CN111647698A - 一种高炉炉缸的活跃状态检测方法及装置 - Google Patents

一种高炉炉缸的活跃状态检测方法及装置 Download PDF

Info

Publication number
CN111647698A
CN111647698A CN202010531119.7A CN202010531119A CN111647698A CN 111647698 A CN111647698 A CN 111647698A CN 202010531119 A CN202010531119 A CN 202010531119A CN 111647698 A CN111647698 A CN 111647698A
Authority
CN
China
Prior art keywords
temperature
clustering
blast furnace
sample
data
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.)
Pending
Application number
CN202010531119.7A
Other languages
English (en)
Inventor
胡正刚
张正东
肖志新
李红
卢正东
陈令坤
刘栋梁
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.)
Wuhan Iron and Steel Co Ltd
Original Assignee
Wuhan Iron and Steel Co Ltd
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 Wuhan Iron and Steel Co Ltd filed Critical Wuhan Iron and Steel Co Ltd
Priority to CN202010531119.7A priority Critical patent/CN111647698A/zh
Publication of CN111647698A publication Critical patent/CN111647698A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/02—Means for indicating or recording specially adapted for thermometers
    • G01K1/026—Means for indicating or recording specially adapted for thermometers arrangements for monitoring a plurality of temperatures, e.g. by multiplexing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/14—Supports; Fastening devices; Arrangements for mounting thermometers in particular locations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K3/00—Thermometers giving results other than momentary value of temperature
    • G01K3/02—Thermometers giving results other than momentary value of temperature giving means values; giving integrated values
    • G01K3/04—Thermometers giving results other than momentary value of temperature giving means values; giving integrated values in respect of time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K3/00—Thermometers giving results other than momentary value of temperature
    • G01K3/02—Thermometers giving results other than momentary value of temperature giving means values; giving integrated values
    • G01K3/06—Thermometers giving results other than momentary value of temperature giving means values; giving integrated values in respect of space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Blast Furnaces (AREA)

Abstract

本发明公开了一种高炉炉缸的活跃状态检测方法及装置，其中所述方法通过对温度数据进行处理得到温度样本，然后基于温度样本进行聚类，并对聚类中心不断迭代更新。最后，获得目标N个目标聚类中心；每个目标聚类中心对应一个高炉炉缸活跃类别；当将采集的温度测量数据与N个目标聚类中心进行匹配后，就能获得高炉炉缸活跃状态的判断结果。本发明方案解决了现有技术中高炉炉缸状态判断的局限性，并且可实时获得判断结果。

Description

一种高炉炉缸的活跃状态检测方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种高炉炉缸的活跃状态检测方法及装置。
背景技术
高炉炼铁是现在钢铁企业生产生铁的主要方式，高炉体积巨大，存在很多辅助系统。一座大型高炉每分钟检测的数据量多达上千条，而且高炉生产过程是一个多变量、时变的复杂工业过程。由于炉体封闭，利用常规的检测设备和检测方法获得高炉内部物理化学变化比较困难；所以，由大量的检测数据准确分析高炉工作状态对操作者是很大的挑战。高炉炉缸工作状态对高炉生产十分重要，焦炭和喷吹的燃料在炉缸的风口区域燃烧，生产还原气体上升，将含铁矿物还原成金属。而且风口区内燃烧产生的空间，为炉料下降创造了条件。在日常生产过程中，炉缸最常见的失常是炉缸堆积，炉缸堆积初期，对生产造成的影响比较小，容易被忽略。一旦炉缸堆积严重，将对高炉生产带来严重损失。炉缸堆积的本质是炉缸内存在铁渣难以顺利穿过的温度较低的不活跃区域。因此，判断高炉炉缸工作活跃状态对于高炉操作人员非常重要。
但是，目前研究者对高炉炉缸状态的研究普遍具有较大的局限性，只能对高炉炉缸中的局部特点进判断，并且难以获得准确的实时数据。
发明内容
鉴于上述问题，本发明提出了一种高炉炉缸的活跃状态检测方法及装置，解决了现有技术中高炉炉缸状态判断的局限性，并且可实时获得判断结果。
第一方面，本申请通过本申请的一实施例提供如下技术方案：
一种高炉炉缸的活跃状态检测方法，包括：
获取高炉中不同区域位置对应的温度样本；其中，每个温度样本包括同一区域位置的多个温度数据，同一区域位置表示高度相同且距离高炉中心线相同的位置；
基于所述温度样本和预设坐标系，获得每个温度样本距离坐标原点的第一欧式距离；
基于所述第一欧式距离，将所述温度样本划分为N个第一样本组；N为大于等于2的正整数；
基于每个所述第一样本组的均值，获得N个第一聚类中心；
基于所述N个第一聚类中心对所述温度样本进行迭代聚类，直至符合聚类终止条件，获得N个目标聚类中心；其中，每个所述目标聚类中心对应一个高炉炉缸活跃类别；
将采集的温度测量数据与所述N个目标聚类中心进行匹配，获得高炉炉缸活跃状态的检测结果。
可选的，所述获取高炉中不同区域位置的对应的温度样本，包括：
获取高炉中不同区域位置对应的历史数据，其中，所述历史数据为高炉砖衬内测温装置测量的温度数据；
清除所述历史数据中的无效数据，获得高炉中不同区域位置的对应的所述温度样本；其中，所述无效数据包括：为0的数据，在合理范围以外的数据。
可选的，所述获得高炉中不同区域位置的对应的所述温度样本，包括：
将所述温度数据对应的测温时间分段，获得多个时段；
基于每个测温位置在每个时段内的温度数据的平均值，获得高炉中不同区域位置的对应的所述温度样本。
可选的，所述基于所述第一欧式距离的大小，将所述温度样本划分为N个第一样本组，包括：
将所述温度样本按照所述第一欧式距离由小至大或由大至小的进行排序，获得样本序列；
将所述样本序列均分为N组，获得N个所述第一样本组。
可选的，所述N取值为10。
可选的，所述基于所述N个第一聚类中心对所述温度样本进行迭代聚类，直至符合聚类终止条件，获得N个目标聚类中心，包括：
基于每个所述温度样本与各个所述第一聚类中心的欧式距离进行对所述温度样本聚类，获得N个第二样本组；
基于每个所述第二样本组的均值，获得N个第二聚类中心；
判断所述第二聚类中心是否符合聚类终止条件；
若否，则基于每个所述温度样本与各个所述第二聚类中心的欧式距离对所述温度样本进行聚类，获得N个第三样本组；
基于每个所述第三样本组的均值，获得N个第三聚类中心；
判断所述第二聚类中心是否符合聚类终止条件；
若否，则基于每个所述温度样本与各个所述第三聚类中心的欧式距离继续对所述温度样本进行聚类，直至符合所述聚类终止条件，获得所述N个目标聚类中心。
可选的，所述基于每个所述温度样本与各个所述第一聚类中心的欧式距离的大小进行聚类，获得N个第二样本组，包括：
获取目标温度样本与各个所述第一聚类中心中的欧氏距离的最小值；其中，所述目标温度样本为所述温度样本中的任一个；
将所述目标温度样本聚类至所述最小值对应的第一聚类中心，获得N个所述第二样本组。
可选的，所述将采集的温度测量数据与所述N个目标聚类中心进行匹配，获得高炉炉缸活跃状态的判断结果，包括：
获取采集的所述温度测量数据；
基于所述温度测量数据与所述温度测量数据的采集位置，获得每个所述采集位置的平均测量温度；
将每个所述平均测量温度与所述N个目标聚类中心进行匹配，获得所述判断结果。
第二方面，基于同一发明构思，本申请通过本申请的一实施例提供如下技术方案：
一种高炉炉缸的活跃状态检测装置，包括：
样本获取模块，用于获取高炉中不同区域位置对应的温度样本；其中，每个温度样本包括同一区域位置的多个温度数据，同一区域位置表示高度相同且距离高炉中心线相同的位置；
距离获取模块，用于基于所述温度样本和预设坐标系，获得每个温度样本距离坐标原点的第一欧式距离；
划分模块，用于基于所述第一欧式距离的大小，将所述温度样本划分为N个第一样本组；N为大于等于2的正整数；
第一聚类中心获取模块，用于基于每个所述第一样本组的均值，获的N个第一聚类中心；
聚类迭代模块，用于基于所述N个第一聚类中心对所述温度样本进行迭代聚类，直至符合聚类终止条件，获得N个目标聚类中心；其中，每个所述目标聚类中心对应一个高炉炉缸活跃类别；
匹配模块，用于将采集的温度测量数据与所述N个目标聚类中心进行匹配，获得高炉炉缸活跃状态的检测结果。
第三方面，基于同一发明构思，本申请通过本申请的一实施例提供如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
本发明实施例中提供的一种高炉炉缸的活跃状态检测方法及装置，通过获取高炉中不同区域位置的对应的温度样本；其中，每个温度样本包括同一区域位置的多个温度数据；同一区域位置表示高度相同且距离高炉中心线相同的位置；保证了温度样本能够充分表示炉缸内的整体运行状况。进一步的基于温度样本和预设坐标系，获得每个温度样本距离坐标原点的第一欧式距离；基于第一欧式距离的大小，将温度样本划分为N个第一样本组；基于每个所述第一样本组的均值，获的N个第一聚类中心；基于N个第一聚类中心对温度样本进行迭代聚类，直至符合聚类终止条件，获得N个目标聚类中心；其中，每个目标聚类中心对应一个高炉炉缸活跃类别；通过上述的迭代过程能够将温度样本归类为多个活跃类别，而活跃类别能够精确和全面的表示炉缸内的活跃状态。最后，将采集的温度测量数据与所述N个目标聚类中心进行匹配，获得高炉炉缸活跃状态的判断结果，即采集的温度测量数据只需匹配后就能得到活跃状态的判断结果，具有较高的时效性。本方案解决了现有技术中高炉炉缸状态判断的局限性，并且可实时获得判断结果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明第一实施例提供的一种高炉炉缸的活跃状态检测方法的流程图；
图2示出了本发明第一实施例中不同测温点的位置示意图；
图3示出了本发明第一实施例中划分的处理结构的示意图；
图4示出了本发明第一实施例中提供的聚类结果更新的流程示意图；
图5示出了本发明第二实施例提供的一种高炉炉缸的活跃状态检测装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
第一实施例
请参见图1，图1示出了本实施例中的一种高炉炉缸的活跃状态检测方法，包括：
步骤S10：获取高炉中不同区域位置对应的温度样本；其中，每个温度样本包括同一区域位置的多个温度数据，同一区域位置表示高度相同且距离高炉中心线相同的位置。
在步骤S10中，在高炉炉缸内的侧壁砖衬可布置测温装置，在高炉炉底的砖衬中可布置测温装置。这样可获取高炉内不同区域位置的温度数据，这些实时测量得到的温度数据可保存在数据库中作为为历史数据。例如，选择设定时间范围内的温度数据，该设定时间范围可为4个月、6个月、8个月、1年、2年、等等，不作限制。然后，基于温度数据形成温度样本。基于时间的不同，同一区域位置可对应于不同时间的多个温度样本。一个温度样本是由同一区域位置的多个测温装置测得的温度数据组成，测温装置的数量对应于温度样本的维度。
进一步的，为了更加准确的确定高炉炉缸的实际状态，在获取温度样本的过程中还需要进行数据的过滤。具体的，步骤S10包括：获取高炉中不同区域位置的对应的历史数据；历史数据为高炉砖衬内测温装置测量的温度数据。然后，清除历史数据中的无效数据，获得高炉中不同区域位置的对应的温度样本；其中，无效数据包括：1、为0或为空的数据，这些数据可能是在高炉检修时或测温装置损坏后产生的数据；2、在合理范围外的数据，这些数据可能是在高炉测温装置故障时引起的数据明显波动，例如显著的过大或过小的情况。例如温度数据小于100度，或温度数据大于500度，等等。合理范围可设置为70-600度；3、某一测温点在连续的一段时间内温度数据不再变化的数据，例如，高炉数据采集系统出问题引起的数据长时间不变化的情况；在正常情况下，炉缸炉底的砖衬温度是时变的，测得的正常温度数据也应该是波动变化的，如果温度数据长时间不变，那么该数据已不可信。
进一步的，在本实施例中清除无效数据后，可对历史数据进行合并，降低后续的迭代计算量。具体的，将温度数据对应的测温时间分段，获得多个时段。在每个时段内，不同位置的测温装置均具有多个温度数据。然后，基于每个测温位置在每个时段内的温度数据的平均值，获得高炉中不同区域位置的对应的所述温度样本。此时，一个温度样本包含了对应时间段内同一高度且距离炉缸中心线同一距离上的温度数据。这样能够将一段时间内产生的海量温度数据整合为具有代表性的一个温度值，极大的优化了温度样本。
预设时长可为一个或多个。例如，预设时长为两个，分别为1小时和1天，即分别计算1小时和1天内高度相同且距离高炉中心线相同的测温位置的温度数据的平均值。具体的，计算每小时内炉底最上层中心附近的砖衬温度数据的平均值；计算每小时内炉缸侧壁靠近炉缸内部一层的砖衬温度数据的平均值；计算每天内炉底最上层中心附近的砖衬温度数据的平均值；计算每天内炉缸侧壁靠近炉缸内部一层的砖衬温度数据的平均值。获取到1小时和1天内高度相同且距离高炉中心线相同的测温点温度的平均值。预设时长分别取1小时和1天可使得产生的温度样本能够分别代表高炉工作时的短期状态和长期状态，更加准确的表示了炉缸内的不同位置不同周期的温度状态；同时，还避免了数据的局部波动，提高了温度样本的可靠性。在本实施例中，。其中，的1小时和1天可采用其他数据代替，例如，对应替代方案为：获取到2小时和2天内高度相同且距离高炉中心线相同的测温点温度的平均值。
步骤S20：基于所述温度样本和预设坐标系，获得每个温度样本距离坐标原点的第一欧式距离。
在步骤S20中，预设的坐标系可为任意位置为原点构建的多维坐标系。坐标系的维度与温度样本的维度相同，例如在本实施例中为4维数据。这样每个温度样本由一组数据组成，可以看成多维坐标系中的一个点。第一欧氏距离即为该点到坐标原点的距离。
步骤S30：基于所述第一欧式距离的大小，将所述温度样本划分为N个第一样本组；N为大于等于2的正整数；。
在步骤S30中，一个第一样本组为连续排列的温度样本构成的样本组。具体步骤S30包括：将温度样本按照第一欧式距离由小至大或由大至小进行排序，获得样本序列；将样本序列均分为N组，获得N个所述第一样本组。其中，N的取值可为6-14。进一步的，经过选择多个不同的取值进行确认，N＝10时，可保证高炉炉缸活跃状态能够被足够精细的划分，同时，又能够避免产生较大的计算量，保证高效率的聚类过程；另外，10类可保证高炉工作状态判定的稳定性，N值过大会导致高炉操作、调控变的更加频繁复杂，N值过小则无法对高炉的活跃状态进行准确的判断。
步骤S40：基于每个所述第一样本组的均值，获得N个第一聚类中心。
在步骤S40中，因为砖衬的温度数据都是大于0的数据，所以可以选择上述这种排列方法选择聚类中心。并且首次聚类前以第一样本组的均值作为聚类中心，能够保证聚类中心在更加合理的位置，减少了聚类计算的迭代次数，提高聚类效率。
步骤S50：基于所述N个第一聚类中心对所述温度样本进行迭代聚类，直至符合聚类终止条件，获得N个目标聚类中心；其中，每个所述目标聚类中心对应一个高炉炉缸活跃类别。
本实施例中步骤S50具体包括如下实施过程：
步骤S51：基于每个所述温度样本与各个所述第一聚类中心的欧式距离对所述温度样本进行聚类，获得N个第二样本组；
步骤S52：基于每个所述第二样本组的均值，获得N个第二聚类中心；
步骤S53：判断所述第二聚类中心是否符合聚类终止条件；
步骤S54：若否，则基于每个所述温度样本与各个所述第二聚类中心的欧式距离对所述温度样本进行聚类，获得N个第三样本组；
步骤S55：基于每个所述第三样本组的均值，获得N个第三聚类中心；
步骤S56：判断所述第二聚类中心是否符合聚类终止条件；
步骤S57：若否，则基于每个所述温度样本与各个所述第三聚类中心的欧式距离继续对所述温度样本进行聚类，直至符合所述聚类终止条件，获得所述N个目标聚类中心。
在步骤S51中，每个温度样本均会被分配到一个第一聚类中心中，最终获得N个第二样本组。具体的，包括：获取目标温度样本与各个第一聚类中心中的欧氏距离的最小值；其中，目标温度样本为温度样本中的任一个；将目标温度样本聚类至最小值对应的第一聚类中心，获得N个第二样本组。每个温度样本都会找到与之最近的第一聚类中心，这样就可构建形成N个第二样本组。
在步骤S57中，即反复迭代执行步骤S54-S56的过程，实现迭代更新。聚类终止条件可包括：1、达到迭代的上限次数。2、聚类中心不再改变，或聚类中心的变化量小于预设的阈值。一个目标聚类中心可表示高炉炉缸的一种活跃类别。在确定N个活跃类别之后，可将每个类别对应的温度样本的平均温度作为后续检测的匹配基准。
步骤S60：将采集的温度测量数据与所述N个目标聚类中心进行匹配，获得高炉炉缸活跃状态的检测结果。
在步骤S60中，采集的温度测量数据为当前预设测量时间内测温装置测出的数据。预设测量时间可为1小时、4小时、1天、等等。具体步骤S90包括：获取采集的温度测量数据；基于温度测量数据与温度测量数据的采集位置，获得每个采集位置的平均测量温度；将每个平均测量温度与N个目标聚类中心进行匹配，获得所述判断结果。温度测量数据的匹配是依据最近邻方法计算，即计算当前温度测量数据与每一个目标聚类中心的距离，并归到距离最近的目标聚类中心中，确定对应的炉缸活跃类别。由温度样本聚类分析得到的目标聚类中心是以一定顺序排列的，例如从小到大或从大到小的顺序排列。同时，由于样本分类是通过高炉历史生产数据库炉缸砖衬的温度数据过滤、聚类计算分析得到，与生产中高炉炉缸状况一一对应，不同温度对应不同高炉炉缸活跃状态。因此，当前温度测量数据归的类别可对应炉缸炉底炉侧温度的大小，从而反应了炉缸工作的活跃程度。
在步骤S60之后，还可定期对目标聚类中心进行更新。例如，当高炉运行一定时间后会对历史数据进行更新，即更新温度样本。更新的方式为获取最新数据，删除最早的历史数据。例如，第一获取目标聚类中心采用的历史数据为2-6月。当高炉运行一月之后，更新目标聚类中心时，采用的历史数据可为3-7月，保证了数据的时效性，以及高炉活跃状态能够与温度数据相匹配，提高准确率。
进一步的，本实施例中示出了一实例：
如图2所示，计算所需的历史数据是从数据库中选取能反应炉缸边缘活跃状态的炉缸侧壁靠近炉缸内部一层的砖衬温度数据，对应图2中测温点1～6；和能反应炉缸中心活跃状态的炉底最上层中心附近的砖衬温度数据，对应图2中测温点7～9。
如图3所示，计算方法包括数据输入层、综合计算层和数据输出层。输入层是基于数据库中历史数据和人工设置选取计算所需的数据，综合计算层包括对历史数据进行过滤、中心和边缘炉缸工作活跃度的计算以及数据匹配。即，执行步骤S10-S90。如图4所示，计算流程主要包括：
(1)根据当前时间和人工设置情况判断是否更新聚类结果，也可以通过人工设置选择立即更新聚类结果。
(2)如果是要更新聚类结果，则由历史数据进行过滤和聚类计算，并将聚类结果进行更新，存贮到数据库中。如果判断不需要更新聚类结果，则还采用数据库中原聚类结果。其中，聚类结果对应于上述的目标聚类中心。
(3)根据人工设置，选取实时数据进行过滤，过滤后的实时数据与聚类结果进行匹配，得到匹配结果。其中，实时数据对应于上述的温度测量数据。
在某3800m3高炉中，炉缸边缘内层高度相同砖衬温度检测点以1、2、3、4、5、6来表示，其对应温度分别为t1、t2、t3、t4、t5、t6；各点平均温度以T1表示，其中，平均温度对应于上述的平均测量温度，检测点即温度采集位置。炉底上层砖衬检测点为7、8、9，其对应温度分别为t7、t8、t9；各点平均温度以T2表示。T1、T2可通过高炉历史生产数据库炉缸砖衬温度数据过滤、聚类计算分析得到，例如检测的测量周期为1天，则可通过1天的数据确定T1、T2。不同温度对应不同高炉炉缸的活跃状态。温度样本的分类结果见下表1(N＝10时)，高炉某一天检测点的平均温度见表2。
表1高炉炉缸活跃性分类表
Figure BDA0002535245690000111
表2高炉炉缸砖衬检测点温度表
Figure BDA0002535245690000112
Figure BDA0002535245690000121
将上述表2中的T1、T2与表1中的活跃类别进行匹配，可以确定高炉一天炉缸活跃性指标与类别匹配结果为第8类，说明炉缸活跃性正常。
本实施例中提供的一种高炉炉缸的活跃状态检测方法，通过获取高炉中不同区域位置的对应的温度样本；其中，每个温度样本包括同一区域位置的多个温度数据；同一区域位置表示高度相同且距离高炉中心线相同的位置；保证了温度样本能够充分表示炉缸内的整体运行状况。进一步的基于温度样本和预设坐标系，获得每个温度样本距离坐标原点的第一欧式距离；基于第一欧式距离的大小，将温度样本划分为N个第一样本组；基于每个所述第一样本组的均值，获的N个第一聚类中心；基于N个第一聚类中心对温度样本进行迭代聚类，直至符合聚类终止条件，获得N个目标聚类中心；其中，每个目标聚类中心对应一个高炉炉缸活跃类别；通过上述的迭代过程能够将温度样本归类为多个活跃类别，而活跃类别能够精确和全面的表示炉缸内的活跃状态。最后，将采集的温度测量数据与所述N个目标聚类中心进行匹配，获得高炉炉缸活跃状态的判断结果，即采集的温度测量数据只需匹配后就能得到活跃状态的判断结果，具有较高的时效性。本方案解决了现有技术中高炉炉缸状态判断的局限性，并且可实时获得判断结果。
第二实施例
请参阅图5，基于同一发明构思，本实施例中提供了一种高炉炉缸的活跃状态检测装置300，包括：
样本获取模块301，用于获取高炉中不同区域位置对应的温度样本；其中，每个温度样本包括同一区域位置的多个温度数据，同一区域位置表示高度相同且距离高炉中心线相同的位置；
距离获取模块302，用于基于所述温度样本和预设坐标系，获得每个温度样本距离坐标原点的第一欧式距离；
划分模块303，用于基于所述第一欧式距离的大小，将所述温度样本划分为N个第一样本组；
第一聚类中心获取模块304，用于基于每个所述第一样本组的均值，获的N个第一聚类中心；
聚类迭代模块305，用于基于所述N个第一聚类中心对所述温度样本进行迭代聚类，直至符合聚类终止条件，获得N个目标聚类中心；其中，每个所述目标聚类中心对应一个高炉炉缸活跃类别；
匹配模块306，用于将采集的温度测量数据与所述N个目标聚类中心进行匹配，获得高炉炉缸活跃状态的检测结果。
需要说明的是，本发明实施例所提供的装置300，其具体实现及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明提供的装置集成的功能模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种高炉炉缸的活跃状态检测方法，其特征在于，包括：
获取高炉中不同区域位置对应的温度样本；其中，每个温度样本包括同一区域位置的多个温度数据，同一区域位置表示高度相同且距离高炉中心线相同的位置；
基于所述温度样本和预设坐标系，获得每个温度样本距离坐标原点的第一欧式距离；
基于所述第一欧式距离，将所述温度样本划分为N个第一样本组；N为大于等于2的正整数；
基于每个所述第一样本组的均值，获得N个第一聚类中心；
基于所述N个第一聚类中心对所述温度样本进行迭代聚类，直至符合聚类终止条件，获得N个目标聚类中心；其中，每个所述目标聚类中心对应一个高炉炉缸活跃类别；
将采集的温度测量数据与所述N个目标聚类中心进行匹配，获得高炉炉缸活跃状态的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取高炉中不同区域位置的对应的温度样本，包括：
获取高炉中不同区域位置对应的历史数据，其中，所述历史数据为高炉砖衬内测温装置测量的温度数据；
清除所述历史数据中的无效数据，获得高炉中不同区域位置的对应的所述温度样本；其中，所述无效数据包括：为0的数据，在合理范围以外的数据。
3.根据权利要求2所述的方法，其特征在于，所述获得高炉中不同区域位置的对应的所述温度样本，包括：
将所述温度数据对应的测温时间分段，获得多个时段；
基于每个测温位置在每个时段内的温度数据的平均值，获得高炉中不同区域位置的对应的所述温度样本。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一欧式距离的大小，将所述温度样本划分为N个第一样本组，包括：
将所述温度样本按照所述第一欧式距离由小至大或由大至小的进行排序，获得样本序列；
将所述样本序列均分为N组，获得N个所述第一样本组。
5.根据权利要求1所述的方法，其特征在于，所述N取值为10。
6.根据权利要求1所述的方法，其特征在于，所述基于所述N个第一聚类中心对所述温度样本进行迭代聚类，直至符合聚类终止条件，获得N个目标聚类中心，包括：
基于每个所述温度样本与各个所述第一聚类中心的欧式距离对所述温度样本进行聚类，获得N个第二样本组；
基于每个所述第二样本组的均值，获得N个第二聚类中心；
判断所述第二聚类中心是否符合聚类终止条件；
若否，则基于每个所述温度样本与各个所述第二聚类中心的欧式距离对所述温度样本进行聚类，获得N个第三样本组；
基于每个所述第三样本组的均值，获得N个第三聚类中心；
判断所述第二聚类中心是否符合聚类终止条件；
若否，则基于每个所述温度样本与各个所述第三聚类中心的欧式距离继续对所述温度样本进行聚类，直至符合所述聚类终止条件，获得所述N个目标聚类中心。
7.根据权利要求6所述的方法，其特征在于，所述基于每个所述温度样本与各个所述第一聚类中心的欧式距离的大小进行聚类，获得N个第二样本组，包括：
获取目标温度样本与各个所述第一聚类中心中的欧氏距离的最小值；其中，所述目标温度样本为所述温度样本中的任一个；
将所述目标温度样本聚类至所述最小值对应的第一聚类中心，获得N个所述第二样本组。
8.根据权利要求1所述的方法，其特征在于，所述将采集的温度测量数据与所述N个目标聚类中心进行匹配，获得高炉炉缸活跃状态的判断结果，包括：
获取采集的所述温度测量数据；
基于所述温度测量数据与所述温度测量数据的采集位置，获得每个所述采集位置的平均测量温度；
将每个所述平均测量温度与所述N个目标聚类中心进行匹配，获得所述判断结果。
9.一种高炉炉缸的活跃状态检测装置，其特征在于，包括：
样本获取模块，用于获取高炉中不同区域位置对应的温度样本；其中，每个温度样本包括同一区域位置的多个温度数据，同一区域位置表示高度相同且距离高炉中心线相同的位置；
距离获取模块，用于基于所述温度样本和预设坐标系，获得每个温度样本距离坐标原点的第一欧式距离；
划分模块，用于基于所述第一欧式距离的大小，将所述温度样本划分为N个第一样本组；N为大于等于2的正整数；
第一聚类中心获取模块，用于基于每个所述第一样本组的均值，获的N个第一聚类中心；
聚类迭代模块，用于基于所述N个第一聚类中心对所述温度样本进行迭代聚类，直至符合聚类终止条件，获得N个目标聚类中心；其中，每个所述目标聚类中心对应一个高炉炉缸活跃类别；
匹配模块，用于将采集的温度测量数据与所述N个目标聚类中心进行匹配，获得高炉炉缸活跃状态的检测结果。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
CN202010531119.7A 2020-06-11 2020-06-11 一种高炉炉缸的活跃状态检测方法及装置 Pending CN111647698A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010531119.7A CN111647698A (zh) 2020-06-11 2020-06-11 一种高炉炉缸的活跃状态检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010531119.7A CN111647698A (zh) 2020-06-11 2020-06-11 一种高炉炉缸的活跃状态检测方法及装置

Publications (1)

Publication Number Publication Date
CN111647698A true CN111647698A (zh) 2020-09-11

Family

ID=72349399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010531119.7A Pending CN111647698A (zh) 2020-06-11 2020-06-11 一种高炉炉缸的活跃状态检测方法及装置

Country Status (1)

Country Link
CN (1) CN111647698A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232429A (zh) * 2020-10-23 2021-01-15 中冶南方工程技术有限公司 一种高炉整体状态的判断方法、终端设备及存储介质
CN114113664A (zh) * 2022-01-27 2022-03-01 山东泗水海韵粮机有限公司 脱皮机工作状态的智能监测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105441610A (zh) * 2015-12-10 2016-03-30 武汉钢铁(集团)公司 一种建立高炉操作模型的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105441610A (zh) * 2015-12-10 2016-03-30 武汉钢铁(集团)公司 一种建立高炉操作模型的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张福明等: "《现代高炉长寿技术》", 30 September 2012, 北京：冶金工业出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232429A (zh) * 2020-10-23 2021-01-15 中冶南方工程技术有限公司 一种高炉整体状态的判断方法、终端设备及存储介质
CN114113664A (zh) * 2022-01-27 2022-03-01 山东泗水海韵粮机有限公司 脱皮机工作状态的智能监测方法及系统
CN114113664B (zh) * 2022-01-27 2022-04-08 山东泗水海韵粮机有限公司 脱皮机工作状态的智能监测方法及系统

Similar Documents

Publication Publication Date Title
CN111647698A (zh) 一种高炉炉缸的活跃状态检测方法及装置
EP3482266A1 (en) Computer system and method for monitoring key performance indicators (kpis) online using time series pattern model
JP2009076037A (ja) プロセスの状態類似事例検索方法、プロセスの状態予測方法及び制御方法
JP2024509741A (ja) パーツ、センサ、および計測データ統合
CN117236278B (zh) 一种基于数字孪生技术的芯片生产仿真方法及系统
CN108038211A (zh) 一种基于上下文的无监督关系数据异常检测方法
CN110457550B (zh) 一种烧结过程中异常运行数据的校正方法
Ou et al. First time quality diagnostics and improvement through data analysis: A study of a crankshaft line
CN116985183A (zh) 一种近红外光谱分析仪质量监测管理方法及系统
JP2003328030A (ja) 鋼材の製品品質設計装置及び最適品質設計支援装置
CN107844679B (zh) 一种分段式高炉铁水硅含量预测方法及装置
JP7248188B2 (ja) 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置
CN114581785B (zh) 多源异构数据融合的高炉煤气流分布状态识别方法及系统
WO2022059753A1 (ja) 溶解炉のエネルギー効率を予測する学習済み予測モデルを生成する方法、溶解炉のエネルギー効率を予測する方法、およびコンピュータプログラム
CN115378000A (zh) 基于区间二型模糊聚类分析的配电网运行状态评估方法
CN113011325B (zh) 一种基于孤立森林算法的堆垛机轨道损伤定位方法
CN111125082B (zh) 基于关联规则挖掘的水泥工艺参数数据分析方法
JP7272582B2 (ja) 類似材料検索システム、試験装置およびコンピュータプログラム
JP2003058248A (ja) 運転支援装置
Zhang et al. Hashing-based just-in-time learning for big data quality prediction
CN116433108B (zh) 一种用于特种钢材冶炼的原料管理方法及系统
WO2023163172A1 (ja) 溶解炉において発生するドロス量を予測する学習済み予測モデルを生成する方法、溶解炉において発生するドロス量を予測する方法、およびコンピュータプログラム
CN116383262B (zh) 一种基于电厂sis系统的能耗数据管理平台
CN108959339B (zh) 煤质成分实时精准检测设备的大数据分析方法
Zoulikha et al. Beyond Traditional Methods: Data Mining for Next-Generation Reliability Assessment

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200911