CN112066935A - 一种高炉铁口深度智能感知方法、装置及系统 - Google Patents
一种高炉铁口深度智能感知方法、装置及系统 Download PDFInfo
- Publication number
- CN112066935A CN112066935A CN202010947906.XA CN202010947906A CN112066935A CN 112066935 A CN112066935 A CN 112066935A CN 202010947906 A CN202010947906 A CN 202010947906A CN 112066935 A CN112066935 A CN 112066935A
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- depth
- blast furnace
- time point
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/18—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring depth
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
- C21B7/12—Opening or sealing the tap holes
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种高炉铁口深度智能感知方法、装置及系统,包括以下步骤:S1:采集开口机打铁口时产生的振动信号数据;S2:对振动信号数据进行分解、筛选、降噪、重构,得到处理后的振动重构数据;S3:根据振动重构数据判断铁口打通的时间点,并根据时间点和开口机的位移编码器确定铁口的深度值。本发明通过该方法可以快速准确的实时测量铁口深度,为高炉生产实现智能化与无人化提供了安全保障与工程化支撑,为高炉生产过程劳动强度的降低及减少对环境和工人危害创造了条件。
Description
技术领域
本发明属于高炉技术领域,尤其涉及一种高炉铁口深度智能感知方法、装置及系统。
背景技术
高炉出铁口开口质量及准确测控直接影响高炉生产的诸多方面。首先,高炉出铁口开口质量直接关系到出铁作业正常运行即铁水、炉渣的顺利排出,影响高炉的出铁作业制度;其次,出铁口开口质量直接与泥炮向铁口孔道打入炮泥的数量、密实度和烧结质量严格相关,继而影响出铁口区域泥包的形成和高炉的炉况,影响高炉本体设备的正常使用寿命。至2016年底,目前国际上还无法对出铁口深度进行直接、准确测量。国内各大钢铁厂在高炉生产过程中,对铁口深度的判断以经验为主,既有碍于高炉信息化管理,也无法对高炉出铁口开口质量进行动态实时跟踪控制。
国外日本神户制铁和韩国浦项制铁等企业相继于2005年和2010年后,采用微波与振动谐波等的智能检波处理监测与控制方法,从一定程度上的解决了出铁口深度测量问题。但是还存在着干扰大、感知不准确、成本高、检测效率不高、检测复杂等缺陷,使得出铁口的深度感知仍然存在着需要解决的问题。
发明内容
本发明为解决上述技术问题,提供了一种高炉铁口深度智能感知方法及装置,本发明的技术方案为:
一种高炉铁口深度智能感知方法,包括以下步骤:
S1:采集开口机打铁口时产生的振动信号数据;
S2:对振动信号数据进行分解、筛选、降噪、重构,得到处理后的振动重构数据;
S3:根据振动重构数据判断铁口打通的时间点,并根据时间点和开口机的位移编码器确定铁口的深度值。
在其中一个实施例中,步骤S2进一步包括:
S21:对振动信号数据进行分解处理,得到一系列分解数据;
S22:对分解数据进行筛选,剔除错误数据,得到合格数据;
S23:将合格数据划分为含噪数据与不含噪数据,并对含噪数据进行降噪处理;
S24:将降噪处理后的数据与不含噪数据进行重构,得到振动重构数据。
在其中一个实施例中,步骤S21进一步包括:
通过变分模态分解振动信号数据,得到一系列单分量幅频不同的分解数据。
在其中一个实施例中,步骤S22进一步包括:
根据预设的振动信号数据对应的基准值以及相关性上、下限值,对分解数据进行筛选:
计算分解数据与基准值之间的相关性值;
将低于相关性下限值的数据点判断为错误数据并进行剔除,筛选出合格数据。
在其中一个实施例中,步骤S23进一步包括:
根据分解数据与对应的振动信号之间的相关性,将合格数据划分为含噪数据和不含噪数据,并对含噪数据进行小波阈值降噪处理。
在其中一个实施例中,步骤S24进一步包括:
通过叠加算法将降噪处理后的数据与不含噪数据进行重构,得到振动重构数据。
在其中一个实施例中,步骤S3进一步包括:
S31:根据振动重构数据,通过循环统计法判断铁口打通的时间点;
S32:通过位移编码器在铁口打通的时间点对应的位置值,确定铁口的深度值。
在其中一个实施例中,步骤S31进一步包括:
通过循环统计法对振动重构数据进行统计;
根据统计之后振动信号幅值的变化,初步确定铁口打通的初步时间点;
对初步时间点通过参数分析、频域分析进行验证,获取铁口打通的时间点,其中,参数分析包括振动重构数据的平均值、标准差、峰值因子的变化分析。
一种高炉铁口深度智能感知装置,包括:
振动传感器,用于采集开口机打铁口时产生的振动信号数据;
信号处理器,用于对振动信号数据进行分解、筛选、降噪、重构,得到处理后的振动重构数据,以及根据振动重构数据判断铁口打通的时间点,并根据时间点和开口机的位移编码器确定铁口的深度值。
一种高炉铁口深度智能感知系统,包括:开口机、振动传感器、PC机、PLC,开口机与PLC信号连接,PC机分别与振动传感器、PLC信号连接;
振动传感器用于采集开口机打铁口时产生的振动信号数据;
PC机用于对振动信号数据进行分解、筛选、降噪、重构,得到处理后的振动重构数据,以及根据振动重构数据判断铁口打通的时间点;
PLC机用于根据时间点和开口机的位移编码器确定铁口的深度值。
本发明与现有技术相比具有以下的优点和积极效果:
1)本发明通过直接分析开口机运作时产生的振动信号,并进行分解、筛选、降噪、重构,大大减少了信号数据中的干扰因素,如此,基于处理后的振动重构数据判断铁口打通的时间点,与开口机的位移编码器对应,确定得到铁口的深度值,实现高炉铁口深度智能感知,直接准确地把握出铁口的深度变化,及时调整操作策略并及时采取有效的保护措施,对促进高炉安全高效生产、延长高炉寿命、减少物质及经济损失具有重要意义;
2)本发明使用变分模态分解可以把多分量混叠信号解析成一系列单分量幅频不同的信号,如此将信号解析问题转化成一个有约束最优化的问题,获得的最优解就是解析出来的单分量幅频不同的信号,针对包含不同特征的信号进行分析处理,可以更有效的滤除噪声,提高信号准确性,将相关性低的数据删除,减少了测量现场干扰信号带来的影响,提高了数据的准确度,进一步提高了铁口深度的可靠性;对于中间分量的数据,采用小波阈值降噪,对于含噪信号进行小波分解,然后提取出有用的小波系数而去除带有噪声的小波系数,最后进行小波逆变换将信号进行重构,从而达到降噪的目的;
3)本发明运用叠加算法将不含噪的信号与处理后信号进行重组,得到降噪后的振动重构数据,利用循环统计法对振动重构数据进行统计,根据统计之后振动信号幅值的变化,初步确定铁口打通的初步时间点,并通过参数分析、频域分析进一步验证,获取准确的铁口打通的时间点,如此,大大提高了铁口打通时间点的准确性,从而使得确定的铁口深度值更加准确。
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。
图1为本发明的一种高炉铁口深度智能感知方法的整体流程图;
图2为本发明的一种高炉铁口深度智能感知方法的步骤S2具体流程图;
图3为本发明的一种高炉铁口深度智能感知方法的振动信号降噪前后时域图;
图4为本发明的一种高炉铁口深度智能感知方法的降噪后振动信号时域分析图;
图5为本发明的一种高炉铁口深度智能感知方法的降噪后振动信号参数分析图;
图6为本发明的一种高炉铁口深度智能感知方法的降噪后振动信号频域分析图;
图7为本发明的一种高炉铁口深度智能感知系统的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
参看图1,本申请一实施例提供了一种高炉铁口深度智能感知方法,包括以下步骤:
S1:采集开口机打铁口时产生的振动信号数据;
S2:对振动信号数据进行分解、筛选、降噪、重构,得到处理后的振动重构数据;
S3:根据振动重构数据判断铁口打通的时间点,并根据时间点和开口机的位移编码器确定铁口的深度值。
现对本实施例进行详细说明,不仅限于此。
本实施例适用于高炉开铁口过程中进行铁口深度的实时感知,通过本实施例可以精准地确定所开铁口的深度值,实现高炉铁口深度智能感知。
1)具体介绍步骤S1:
参看图3,为本实施例采集的一高炉铁口开口机运作时产生得振动信号数据,其中,该开口机打铁口时产生的振动信号数据和原有电气系统在时间上相互对应,也即是,采集的振动信号数据与开口机在时间上同步。
2)具体介绍步骤S2:
参看图2,步骤S2进一步包括:
S21:对振动信号数据进行分解处理,得到一系列分解数据,具体地,本实施例通过变分模态分解振动信号数据,得到一系列单分量幅频不同的分解数据,将信号解析问题转化成一个有约束最优化的问题:
其中,uk为分解后的单分量幅频不同信号,wk为每个单分量幅频不同信号的中心频率,fsignal为原始信号。
式(1)可以引入一个二次罚函数项和拉格朗日乘子项来把一个有约束最优化问题转换为一个无约束最优化问题:
其中,α为分解完备性的平衡参数,利用选取参数α可以调节变分模态分解方法的完备性。
式(2)通过交替方向乘子算法将原问题等价解析成更迭寻找uk,wk的子问题:
S22:对分解数据进行筛选,剔除错误数据,得到合格数据,具体地,本实施例根据预设的振动信号数据对应的基准值以及相关性上、下限值,对分解数据进行筛选:计算分解数据与基准值之间的相关性值,将低于相关性下限值的数据点判断为错误数据,删除所述错误数据对应的所述采集的所有数据,筛选出合格数据,其中,所述错误数据对应的所述采集的所有数据包括采集的所述开口机打铁口时产生的振动信号数据。
本实施例将采集到的错误数据删除,筛选出合格数据,将相关性低的数据删除,减少了测量现场干扰信号带来的影响,提高了数据的准确度,进一步提高了铁口深度的可靠性。
S23:将合格数据划分为含噪数据与不含噪数据,并对含噪数据进行降噪处理,具体地,根据分解数据与对应的振动信号之间的相关性,将合格数据划分为含噪数据和不含噪数据,并对含噪数据进行小波阈值降噪处理。
本实施例利用相关性将合格数据分别判定为含噪数据和不含噪数据,相关性是描述信号X(i)在任意不同分量i的与振动信号Y的相关程度,两个信号之间的关联程度用相关系数来衡量,定义:
ρi称为变量X(i)和Y的相关系数。若相关系数ρi=0,则称X(i)与Y不相关。若相关系数ρi>0,则系数越大,相关性越大,但肯定小于或者等于1。X(i)表示变分模态分解后的分量,Y表示振动信号。
本实施例对含噪数据进行小波阈值降噪处理,在开口机的振动信号中,真实信号通常是低频信号,噪音信号通常是高频信号,这是分离振动信号与噪音干扰的先决条件。为了去除振动信号的噪音,利用真实信号和噪声信号的小波系数各不相同,真实信号的小波系数更大和噪声信号的小波系数更小的特点,可以设定一个阈值,通过与阈值比较大小,判定信号是噪声还是有用信号。
S24:将降噪处理后的数据与不含噪数据进行重构,得到振动重构数据,具体地,通过叠加算法将降噪处理后的数据与不含噪数据进行重构,得到振动重构数据。
本实施例首先对采集到的振动信号进行变分模态分解,由于振动信号中噪声干扰会占据很大部分,因此,噪声的程度可以通过计算每个成分和振动信号之间的相关程度来确定。当分量与振动信号的相关性低于阀值α时,该分量为高频噪声信号直接去除;当分量与振动信号的相关性大于α且小于β时,该分量既含有噪声信号也含有振动信号,对该分量运用小波阈值处理,记为F(X(i));将剩余部分直接进行保留,因为使用任何降噪方法都有可能会影响振动信号的完整性;最后将去噪后的分量与直接保留的分量进行重组,获得去噪后的振动信号,来达到降噪的目的。分解后分量的选择标准:
参考图3,利用上述方法降噪后的振动信号,可以大大降低振动信号数据中的干扰因素。进一步优选地,结合多次实验数据分析可得开口机的振动频率主要集中在200HZ以下,因此可以采用低通滤波器进行滤波,通带截止频率为200HZ。值得注意的是,在开铁口时会出现一次没打通的情况,需进行二次打口,针对这种情况,需提前排除第一次打通的数据,对第二次数据进行保留分析。
本实施例使用变分模态分解可以把多分量混叠信号解析成一系列单分量幅频不同的信号,如此将信号解析问题转化成一个有约束最优化的问题,获得的最优解就是解析出来的单分量幅频不同的信号,针对包含不同特征的信号进行分析处理,可以更有效的滤除噪声,提高信号准确性,将相关性低的数据删除,减少了测量现场干扰信号带来的影响,提高了数据的准确度,进一步提高了铁口深度的可靠性;对于中间分量的数据,采用小波阈值降噪,对于含噪信号进行小波分解,然后提取出有用的小波系数而去除带有噪声的小波系数,最后进行小波逆变换将信号进行重构,从而达到降噪的目的。
3)具体介绍步骤S3:
步骤S3进一步包括:S31:根据振动重构数据,通过循环统计法判断铁口打通的时间点;S32:通过位移编码器在铁口打通的时间点对应的位置值,确定铁口的深度值。具体地,通过循环统计法对振动重构数据进行统计;根据统计之后振动信号幅值的变化,初步确定铁口打通的初步时间点;对初步时间点通过参数分析、频域分析进行验证,获取铁口打通的时间点,其中,参数分析包括振动重构数据的平均值、标准差、峰值因子的变化分析。然后,将出铁口打通的时间点与开口机的位移编码器在此时刻的位置值相对应得到最终铁口的深度值。
参考图4至图6,经过统计,出铁口打通后振动信号幅值会由10m/s2左右突变到2m/s2(取绝对值)左右,并且维持一定时间。如图4中竖直线条标注处所示,相对时间为982s,幅值由7.5m/s2突变到2.5m/s2(取绝对值),由此可以初步确定在该时间点出铁口已经打开。
本实施例在进行下一步的参数分析,参看图5所示,上方线条表示峰值因子的变化趋势,中间线条表示标准差的变化趋势,下方线条表示平均值的变化趋势。其中,标准差在出铁口打通时呈下降趋势,由2.53m/s2持续下降到1.5m/s2,主要因为钻头在刚开始打出铁口时,由于泥泡的阻力,开口机产生的力F就大,根据公式F=ma,质量一定的情况下,加速度a就越大,其加速度a反应到图5中就是中间线条表示的标准差;当出铁口打通时,没有泥泡的阻力,开口机产生的力F就变小,加速度a也就变小,对应到图5中中间线条下降的区间段。持续一段时间,这段时间判定是钻杆一直延伸到底,直到在开口机反打时,数值又呈上升趋势,由1.5m/s2持续上升到4m/s2,可能会出现比之前的数据更大的情况。具体地,图5中持续时间区间为979-990s,这个时间为钻头打通后,一直延伸到底,时间区间990-1000s,是钻头反打退出的时间,对比平均值,可以看到标准差的下降区间;依据峰值因子有明显波形且数值相对较大。
再进行对应时间点的频域分析,图中5竖直线条标注相对时间为982s,所对应的时间点频域分析如图6所示,该时间点在频率为82.5HZ处,幅值发生突变为3.97m/s2,因此可以进一步验证这个时间点为出铁口的打通点。本实施例运用叠加算法将不含噪的信号与处理后信号进行重组,得到降噪后的振动重构数据,利用循环统计法对振动重构数据进行统计,根据统计之后振动信号幅值的变化,初步确定铁口打通的初步时间点,并通过参数分析、频域分析进一步验证,获取准确的铁口打通的时间点,如此,大大提高了铁口打通时间点的准确性,从而使得确定的铁口深度值更加准确。
本实施例通过直接分析开口机运作时产生的振动信号,并进行分解、筛选、降噪、重构,大大减少了信号数据中的干扰因素,如此,基于处理后的振动重构数据判断铁口打通的时间点,与开口机的位移编码器对应,确定得到铁口的深度值,实现高炉铁口深度智能感知,直接准确地把握出铁口的深度变化,及时调整操作策略并及时采取有效的保护措施,对促进高炉安全高效生产、延长高炉寿命、减少物质及经济损失具有重要意义。
本申请的另一实施例还提供一种基于上述实施例的高炉铁口深度智能感知装置,包括:振动传感器,用于采集开口机打铁口时产生的振动信号数据;信号处理器,用于对振动信号数据进行分解、筛选、降噪、重构,得到处理后的振动重构数据,以及根据振动重构数据判断铁口打通的时间点,并根据时间点和开口机的位移编码器确定铁口的深度值。具体本实施例装置的工作原理已在上文中介绍,请参看上述技术内容,在此不再赘述。
参看图7,本申请的另一实施例还提供一种基于上述实施例的高炉铁口深度智能感知系统,包括:开口机、振动传感器、PC机、PLC,开口机与PLC信号连接,PC机分别与振动传感器、PLC信号连接;振动传感器用于采集开口机打铁口时产生的振动信号数据;PC机用于对振动信号数据进行分解、筛选、降噪、重构,得到处理后的振动重构数据,以及根据振动重构数据判断铁口打通的时间点;PLC机用于根据时间点和开口机的位移编码器确定铁口的深度值。本实施例振动传感器采用无线振动传感器,PC机与PLC之间通过OPC通讯协议信号传输,利用OPC通讯协议,以KEP Server EX V6作为OPC服务器,将出铁口的打通时间传输到PLC中。具体本实施例系统的工作原理已在上文中介绍,请参看上述技术内容,在此不再赘述。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式。即使对本发明作出各种变化,倘若这些变化属于本发明权利要求及其等同技术的范围之内,则仍落入在本发明的保护范围之中。
Claims (10)
1.一种高炉铁口深度智能感知方法,其特征在于,包括以下步骤:
S1:采集开口机打铁口时产生的振动信号数据;
S2:对所述振动信号数据进行分解、筛选、降噪、重构,得到处理后的振动重构数据;
S3:根据所述振动重构数据判断铁口打通的时间点,并根据所述时间点和开口机的位移编码器确定铁口的深度值。
2.根据权利要求1所述的高炉铁口深度智能感知方法,其特征在于,所述步骤S2进一步包括:
S21:对所述振动信号数据进行分解处理,得到一系列分解数据;
S22:对所述分解数据进行筛选,剔除错误数据,得到合格数据;
S23:将所述合格数据划分为含噪数据与不含噪数据,并对所述含噪数据进行降噪处理;
S24:将所述降噪处理后的数据与所述不含噪数据进行重构,得到振动重构数据。
3.根据权利要求2所述的高炉铁口深度智能感知方法,其特征在于,所述步骤S21进一步包括:
通过变分模态分解所述振动信号数据,得到一系列单分量幅频不同的所述分解数据。
4.根据权利要求2所述的高炉铁口深度智能感知方法,其特征在于,所述步骤S22进一步包括:
根据预设的所述振动信号数据对应的基准值以及相关性上、下限值,对所述分解数据进行筛选:
计算所述分解数据与所述基准值之间的相关性值;
将低于所述相关性下限值的数据点判断为所述错误数据并进行剔除,筛选出所述合格数据。
5.根据权利要求2所述的高炉铁口深度智能感知方法,其特征在于,所述步骤S23进一步包括:
根据所述分解数据与对应的振动信号之间的相关性,将所述合格数据划分为所述含噪数据和所述不含噪数据,并对所述含噪数据进行小波阈值降噪处理。
6.根据权利要求2所述的高炉铁口深度智能感知方法,其特征在于,所述步骤S24进一步包括:
通过叠加算法将所述降噪处理后的数据与所述不含噪数据进行重构,得到所述振动重构数据。
7.根据权利要求1所述的高炉铁口深度智能感知方法,其特征在于,所述步骤S3进一步包括:
S31:根据所述振动重构数据,通过循环统计法判断铁口打通的时间点;
S32:通过所述位移编码器在所述铁口打通的时间点对应的位置值,确定铁口的深度值。
8.根据权利要求7所述的高炉铁口深度智能感知方法,其特征在于,所述步骤S31进一步包括:
通过所述循环统计法对所述振动重构数据进行统计;
根据统计之后振动信号幅值的变化,初步确定铁口打通的初步时间点;
对所述初步时间点通过参数分析、频域分析进行验证,获取铁口打通的时间点,其中,所述参数分析包括所述振动重构数据的平均值、标准差、峰值因子的变化分析。
9.一种高炉铁口深度智能感知装置,其特征在于,包括:
振动传感器,用于采集开口机打铁口时产生的振动信号数据;
信号处理器,用于对所述振动信号数据进行分解、筛选、降噪、重构,得到处理后的振动重构数据,以及根据所述振动重构数据判断铁口打通的时间点,并根据所述时间点和开口机的位移编码器确定铁口的深度值。
10.一种高炉铁口深度智能感知系统,其特征在于,包括:开口机、振动传感器、PC机、PLC,所述开口机与所述PLC信号连接,所述PC机分别与所述振动传感器、所述PLC信号连接;
所述振动传感器用于采集所述开口机打铁口时产生的振动信号数据;
所述PC机用于对所述振动信号数据进行分解、筛选、降噪、重构,得到处理后的振动重构数据,以及根据所述振动重构数据判断铁口打通的时间点;
所述PLC机用于根据所述时间点和所述开口机的位移编码器确定铁口的深度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010947906.XA CN112066935A (zh) | 2020-09-10 | 2020-09-10 | 一种高炉铁口深度智能感知方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010947906.XA CN112066935A (zh) | 2020-09-10 | 2020-09-10 | 一种高炉铁口深度智能感知方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112066935A true CN112066935A (zh) | 2020-12-11 |
Family
ID=73663571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010947906.XA Pending CN112066935A (zh) | 2020-09-10 | 2020-09-10 | 一种高炉铁口深度智能感知方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112066935A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112813210A (zh) * | 2021-02-01 | 2021-05-18 | 山西新泰钢铁有限公司 | 一种利用开铁口机检测铁口深度的方法 |
CN114279553A (zh) * | 2021-11-18 | 2022-04-05 | 江阴长仪集团有限公司 | 一种智能量测开关的状态诊断方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5850622A (en) * | 1996-11-08 | 1998-12-15 | Amoco Corporation | Time-frequency processing and analysis of seismic data using very short-time fourier transforms |
CN102512138A (zh) * | 2011-11-24 | 2012-06-27 | 胡建斌 | 一种心音监控预警方法 |
CN104849757A (zh) * | 2015-04-30 | 2015-08-19 | 长江大学 | 消除地震信号中随机噪声系统及方法 |
CN109439824A (zh) * | 2018-12-18 | 2019-03-08 | 山东钢铁股份有限公司 | 一种测量高炉铁口深度的方法和开铁口机 |
CN110207811A (zh) * | 2019-05-24 | 2019-09-06 | 常州大学 | 一种基于经验模态分解的气浮板振动信号处理方法 |
-
2020
- 2020-09-10 CN CN202010947906.XA patent/CN112066935A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5850622A (en) * | 1996-11-08 | 1998-12-15 | Amoco Corporation | Time-frequency processing and analysis of seismic data using very short-time fourier transforms |
CN102512138A (zh) * | 2011-11-24 | 2012-06-27 | 胡建斌 | 一种心音监控预警方法 |
CN104849757A (zh) * | 2015-04-30 | 2015-08-19 | 长江大学 | 消除地震信号中随机噪声系统及方法 |
CN109439824A (zh) * | 2018-12-18 | 2019-03-08 | 山东钢铁股份有限公司 | 一种测量高炉铁口深度的方法和开铁口机 |
CN110207811A (zh) * | 2019-05-24 | 2019-09-06 | 常州大学 | 一种基于经验模态分解的气浮板振动信号处理方法 |
Non-Patent Citations (1)
Title |
---|
王宏民 等: "《东北林业大学学报》", 31 August 2019 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112813210A (zh) * | 2021-02-01 | 2021-05-18 | 山西新泰钢铁有限公司 | 一种利用开铁口机检测铁口深度的方法 |
CN112813210B (zh) * | 2021-02-01 | 2022-08-23 | 山西新泰钢铁有限公司 | 一种利用开铁口机检测铁口深度的方法 |
CN114279553A (zh) * | 2021-11-18 | 2022-04-05 | 江阴长仪集团有限公司 | 一种智能量测开关的状态诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112066935A (zh) | 一种高炉铁口深度智能感知方法、装置及系统 | |
CN108805059B (zh) | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 | |
CN108663995B (zh) | 一种工业过程变量趋势异常检测方法及装置 | |
CN110648480B (zh) | 一种基于变化速率的单变量报警系统及方法 | |
CN109057786B (zh) | 用于非常规油气藏可采储量估算的自适应模型的确定方法 | |
CN102765010A (zh) | 刀具破磨损状态检测方法及其检测系统 | |
US10311703B1 (en) | Detection of spikes and faults in vibration trend data | |
CN113138011A (zh) | 一种新型振动噪声测试方法 | |
CN110609324B (zh) | 一种用于深埋隧道岩爆预警微震事件筛选的方法 | |
CN116049654B (zh) | 一种选煤设备的安全监测预警方法及系统 | |
CN115165079A (zh) | 一种基于多种声音特征分析的设备报警方法 | |
CN105534480A (zh) | 鼾声检测方法及装置 | |
CN114985697B (zh) | 一种结晶器液面波动监测方法及系统 | |
CN115165274A (zh) | 工程机械设备振动状态自适应智能监测装置及方法 | |
CN115684349B (zh) | 一种基于振动信号的管路磨穿实时预警方法 | |
CN114183127B (zh) | 一种减小泥浆脉冲信号对钻具运动干扰的方法 | |
CN116304808A (zh) | 基于分数阶随机共振的旋转机械故障诊断方法 | |
CN111931969A (zh) | 一种基于时序分析的合并单元设备状态预测方法 | |
CN112116917B (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
CN115640512A (zh) | 基于集合经验模态分解的煤岩识别方法 | |
CN105511454B (zh) | 一种工业控制回路时变振荡行为检测方法 | |
CN112486096A (zh) | 一种机床运行状态的监控方法 | |
CN106569126A (zh) | 一种基于双谱分析算法的断路器故障诊断的方法 | |
CN117271980B (zh) | 钻进数据处理方法、装置、电子设备及存储介质 | |
CN117514148B (zh) | 一种基于多维可信度融合的油气井动液面识别诊断方法 |
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 |
Application publication date: 20201211 |
|
RJ01 | Rejection of invention patent application after publication |