包括历史数据和实时数据，所述高炉相关参数包括输入参数、过程参数和输出参数；
建立输入参数、过程参数和输出参数的时间对应关系，并将高炉相关参数的数据依照时间对应关系建立高炉数据库；
通过对高炉数据库中的数据进行分析，得到各个参数的合理范围和报警范围；
通过各个参数的报警区间，结合高炉数据库中的实时数据，对各个参数进行监控和报警。
作为本发明一实施方式的进一步改进，所述方法还包括：
根据高炉相关参数的合理范围和报警范围，对高炉相关参数的取值进行区段划分，对于高炉相关参数的实时数据进行分区段报警，针对不同区段的报警制定不同的应对措施。
作为本发明一实施方式的进一步改进，所述方法还包括：
在过程参数或输出参数出现报警时，通过所述高炉数据库，确定所述报警前后，输入参数或其它过程参数的变化导致高炉过程参数或输出参数出现报警。
作为本发明一实施方式的进一步改进，所述方法还包括：
通过分析高炉数据库中的气流分布、下料信息、冷却壁热电偶温度、炉缸碳砖温度、铁水温度和渣铁流动性的实时数据，诊断高炉是否出现短期异常；
在判定高炉出现短期异常时，诊断炉况短期异常的类型，其中，所述短期异常类型包括管道、渣皮脱落、崩滑料和炉缸不活。
作为本发明一实施方式的进一步改进，所述方法还包括：
在确定高炉的短期异常类型后，通过调整净焦、轻料或硅石的量，增加高炉内异常处的热量，对炉况短期异常进行治理。
作为本发明一实施方式的进一步改进，所述方法还包括：
诊断高炉是否出现长期异常，以及出现长期异常时的长期异常类型，所述长期异常类型包括炉墙结厚、高炉结瘤、炉缸堆积、炉缸冻结。
作为本发明一实施方式的进一步改进，所述方法还包括：
在确定炉况长期异常类型后，调整布料制度、送风制度和原料配比，同时通过相关性分析，得到与所述炉况长期异常相关的相关性参数，控制所述相关性参数的取值在对应的合理范围内。
作为本发明一实施方式的进一步改进，所述方法还包括：
使用归一化区间分析法，对高炉的关键参数和重要技经参数的数据进行分析，分别得到以所述关键参数为自变量、以重要技经参数为因变量的归一化线性方程；
根据所述归一化线性方程中的因变量系数绝对值的大小，确定对应关键参数对高炉炉况的评分权重；
根据所有关键参数的评分权重和每个关键参数的取值等级，对高炉炉况进行量化评价。
作为本发明一实施方式的进一步改进，所述归一化区间分析法包括：
获取多个参数在不同时间点的样本数据，将第一参数的样本数据的波动范围进行区间划分；
根据其它参数与所述第一参数的时间对应关系，将所有其它参数的样本数据进行相同的区间划分；
计算每个参数在每个区间的平均值，并对每个参数的各个平均值进行归一化处理，得到每个参数的各个归一化平均值；
分别以第一参数和其它参数在每个区间的归一化平均值作为两个坐标轴的坐标值，分别计算以其它参数为自变量、以所述第一参数为因变量的归一化线性方程。
作为本发明一实施方式的进一步改进，所述“建立输入参数、过程参数和输出参数的时间对应关系”具体包括：
通过对原料的检化验数据、到厂时间、到货量、成品仓位变化、从成品仓至高炉原料仓的皮带转运速度和转运量、高炉原料仓仓位、高炉原料上料后的转运速度和转运量、高炉原料在高炉中的冶炼周期的动态监控，计算或通过示踪试验得出高炉的输入参数、过程参数和输出参数的时间对应关系。
作为本发明一实施方式的进一步改进，所述“通过对高炉数据库中的数据进行分析，得到各个参数的合理范围和报警范围”具体包括：
使用区间分析法，对高炉数据库中的数据进行分析，得到一个参数与另一个或多个参数的线性回归关系，并结合其中一个参数的已知指标，得到其它参数的合理范围和报警范围。
作为本发明一实施方式的进一步改进，所述区间分析法包括：
获取多个参数在不同时间点的样本数据，将第一参数的样本数据的波动范围进行区间划分；
根据其它参数与所述第一参数的时间对应关系，将所有其它参数的样本数据进行相同的区间划分，并计算每个参数在每个区间中的平均值；
分别以第一参数和其它参数在每个区间中的平均值作为两个坐标轴的坐标值，分别计算所述第一参数和其它参数的线性回归关系。
与现有技术相比，本发明的高炉诊断系统，通过建立高炉输入参数、过程参数和输出参数的时间对应关系，能够实现从原料、高炉操作到产品对整个高炉炼铁过程进行系统的监控和诊断，从而对生产时出现的异常报警或者产品的质量报警能够做到快速的原因追溯和应对措施制定。进一步的，本发明通过对高炉进行实时监控、短期异常监控、长期异常监控和管理监控，实现全方位监控高炉的生产，有效指导高炉的生产，利于高炉炉况的稳定，提高高炉的经济效益。
附图说明
图1是本发明高炉诊断系统的结构示意图。
图2是鼓风动能和产量之间的线性回归关系的示意图。
图3是鼓风动能与燃料比的归一化线性方程的示意图。
图4是风温与产量的线性回归关系的示意图。
图5是风温与燃料比的线性回归关系的示意图。
图6是本发明高炉诊断方法的流程示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
对高炉炼铁生产过程进行诊断，需要分析高炉相关参数之间的关系，或者分析焦炭、烧结矿等原料和操作工艺对产品的影响。高炉相关参数包括从高炉原料、生产过程到产品的各种参数。具体的，高炉相关参数包括高炉运行过程操作参数、高炉冷却系统监测参数、高炉原料参数、高炉布料矩阵参数、高炉下料参数、炉顶煤气温度参数、高炉煤气成分参数、铁水重量、质量和温度参数，炉渣重量和质量参数。其中，所述高炉运行过程操作参数又包括风口区理论燃烧温度、鼓风动能、炉腹煤气指数、透气阻力系数、风口区风速、风口区风量、风口区风温、风口区风压、加湿量、富氧量、喷煤量等。所述高炉冷却系统监测参数包括冷却壁温度、冷却系统流量、冷却水压力和冷却水温度等。所述高炉原料参数包括高炉所用焦炭、烧结矿、块矿和球团的质量、仓位、配料结构等。所述炉顶煤气温度参数包括炉顶煤气温度、炉顶煤气压力、十字测温温度，炉顶Z/W等。
从历史数据可以看出，对于这么多的高炉相关参数，参数之间很少存在线性关系，基本都是非线性关系，甚至是杂乱无章，使用各种统计学方法对这些数据进行分析，也无法将这些高炉相关参数之间的关系简化。因此，传统的高炉相关参数范围的制定只能凭借高炉操作经验，缺乏科学依据和数据支撑。
经过发明人长时间的研究，发明了一种区间分析法，能够将高炉相关参数的这些非线性关系的数据、甚至是杂乱无章的数据进行线性化，从而简化了高炉相关参数之间的关系，为高炉相关参数范围的设定，提供了科学的手段。
所述区间分析法包括如下步骤：
步骤S110：获取多个参数在不同时间点的样本数据，将第一参数的样本数据的波动范围进行区间划分。
为了方便划分，优选通过平均分割的方式，将第一参数的样本数据的波动范围进行区间划分。
区间个数可以是很多，也可以很少，但是由于后续要将每个区间的平均值进行线性回归，因此优选划分的区间个数为6-8个，如果样本数据量多可以划分成8个，少的话可以划分成6个，依次类推。
另外，在进行区间划分后，有些区间的样本量可能很少，对后续的处理没有帮助作用，因此，在一个优选的实施方式中，将所述第一参数的样本数据的波动范围划分成多个区间后，统计所述第一参数的总样本量和在每个区间中样本量，计算每个区间的样本量占比。删除样本量占比少于预定阈值的区间，得到最终划分的区间。所述预定阈值可以是5％，即当某个区间的样本量少于总样本量的5％时，删除或去掉这个区间，是这个区间的数据不进入后续的处理。
步骤S120：根据其它参数与所述第一参数的时间对应关系，将所有其它参数的样本数据进行相同的区间划分，并计算每个参数在每个区间中的平均值。
例如第一参数的样本数据被划分成M个区间，第一区间包括第一参数在时间点A、B、C和D的四个样本数据，根据其它参数与所述第一参数的时间对应关系，将其它参数在对应的A、B、C和D时间点的样本数据也划分成第一区间，依次类推。这样，其它参数的样本数据也被划分成和第一参数相同且具有对应关系的M个区间。
区间划分结束后，计算每个参数在每个区间的平均值，包括第一参数在M个区间的平均值，每个其它参数在M个区间的平均值。
步骤S130：分别以第一参数和其它参数在每个区间中的平均值作为两个坐标轴的坐标值，分别计算所述第一参数和其它参数的线性回归关系。
所述两个坐标轴可以是横轴和纵轴，分别以第一参数在每个区间的平均值作为横轴/纵轴的坐标值，以一个其它参数在每个区间的平均值作为纵轴/横轴的坐标值，计算第一参数和这一个其它参数的线性回归关系。
按照相同的方式处理所有的其它参数，得到第一参数与所有其它参数的多个线性回归关系。
使用区间分析法能够得到一个参数与其它参数之间的线性回归关系，但是无法得到其它参数对这个参数的影响权重，因此，为了能够科学的计算其它参数对某个参数的影响权重，发明人经过研究，将上述区间分析法与归一法相结合，得到归一化区间分析法，计算其它参数对某个参数的影响权重。
所述归一化区间分析法包括：
步骤S210：获取多个参数在不同时间点的样本数据，将第一参数的样本数据的波动范围进行区间划分。
同步骤S110。
步骤S220：根据其它参数与所述第一参数的时间对应关系，将所有其它参数的样本数据进行相同的区间划分。
同步骤S120。
步骤S230：计算每个参数在每个区间的平均值，并对每个参数的各个平均值进行归一化处理，得到每个参数的各个归一化平均值。
优选使用如下归一化公式，求取每个参数的各个平均值T的归一化平均值t：
其中min和max为每个参数在所有区间的最小值和最大值。
步骤S240：分别以第一参数和其它参数在每个区间的归一化平均值作为两个坐标轴的坐标值，分别计算以其它参数为自变量、以所述第一参数为因变量的归一化线性方程。
比如以第一参数的归一化平均值作为纵轴的坐标值，以一个其它参数的归一化平均值作为横轴的坐标值，能够得到以所述其它参数为自变量x、以所述第一参数为因变量y的归一化线性方程：
y＝ax+b
其中自变量x的系数a的绝对值，即表征所述其它参数对第一参数的影响权重。
需要说明的是，使用区间分析法或归一化区间分析法分析参数之间的线性回归关系或归一化线性方程时，所有参与分析的参数的数据采集时，具有时间对应关系，而对于高炉相关参数来说，很多时候我们并不能准确的知道在高炉中发生反应的原料的参数数据、即原料的数据与采集到的高炉炉况的数据并没有时间对应关系，因此需要对高炉相关参数进行整理，并将整理后的参数建立时间对应关系，然后根据所述时间对应关系，将采集到的数据建立高炉数据库。
具体的，对高炉相关参数进行整理，将所有高炉相关参数划分成输入参数、过程参数和输出参数。其中：
所述的输入参数指的是原料参数，包括高炉所用焦炭、烧结矿、块矿和球团的质量参数、仓位参数、配料结构参数等，见下表1。
所述过程参数包括操作参数、炉况表征参数和炉体管理参数，见下表2。
所述输出参数指的是高炉的技术经济指标参数等，包括产量、燃料比等，见下表3。
表1
表2
表3
从表1-表3可以看出，过程参数和输出参数是同一时间采集，或可以根据同一时间采集到的数据计算得到，只有输入参数不是同一时间采集的，需要建立输入参数与过程参数和输出参数时间对应关系。
通过对原料的检化验数据、到厂时间、到货量、成品仓位变化、从成品仓至高炉原料仓的皮带转运速度和转运量、高炉原料仓仓位、高炉原料上料后的转运速度和转运量、高炉原料在高炉中的冶炼周期等的动态监控，计算或通过示踪试验得出高炉的输入参数、过程参数和输出参数的时间对应关系。
具体的，输入参数的原料质量参数(包括焦炭、烧结矿、球团矿和矿块的质量参数)与过程参数或输出参数存在如下时间差，所述时间差＝炉内反应时间-高炉原料的取样时间＝高炉原料取样后从成品仓至高炉原料仓的皮带转运时间+高炉原料在高炉原料仓的存储时间+高炉原料上料后的转运时间+高炉原料在高炉中的冶炼周期。
在一个具体的实施方式中，建立输入参数的焦炭质量参数和过程参数的时间对应关系。采集焦炭的取样时间T取、取样点至高炉焦炭仓的皮带转运时间Δt焦，采集高炉焦炭仓在T取+Δt焦时刻的仓储量H、高炉焦炭上料速度V、高炉上料转运时间Δt炉，采集炉料在高炉中的冶炼周期Δt冶炼。过程参数的采集时间T炉，从而确定焦炭质量参数和过程参数的时间对应关系，如下：
T炉＝T取+Δt焦+H/V+Δt炉+T冶炼。
在建立好输入参数与过程参数和输出参数的时间对应关系后，根据所述时间对应关系，将采集到的高炉相关参数的数据建立高炉数据库。然后使用区间分析法，对高炉数据库中的各参数的数据进行分析，得到高炉相关参数之间的线性回归关系。
需要说明的是，所述采集到的高炉相关参数的数据，可以是某一段时间，比如近两年，采集到的所有数据。对于采集到的高炉相关参数的数据，根据上述时间对应关系建立高炉数据库后，需要对高炉数据库中的数据进行清洗、挖掘和融合后，再使用融合后的数据进行数据分析、监控和报警，比如使用区间分析法或归一化区间分析法进行分析等，全文中使用高炉数据库中的数据，都是指高炉数据库中融合后的数据。
数据清洗是指剔除异常坏点数据，补充缺失数据。比如冷却壁热电偶温度的数据清洗，剔除坏点数据。高炉每一层冷却壁根据在炉体中的高度不同、材质不同，正常生产时的温度波动范围不同，剔除不在合理波动范围内的数据。比如炉身上部13段铸铁冷却壁，由于冷却水的保护，该处铸铁冷却壁的温度一般在70-300℃之间，首先剔除剔除70-300℃以外的热电偶数据，最后对于70-300℃以内的数据，如果某一点一天均没有波动和变化，认为该监测点热电偶损坏，剔除其温度数据，高炉热电偶坏点数据剔除后空置，以免数据失真导致炉况判断失误。对于检化验数据，根据检化验数据是否在正常检测范围内进行异常数据点剔除。根据检化验频次判断是否存在缺失数据，对缺失数据进行自动填充，填充近三次的平均检化验数据。
数据挖掘是指在采集数据的基础上，对各参数数据进行统计分析，统计平均值、最大值、最小值、数据分布、标准偏差等。同时，数据挖掘还包括挖掘间接参数的数据，所述间接参数是指无法通过采集数据直接获取的参数数据，而是需要通过已有公式进行计算得到的。比如高炉鼓风动能、炉缸活性指数、布料的矿焦比径向分布、热量平衡、理论燃烧温度、反映出风口前的热风与燃料燃烧所能达到的最高温度等都是间接参数。
数据融合是指统一所有参数的数据频率或数据周期，得到周期数据。由于高炉相关参数的数据获取频率不同，比如有些参数每秒采集一次，有些参数每分钟采集一次，有些参数每小时甚至每天采集一次，这样对于这些不同数据获取频率的参数数据，就需要进行数据融合，统一所有参数的数据频率或数据周期，得到周期数据。比如统一所有参数的数据频率为一个小时一个数据，所述数据周期为一个小时。由于高炉的数据量比较大，整体周期较长，因此优选的数据频率为一天一个数据，即数据周期为天。得到一个参数的周期数据的方法为：获取这个参数在数据周期内的所有数据的平均值或者最新值，作为这个参数的一个周期数据。后续使用高炉数据库中的某个参数的数据，是指这个参数的周期数据。
如图1所示，本发明提供一种高炉诊断系统，所述系统通过建立高炉输入参数、过程参数和输出参数的时间对应关系，能够实现从原料、高炉操作到产品对整个高炉炼铁过程进行系统的监控和诊断，从而对生产时出现的异常报警或者产品的质量报警能够做到快速的原因追溯和应对措施制定。另外，本发明通过对高炉进行实时监控、短期异常监控、长期异常监控和管理监控，实现全方位监控高炉的生产，有效指导高炉的生产，利于高炉炉况的稳定，提高高炉的经济效益。所述系统包括数据采集模块、数据分析模块和实时监控及报警模块。
数据采集模块
所述数据采集模块用于采集高炉相关参数的数据，所述数据包括历史数据和实时数据，所述高炉相关参数包括输入参数、过程参数和输出参数。
所述输入参数包括焦炭质量参数、烧结矿质量参数、球团矿质量参数、块矿质量参数、配料结构参数和仓位参数，所述过程参数包括操作参数、炉况表征参数和炉体管理参数，所述输出参数包括高炉的技术经济指标参数。详细的参数信息见前文的表1-3。
具体的，所述数据采集模块包括多个车间录入终端、多个传感器及控制单元、多个实验室录入终端，所述车间录入终端用于采集高炉车间的操作工艺数据和各种设备的动作指令等；所述控制单元用于采集各种传感器的连续数据，所述传感器包括高炉冷却壁和炉缸碳砖的热电偶等；所述实验室录入终端用于采集原料和产品的各种检化验数据。
数据分析模块
所述数据分析模块用于建立输入参数、过程参数和输出参数的时间对应关系，并将高炉相关参数的数据依照时间对应关系建立高炉数据库；并通过对高炉数据库中的数据进行分析，得到各个参数的合理范围和报警范围。
在一个优选的实施方式中，所述数据分析模块通过对原料的检化验数据、到厂时间、到货量、成品仓位变化、从成品仓至高炉原料仓的皮带转运速度和转运量、高炉原料仓仓位、高炉原料上料后的转运速度和转运量、高炉原料在高炉中的冶炼周期的动态监控，计算或通过示踪试验得出高炉的输入参数、过程参数和输出参数的时间对应关系。
在另一优选的实施方式中，所述数据分析模块还用于：
对高炉数据库中的数据进行数据清洗、数据挖掘和数据融合，使用高炉数据库中融合后的数据进行数据分析、监控和报警，其中，所述数据清洗是指剔除采集的数据中的异常点，所述数据挖掘是指在数据的基础上，通过已有公式计算得到间接参数的数据，所述数据融合是指统一所有参数的数据频率或数据周期，得到周期数据。
在另一个优选的实施方式中，所述数据分析模块还用于：
使用区间分析法，对高炉数据库中的数据进行分析，得到一个参数与另一个或多个参数的线性回归关系，并结合其中一个参数的已知指标，得到其它参数的合理范围和报警范围。其中所述已知指标包括已知目标指标和已知下限指标，通过一个参数的已知目标指标可以得到其它参数的合理范围，通过一个参数的已知下限指标，可以得到其它参数的报警范围。
具体的，所述已知目标指标是指参数的现有目标范围或目标属性，比如我们对于某种高炉的产量的目标范围是介于13500-14500t/d之间，那产量在13500-14500t/d之间即为产量的已知目标指标。又比如在产量的目标范围内，我们认为产量越高越好，那产量越高越好是一个目标属性，也即是一个已知目标指标。所述已知下限指标，是指参数的已知下限范围，在所述下限范围所述参数的数据会被判定为异常或者高炉会被判定为异常。比如对于高炉产量，假定下限范围为小于11000t/d，那么当产量处于这个下限范围内时，判定高炉出现异常。
在一个具体的实施方式中，将高炉数据库中的数据，按照产量的波动范围分为8个区间，对选取重要的高炉相关参数(后续简称重要参数)如焦炭质量、烧结矿质量、鼓风动能等，按照与产量的时间对应关系，将这些重要参数的数据划分成相同的8个区间，求产量和这些重要参数平均值在每个区间的平均值，然后以重要参数的平均值作为横坐标，产量的平均值作为纵坐标，得到产量和重要参数之间的规律(线性回归关系)。然后根据产量的已知目标指标，确定重要参数的合理范围。如图2所示，鼓风动能PI和产量Ke之间的线性回归关系，满足如下关系式：
Ke＝1.522×PI-10335。
从图2中可以看出，当产量介于13500-14500t/d之间时(产量的已知目标指标)，鼓风动能的合理范围在15600-16300J/s之间。
实时监控及报警模块
实时监控及报警模块用于通过各个参数的报警区间，结合高炉数据库中的实时数据，对各个参数进行监控和报警。
具体的，所述实时监控及报警模块包括原料监控及报警单元、关键设备监控及报警单元、操作炉型监控及报警单元、炉缸工作监控及报警单元和出铁出渣监控及报警单元。
在一个优选的实施方式中，所述实时监控及报警模块还用于：
根据高炉相关参数的合理范围和报警范围，对高炉相关参数的取值进行区段划分，对于高炉相关参数的实时数据进行分区段报警，针对不同区段的报警制定不同的应对措施。
例如将参数在报警范围内的取值设置为红色报警，将介于合理范围和报警范围内的取值设置为蓝色报警，当某一参数出现红色报警的时候，需要生产者在预设时间范围内对出现红色报警的原因进行分析，同时需要制定应对措施。具体的，某天高炉渣比出现红色报警(本文中的渣比是指理论渣比，理论渣比＝理论渣量/理论铁量)，报警值为319kg/t，明显高出300kg/t的报警上线，系统会提示渣铁红色报警，并弹出原因录入窗口和应对措施输入框，负责配料管理的工作人员会及时输入原因“低硅矿没有及时到港，导致烧结矿SiO2上升至5.7”，应对措施：“低硅矿已经紧急调配到港，新的料堆两天后使用。建议高炉适当控制煤比，加强出铁和出渣管理。”然后下道工序根据上道工序的建议，作出相应调整，防止因为渣比的异常导致高炉炉况异常。
在又一个优选的实施方式中，所述实时监控和报警模块还用于：
在过程参数或输出参数出现报警时，通过所述高炉数据库，确定所述报警前后，输入参数或其它过程参数的变化导致过程参数或输出参数出现报警。
例如高炉鼓风动能不足出现红色报警，查看输入参数或者其它过程参数是否出现变化，发现只有某个高炉操作参数发生变化，出现了红色报警，因此确定所述高炉操作参数的变化导致鼓风动能出现报警。
短期异常诊断模块
优选的，所述高炉诊断系统还包括短期异常诊断模块，其用于通过分析高炉数据库中的气流分布、下料信息、冷却壁热电偶温度、炉缸碳砖温度、铁水温度和渣铁流动性的实时数据，诊断高炉是否出现短期异常；以及在判定高炉出现短期异常时，诊断炉况短期异常的类型，其中，所述短期异常类型包括管道、渣皮脱落、崩滑料和炉缸不活。
进一步的，所述短期异常诊断模块还用于：
在确定高炉的短期异常类型后，通过调整净焦、轻料或硅石的量，增加高炉内异常处的热量，对炉况短期异常进行治理。
长期异常诊断模块
优选的，所述高炉诊断系统还包括长期异常诊断模块，其用于诊断高炉是否出现长期异常，以及出现长期异常时的长期异常类型，所述长期异常类型包括炉墙结厚、高炉结瘤、炉缸堆积、炉缸冻结。
长期异常诊断模块主要是通过连续一段时间内高炉的产量和燃耗来判断高炉是否出现长期异常，比如连续一个月内高炉的产量低于最低正常指标，且燃耗高于正常最高指标，那么判定高炉出现长期异常。
然后通过分析高炉数据库中的冷却壁热电偶温度、炉缸碳砖温度、铁水温度、渣铁流动性、风压、压差、炉顶十字测温枪温度、炉温和探尺的实时数据，诊断高炉长期异常的类型。其中，炉墙结厚和高炉结瘤是现象相同但是程度不同的长期异常类型，主要根据冷却壁热电偶温度、冷却水温差以及压差进行判断。炉缸堆积和炉缸冻结也是现象相同但是程度不同的长期异常类型，主要根据炉缸碳砖温度、铁水温度、渣铁流动性来确定。
进一步的，所述长期异常诊断模块还用于：
在确定炉况长期异常类型后，调整布料制度、送风制度和原料配比，同时通过相关性分析，得到与所述炉况长期异常相关的相关性参数，控制所述相关性参数的取值在对应的合理范围内。
生产管理模块
优选的，所述高炉诊断系统还包括生产管理模块。
其中所述数据分析模块还用于：
使用归一化区间分析法，对高炉的关键参数和重要技经参数的数据进行分析，分别得到以所述关键参数为自变量、以重要技经参数为因变量的归一化线性方程。
优选所述关键参数包括部分输入参数和部分过程参数，所述部分输入参数，可以是焦炭M40、焦炭M10、烧结矿转鼓强度、烧结矿亚铁含量、综合入炉品位等。所述部分过程参数，可以是鼓风动能、风量、顶压、风温、理论燃烧温度、炉底中心温度、冷却壁温度、冷却壁温度均匀性等。上述只是简单举例，但并不以此为限。
所述重要技经参数为一个或多个输出参数，可以只包括产量，也可以只包括燃料比或者只包括一个其它的技经参数，优选包括产量和燃料比两个参数。需要说明的是，燃料比也可以用燃耗来代替，一段时间内的燃料比＝这段时间的燃耗/这段时间的产量。具体的归一化线性方程可以参考图3，图3为鼓风动能与燃料比的归一化线性方程的示意图。
所述生产管理模块用于：
根据所述归一化线性方程中的因变量系数绝对值的大小，确定对应关键参数对高炉炉况的评分权重；
根据所有关键参数的评分权重和每个关键参数的取值等级，对高炉炉况进行量化评价。
当重要技经参数为一个参数时，所述因变量系数绝对值即是对应应变量对高炉炉况的评分权重。当重要技经参数有多个时，需要先确定多个重要技经参数对高炉炉况的影响权重，再结合关键参数对重要技经参数的影响权重(即对应的因变量系数的绝对值)，确定关键参数对高炉炉况的评分权重。
以重要技经参数为产量和燃料比举例，需要根据产量和燃料比对高炉的重要性，确定产量和燃料比对高炉炉况的影响权重。比如在要求高炉高产但是对燃料比没多大要求时，加重产量的影响权重，在要求高炉低耗但是对产量没多大要求时，加重燃料比的影响权重，在对产量和燃料比没有偏重倾向时，可以设定产量和燃料比对高炉的影响权重都是0.5。在确定产量和燃料比对高炉炉况的影响权重(分别是c和d)后，分别计算高炉的关键参数对产量的影响权重e、和对燃料比的影响权重f，那么关键参数对高炉的评分权重为上述两类影响权重相乘后求和，即：
评分权重＝c*e+d*f。
进一步的，所述生产管理模块还用于：
根据所有关键参数的评分权重，计算每个关键参数的总分；
确定每个关键参数的合理范围，根据每个关键参数的取值偏离所述合理范围的程度，为每个关键参数划分取值等级；
根据每个关键参数的总分和取值等级的划分，设定每个关键参数的每个取值等级对应的等级分值；
获取一个时段的所有关键参数的数据，为每个关键参数的数据进行评分，所有关键参数的评分之和即为所述高炉炉况在所述时段的评分。
进一步的，所述生产管理模块还用于：
在某个关键参数出现失分时，通过所述关键参数与重要技经参数的线性回归关系，计算所述关键参数对重要技经参数的影响。
所述失分，是指所述关键参数没有得到满分或少于总分。本实施方式用于准确计算失分的关键参数，尤其是失分过多的关键参数，对重要技经参数(比如产量和燃料比)的影响。
比如在某日三班的高炉评分结果中发现风温出现了得分过低的现象，使用区间分析法，分别得到风温与产量、风温与燃料比的线性回归关系，如图4和图5所示，其中：
产量＝10.59×风温+328.8；
燃料比＝-0.203×风温+761.9；
将所述风温在当天的数据带入上述线性回归关系中，计算出目前风温1187℃与目标值1200℃相比，使日产量减少138t/d，燃料比增加3kg/t。
使用此方法能够准确计算高炉的严重失分项对高炉产量和燃料比的影响。
进一步的，所述生产管理模块还用于：
所述关键参数包括关键操作工艺参数，计算每个关键操作工艺参数在每个班次的评分，获取每个关键操作工艺参数在所有班次中的最高分，选取所述最高分对应的操作作为规范操作。
在高炉系统中，一天分为三个班次：白班、中班和夜班，每个班次8个小时，分别对应不同的工人。由于不同的工人操作不同，使得对应的关键操作工艺参数的评分不同，因此选取评分高的关键操作工艺参数对应班次的工人操作，作为标准操作，规范所述关键操作工艺参数的操作，利于高炉炉况的稳定性。
由于高炉操作复杂，且分为多个班次，每个班次工人不同，每个工人的操作都会对炉况产生影响，因此，如何对操作工人进行管理，从而减少操作工人对高炉的负面影响，也是高炉的一大难题。进一步的，所述生产管理模块还用于：
计算高炉在一时间段内(比如一个月或者一个季度等)每个班次的评分，得到每个班次在所述时间段的总体评分，根据所述评分对每个班次对应的工人进行管理。
管理的方法包括但不限于根据总体评分对工人制定奖惩措施，调动工人的积极性。
如图6所示，本发明还提供一种高炉诊断方法，所述方法包括：
步骤S310：采集高炉相关参数的数据，所述数据包括历史数据和实时数据，所述高炉相关参数包括输入参数、过程参数和输出参数。
所述输入参数包括焦炭质量参数、烧结矿质量参数、球团矿质量参数、块矿质量参数、配料结构参数和仓位参数，所述过程参数包括操作参数、炉况表征参数和炉体管理参数，所述输出参数包括高炉的技术经济指标参数。
具体的，获取多个车间录入终端的数据、多个传感器及控制单元的数据和多个实验室录入终端的数据，所述车间录入终端用于采集高炉车间的操作工艺数据和各种设备的动作指令等；所述控制单元用于采集各种传感器的连续数据，所述传感器包括高炉冷却壁和炉缸碳砖的热电偶等；所述实验室录入终端用于采集原料和产品的各种检化验数据。
步骤S320：建立输入参数、过程参数和输出参数的时间对应关系，并将高炉相关参数的数据依照时间对应关系建立高炉数据库。
所述“建立输入参数、过程参数和输出参数的时间对应关系”具体包括：
通过对原料的检化验数据、到厂时间、到货量、成品仓位变化、从成品仓至高炉原料仓的皮带转运速度和转运量、高炉原料仓仓位、高炉原料上料后的转运速度和转运量、高炉原料在高炉中的冶炼周期的动态监控，计算或通过示踪试验得出高炉的输入参数、过程参数和输出参数的时间对应关系。
步骤S330：通过对高炉数据库中的数据进行分析，得到各个参数的合理范围和报警范围。
优选的，使用区间分析法，对高炉数据库中的数据进行分析，得到一个参数与另一个或多个参数的线性回归关系，并结合其中一个参数的已知指标，得到其它参数的合理范围和报警范围。
进一步的，所述区间分析法包括：
获取多个参数在不同时间点的样本数据，将第一参数的样本数据的波动范围进行区间划分；
根据其它参数与所述第一参数的时间对应关系，将所有其它参数的样本数据进行相同的区间划分，并计算每个参数在每个区间中的平均值；
分别以第一参数和其它参数在每个区间中的平均值作为两个坐标轴的坐标值，分别计算所述第一参数和其它参数的线性回归关系。
步骤S340：通过各个参数的报警区间，结合高炉数据库中的实时数据，对各个参数进行监控和报警。
在一个优选的实施方式中，所述方法还包括：
根据高炉相关参数的合理范围和报警范围，对高炉相关参数的取值进行区段划分，对于高炉相关参数的实时数据进行分区段报警，针对不同区段的报警制定不同的应对措施。
在一个优选的实施方式中，所述方法还包括：
在过程参数或输出参数出现报警时，通过所述高炉数据库，确定所述报警前后，输入参数或其它过程参数的变化导致过程参数或输出参数出现报警。
在一个优选的实施方式中，所述方法还包括：
通过分析高炉数据库中的气流分布、下料信息、冷却壁热电偶温度、炉缸碳砖温度、铁水温度和渣铁流动性的实时数据，诊断高炉是否出现短期异常；
在判定高炉出现短期异常时，诊断炉况短期异常的类型，其中，所述短期异常类型包括管道、渣皮脱落、崩滑料和炉缸不活。
进一步的，在确定高炉的短期异常类型后，通过调整净焦、轻料或硅石的量，增加高炉内异常处的热量，对炉况短期异常进行治理。
在一个优选的实施方式中，所述方法还包括：
诊断高炉是否出现长期异常，以及出现长期异常时的长期异常类型，所述长期异常类型包括炉墙结厚、高炉结瘤、炉缸堆积、炉缸冻结。
进一步的，在确定炉况长期异常类型后，调整布料制度、送风制度和原料配比，同时通过相关性分析，得到与所述炉况长期异常相关的相关性参数，控制所述相关性参数的取值在对应的合理范围内。
在一个优选的实施方式中，所述方法还包括：
使用归一化区间分析法，对高炉的关键参数和重要技经参数的数据进行分析，分别得到以所述关键参数为自变量、以重要技经参数为因变量的归一化线性方程；
根据所述归一化线性方程中的因变量系数绝对值的大小，确定对应关键参数对高炉炉况的评分权重；
根据所有关键参数的评分权重和每个关键参数的取值等级，对高炉炉况进行量化评价。
进一步的，所述归一化区间分析法包括：
获取多个参数在不同时间点的样本数据，将第一参数的样本数据的波动范围进行区间划分；
根据其它参数与所述第一参数的时间对应关系，将所有其它参数的样本数据进行相同的区间划分；
计算每个参数在每个区间的平均值，并对每个参数的各个平均值进行归一化处理，得到每个参数的各个归一化平均值；
分别以第一参数和其它参数在每个区间的归一化平均值作为两个坐标轴的坐标值，分别计算以其它参数为自变量、以所述第一参数为因变量的归一化线性方程。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (26)
1.一种高炉诊断系统，其特征在于，所述系统包括：
数据采集模块，其用于采集高炉相关参数的数据，所述数据包括历史数据和实时数据，所述高炉相关参数包括输入参数、过程参数和输出参数；
数据分析模块，其用于建立输入参数、过程参数和输出参数的时间对应关系，并将高炉相关参数的数据依照时间对应关系建立高炉数据库；并通过对高炉数据库中的数据进行分析，得到各个参数的合理范围和报警范围；
实时监控及报警模块，其用于通过各个参数的报警区间，结合高炉数据库中的实时数据，对各个参数进行监控和报警。
2.根据权利要求1所述的高炉诊断系统，其特征在于，所述实时监控和报警模块还用于：
根据高炉相关参数的合理范围和报警范围，对高炉相关参数的取值进行区段划分，对于高炉相关参数的实时数据进行分区段报警，针对不同区段的报警制定不同的应对措施。
3.根据权利要求1所述的高炉诊断系统，其特征在于，所述实时监控和报警模块还用于：
在过程参数或输出参数出现报警时，通过所述高炉数据库，确定所述报警前后，输入参数或其它过程参数的变化导致过程参数或输出参数出现报警。
4.根据权利要求1所述高炉诊断系统，其特征在于，所述系统还包括：
短期异常诊断模块，其用于通过分析高炉数据库中的气流分布、下料信息、冷却壁热电偶温度、炉缸碳砖温度、铁水温度和渣铁流动性的实时数据，诊断高炉是否出现短期异常；以及在判定高炉出现短期异常时，诊断炉况短期异常的类型，其中，所述短期异常类型包括管道、渣皮脱落、崩滑料和炉缸不活。
5.根据权利要求4所述高炉诊断系统，其特征在于，所述短期异常诊断模块还用于：
在确定高炉的短期异常类型后，通过调整净焦、轻料或硅石的量，增加高炉内异常处的热量，对炉况短期异常进行治理。
6.根据权利要求1所述高炉诊断系统，其特征在于，所述系统还包括：
长期异常诊断模块，其用于诊断高炉是否出现长期异常，以及出现长期异常时的长期异常类型，所述长期异常类型包括炉墙结厚、高炉结瘤、炉缸堆积、炉缸冻结。
7.根据权利要求6所述高炉诊断系统，其特征在于，所述长期异常诊断模块还用于：
在确定炉况长期异常类型后，调整布料制度、送风制度和原料配比，同时通过相关性分析，得到与所述炉况长期异常相关的相关性参数，控制所述相关性参数的取值在对应的合理范围内。
8.根据权利要求1所述高炉诊断系统，其特征在于，所述系统还包括生产管理模块，其中：
所述数据分析模块还用于使用归一化区间分析法，对高炉的关键参数和重要技经参数的数据进行分析，分别得到以所述关键参数为自变量、以重要技经参数为因变量的归一化线性方程；
所述生产管理模块用于根据所述归一化线性方程中的因变量系数绝对值的大小，确定对应关键参数对高炉炉况的评分权重；以及根据所有关键参数的评分权重和每个关键参数的取值等级，对高炉炉况进行量化评价。
9.根据权利要求1所述高炉诊断系统，其特征在于，所述数据分析模块还用于：
通过对原料的检化验数据、到厂时间、到货量、成品仓位变化、从成品仓至高炉原料仓的皮带转运速度和转运量、高炉原料仓仓位、高炉原料上料后的转运速度和转运量、高炉原料在高炉中的冶炼周期的动态监控，计算或通过示踪试验得出高炉的输入参数、过程参数和输出参数的时间对应关系。
10.根据权利要求1所述高炉诊断系统，其特征在于，所述数据分析模块还用于：
使用区间分析法，对高炉数据库中的数据进行分析，得到一个参数与另一个或多个参数的线性回归关系，并结合其中一个参数的已知指标，得到其它参数的合理范围和报警范围。
11.根据权利要求10所述的高炉诊断系统，其特征在于，所述数据分析模块还用于：
获取多个参数在不同时间点的样本数据，将第一参数的样本数据的波动范围进行区间划分；
根据其它参数与所述第一参数的时间对应关系，将所有其它参数的样本数据进行相同的区间划分，并计算每个参数在每个区间中的平均值；
分别以第一参数和其它参数在每个区间中的平均值作为两个坐标轴的坐标值，分别计算所述第一参数和其它参数的线性回归关系。
12.根据权利要求1所述高炉诊断系统，其特征在于：
所述实时监控及报警模块包括原料监控及报警单元、关键设备监控及报警单元、操作炉型监控及报警单元、炉缸工作监控及报警单元和出铁出渣监控及报警单元。
13.根据权利要求1所述高炉诊断系统，其特征在于：
所述输入参数包括焦炭质量参数、烧结矿质量参数、球团矿质量参数、块矿质量参数、配料结构参数和仓位参数，所述过程参数包括操作参数、炉况表征参数和炉体管理参数，所述输出参数包括高炉的技术经济指标参数。
14.根据权利要求1所述高炉诊断系统，其特征在于，所述数据分析模块还用于：
对高炉数据库中的数据进行数据清洗、数据挖掘和数据融合，使用高炉数据库中融合后的数据进行数据分析、监控和报警，其中，所述数据清洗是指剔除采集的数据中的异常点，所述数据挖掘是指在数据的基础上，通过已有公式计算得到间接参数的数据，所述数据融合是指统一所有参数的数据频率或数据周期，得到周期数据。
15.一种高炉诊断方法，其特征在于，所述方法包括：
采集高炉相关参数的数据，所述数据包括历史数据和实时数据，所述高炉相关参数包括输入参数、过程参数和输出参数；
建立输入参数、过程参数和输出参数的时间对应关系，并将高炉相关参数的数据依照时间对应关系建立高炉数据库；
通过对高炉数据库中的数据进行分析，得到各个参数的合理范围和报警范围；
通过各个参数的报警区间，结合高炉数据库中的实时数据，对各个参数进行监控和报警。
16.根据权利要求15所述的高炉诊断方法，其特征在于，所述方法还包括：
根据高炉相关参数的合理范围和报警范围，对高炉相关参数的取值进行区段划分，对于高炉相关参数的实时数据进行分区段报警，针对不同区段的报警制定不同的应对措施。
17.根据权利要求15所述的高炉诊断方法，其特征在于，所述方法还包括：
在过程参数或输出参数出现报警时，通过所述高炉数据库，确定所述报警前后，输入参数或其它过程参数的变化导致高炉过程参数或输出参数出现报警。
18.根据权利要求15所述高炉诊断方法，其特征在于，所述方法还包括：
通过分析高炉数据库中的气流分布、下料信息、冷却壁热电偶温度、炉缸碳砖温度、铁水温度和渣铁流动性的实时数据，诊断高炉是否出现短期异常；
在判定高炉出现短期异常时，诊断炉况短期异常的类型，其中，所述短期异常类型包括管道、渣皮脱落、崩滑料和炉缸不活。
19.根据权利要求15所述高炉诊断方法，其特征在于，所述方法还包括：
在确定高炉的短期异常类型后，通过调整净焦、轻料或硅石的量，增加高炉内异常处的热量，对炉况短期异常进行治理。
20.根据权利要求15所述高炉诊断方法，其特征在于，所述方法还包括：
诊断高炉是否出现长期异常，以及出现长期异常时的长期异常类型，所述长期异常类型包括炉墙结厚、高炉结瘤、炉缸堆积、炉缸冻结。
21.根据权利要求20所述高炉诊断方法，其特征在于，所述方法还包括：
在确定炉况长期异常类型后，调整布料制度、送风制度和原料配比，同时通过相关性分析，得到与所述炉况长期异常相关的相关性参数，控制所述相关性参数的取值在对应的合理范围内。
22.根据权利要求15所述高炉诊断方法，其特征在于，所述方法还包括：
使用归一化区间分析法，对高炉的关键参数和重要技经参数的数据进行分析，分别得到以所述关键参数为自变量、以重要技经参数为因变量的归一化线性方程；
根据所述归一化线性方程中的因变量系数绝对值的大小，确定对应关键参数对高炉炉况的评分权重；
根据所有关键参数的评分权重和每个关键参数的取值等级，对高炉炉况进行量化评价。
23.根据权利要求22所述高炉诊断方法，其特征在于，所述归一化区间分析法包括：
获取多个参数在不同时间点的样本数据，将第一参数的样本数据的波动范围进行区间划分；
根据其它参数与所述第一参数的时间对应关系，将所有其它参数的样本数据进行相同的区间划分；
计算每个参数在每个区间的平均值，并对每个参数的各个平均值进行归一化处理，得到每个参数的各个归一化平均值；
分别以第一参数和其它参数在每个区间的归一化平均值作为两个坐标轴的坐标值，分别计算以其它参数为自变量、以所述第一参数为因变量的归一化线性方程。
24.根据权利要求15所述高炉诊断方法，其特征在于，所述“建立输入参数、过程参数和输出参数的时间对应关系”具体包括：
通过对原料的检化验数据、到厂时间、到货量、成品仓位变化、从成品仓至高炉原料仓的皮带转运速度和转运量、高炉原料仓仓位、高炉原料上料后的转运速度和转运量、高炉原料在高炉中的冶炼周期的动态监控，计算或通过示踪试验得出高炉的输入参数、过程参数和输出参数的时间对应关系。
25.根据权利要求15所述高炉诊断方法，其特征在于，所述“通过对高炉数据库中的数据进行分析，得到各个参数的合理范围和报警范围”具体包括：
使用区间分析法，对高炉数据库中的数据进行分析，得到一个参数与另一个或多个参数的线性回归关系，并结合其中一个参数的已知指标，得到其它参数的合理范围和报警范围。
26.根据权利要求25所述的高炉诊断系统，其特征在于，所述区间分析法包括：
获取多个参数在不同时间点的样本数据，将第一参数的样本数据的波动范围进行区间划分；
根据其它参数与所述第一参数的时间对应关系，将所有其它参数的样本数据进行相同的区间划分，并计算每个参数在每个区间中的平均值；
分别以第一参数和其它参数在每个区间中的平均值作为两个坐标轴的坐标值，分别计算所述第一参数和其它参数的线性回归关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010466863.3A CN111593155B (zh) | 2020-05-28 | 2020-05-28 | 高炉诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010466863.3A CN111593155B (zh) | 2020-05-28 | 2020-05-28 | 高炉诊断系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111593155A true CN111593155A (zh) | 2020-08-28 |
| CN111593155B CN111593155B (zh) | 2022-09-20 |
Family
ID=72187984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010466863.3A Active CN111593155B (zh) | 2020-05-28 | 2020-05-28 | 高炉诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111593155B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112176135A (zh) * | 2020-09-15 | 2021-01-05 | 万洲电气股份有限公司 | 一种基于高炉能效分析的优化节能方法及系统 |
| CN112813209A (zh) * | 2020-12-30 | 2021-05-18 | 中冶南方工程技术有限公司 | 一种高炉数据处理方法和装置 |
| CN113528722A (zh) * | 2021-07-13 | 2021-10-22 | 江苏省沙钢钢铁研究院有限公司 | 一种高炉风口寿命的管理方法、装置及存储介质 |
| CN113549723A (zh) * | 2021-07-13 | 2021-10-26 | 张家港宏昌钢板有限公司 | 基于并罐高炉的偏斜检测及校正方法、装置及存储介质 |
| CN113987008A (zh) * | 2021-10-12 | 2022-01-28 | 中冶南方工程技术有限公司 | 一种高炉渣皮脱落判断方法、终端设备及存储介质 |
| CN114881234A (zh) * | 2022-05-06 | 2022-08-09 | 北京智冶互联科技有限公司 | 一种高炉炉况的推理方法、装置、电子设备及存储介质 |
| TWI778687B (zh) * | 2021-06-30 | 2022-09-21 | 中國鋼鐵股份有限公司 | 高爐爐冷智能監控系統 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1594601A (zh) * | 2004-06-17 | 2005-03-16 | 上海交通大学 | 基于平衡点的稳定高炉操作的方法 |
| CN106909705A (zh) * | 2016-12-22 | 2017-06-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其系统 |
| KR20180064153A (ko) * | 2016-12-05 | 2018-06-14 | 주식회사 포스코 | 고로 공정 가상 현실 교육 시스템 |
| CN109815282A (zh) * | 2018-12-03 | 2019-05-28 | 江苏省沙钢钢铁研究院有限公司 | 一种炼铁系统大数据平台 |
| CN109935280A (zh) * | 2019-03-05 | 2019-06-25 | 东北大学 | 一种基于集成学习的高炉铁水质量预测系统及方法 |
| CN110066895A (zh) * | 2019-04-10 | 2019-07-30 | 东北大学 | 一种基于Stacking的高炉铁水质量区间预测方法 |
-
2020
- 2020-05-28 CN CN202010466863.3A patent/CN111593155B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1594601A (zh) * | 2004-06-17 | 2005-03-16 | 上海交通大学 | 基于平衡点的稳定高炉操作的方法 |
| KR20180064153A (ko) * | 2016-12-05 | 2018-06-14 | 주식회사 포스코 | 고로 공정 가상 현실 교육 시스템 |
| CN106909705A (zh) * | 2016-12-22 | 2017-06-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其系统 |
| CN109815282A (zh) * | 2018-12-03 | 2019-05-28 | 江苏省沙钢钢铁研究院有限公司 | 一种炼铁系统大数据平台 |
| CN109935280A (zh) * | 2019-03-05 | 2019-06-25 | 东北大学 | 一种基于集成学习的高炉铁水质量预测系统及方法 |
| CN110066895A (zh) * | 2019-04-10 | 2019-07-30 | 东北大学 | 一种基于Stacking的高炉铁水质量区间预测方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112176135A (zh) * | 2020-09-15 | 2021-01-05 | 万洲电气股份有限公司 | 一种基于高炉能效分析的优化节能方法及系统 |
| CN112813209A (zh) * | 2020-12-30 | 2021-05-18 | 中冶南方工程技术有限公司 | 一种高炉数据处理方法和装置 |
| TWI778687B (zh) * | 2021-06-30 | 2022-09-21 | 中國鋼鐵股份有限公司 | 高爐爐冷智能監控系統 |
| CN113528722A (zh) * | 2021-07-13 | 2021-10-22 | 江苏省沙钢钢铁研究院有限公司 | 一种高炉风口寿命的管理方法、装置及存储介质 |
| CN113549723A (zh) * | 2021-07-13 | 2021-10-26 | 张家港宏昌钢板有限公司 | 基于并罐高炉的偏斜检测及校正方法、装置及存储介质 |
| CN113528722B (zh) * | 2021-07-13 | 2022-08-16 | 江苏省沙钢钢铁研究院有限公司 | 一种高炉风口寿命的管理方法、装置及存储介质 |
| CN113987008A (zh) * | 2021-10-12 | 2022-01-28 | 中冶南方工程技术有限公司 | 一种高炉渣皮脱落判断方法、终端设备及存储介质 |
| CN113987008B (zh) * | 2021-10-12 | 2023-11-21 | 中冶南方工程技术有限公司 | 一种高炉渣皮脱落判断方法、终端设备及存储介质 |
| CN114881234A (zh) * | 2022-05-06 | 2022-08-09 | 北京智冶互联科技有限公司 | 一种高炉炉况的推理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111593155B (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111593155B (zh) | 高炉诊断系统及方法 | |
| CN111607673B (zh) | 铁前诊断系统及方法 | |
| CN111639801B (zh) | 高炉炉况的评分方法及系统 | |
| CN109685289B (zh) | 高炉炉况顺行预测方法、装置及系统 | |
| CN103544273B (zh) | 利用模式识别技术对炉况整体状态进行评估的方法 | |
| CN109815282A (zh) | 一种炼铁系统大数据平台 | |
| CN102925602B (zh) | 高炉操作炉型维护方法 | |
| CN111639800B (zh) | 高炉工艺参数范围的设定方法、设备和存储介质 | |
| CN106521059A (zh) | 用相控阵雷达测量高炉料面矿焦比来控制高炉气流分布的方法 | |
| JP7078176B2 (ja) | 生産設備の監視方法、生産設備の監視装置、及び生産設備の操業方法 | |
| CN113177353A (zh) | 一种应用于工业预警系统的数据模型构建方法 | |
| Kamo et al. | Method for predicting gas channeling in blast furnace | |
| CN110628974B (zh) | 一种基于炉缸安全液面的操作决策方法及系统 | |
| CN108018393A (zh) | 智能化自动炼钢系统及方法 | |
| JP6927461B1 (ja) | 生産設備の操業方法及び操業システム | |
| CN111639302B (zh) | 烧结诊断系统及方法 | |
| CN114185976A (zh) | 一种高炉可视化智能感知平台 | |
| CN110766305A (zh) | 一种原燃料质量跟踪预警方法 | |
| CN113684330B (zh) | 一种利用炉料下降速度判断死料柱状态方法 | |
| CN116861612A (zh) | 高炉炉况顺行的评价方法 | |
| RU2801735C1 (ru) | Способ управления и система управления для производственных установок | |
| CN115433792B (zh) | 一种高炉休风方法及系统 | |
| US20230130462A1 (en) | Method and system for ironmaking plant optimization | |
| CN115952431A (zh) | 一种基于大数据的高炉操作炉型自判决方法 | |
| CN116681331A (zh) | 热处理设备能效分析方法及装置、存储介质、计算机设备 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 215624 Shagang science and technology building, Yongxin Road, Jinfeng Town, Zhangjiagang City, Suzhou City, Jiangsu Province Patentee after: INSTITUTE OF RESEARCH OF IRON & STEEL, JIANGSU PROVINCE/SHA-STEEL, Co.,Ltd. Country or region after: China Patentee after: Jiangsu Shagang Steel Co.,Ltd. Patentee after: JIANGSU SHAGANG GROUP Co.,Ltd. Address before: 215624 Shagang science and technology building, Yongxin Road, Jinfeng Town, Zhangjiagang City, Suzhou City, Jiangsu Province Patentee before: INSTITUTE OF RESEARCH OF IRON & STEEL, JIANGSU PROVINCE/SHA-STEEL, Co.,Ltd. Country or region before: China Patentee before: ZHANGJIAGANG HONGCHANG STEEL PLATE Co.,Ltd. Patentee before: JIANGSU SHAGANG GROUP Co.,Ltd. |
|
| CP03 | Change of name, title or address |