CN112287283B - 一种高炉运行状态评价方法、装置及存储介质 - Google Patents
一种高炉运行状态评价方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112287283B CN112287283B CN202011150211.5A CN202011150211A CN112287283B CN 112287283 B CN112287283 B CN 112287283B CN 202011150211 A CN202011150211 A CN 202011150211A CN 112287283 B CN112287283 B CN 112287283B
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- historical data
- variable
- score
- evaluation
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明实施例公开了一种高炉运行状态评价方法、装置及存储介质。该方法包括:获取历史数据集合,历史数据集合包括高炉运行过程中的每个变量的历史数据;对历史数据集合进行预处理;从所有变量中选择目标变量作为评价指标,并建立基于评价指标的高炉运行状态评价体系;根据目标变量的历史数据和高炉运行状态评价体系,计算高炉的运行得分。本发明提供的方案能够快速知晓高炉近期的运行状态,为高炉运行提供指导意见,以达到高炉优质、高产、低耗、长寿的目的。
Description
技术领域
本发明涉及高炉炼铁技术领域,尤其涉及一种高炉运行状态评价方法、装置及存储介质。
背景技术
在高炉生产中,炉况的波动严重影响着铁水产量、质量和高炉能耗,保证高炉顺行是获得高炉优质、高产、低耗和长寿的关键所在。
然而,由于高炉生产具有大滞后性、动态时变性以及强耦合性,目前尚无直接判断高炉是否顺行的具体指标。无论是通过观测出铁、出渣、风口、料速和探尺运动状态等直接观测法,还是分析CO2曲线,判断热风压力、煤气压力、压差,冷风流量计,炉顶、炉喉、炉身温度,透气性指数等间接观测法,均存在时间滞后性、片面局部性以及主观经验性,从而无法及时、准确地反映高炉冶炼状态,难以有效的指导高炉稳定生产。
发明内容
为解决上述技术问题,本发明实施例期望提供一种高炉运行状态评价方法、装置及存储介质,能够快速知晓高炉近期的运行状态,为高炉运行提供指导意见,以达到高炉优质、高产、低耗、长寿的目的。
本发明的技术方案是这样实现的:
第一方面,本发明实施例提供一种高炉运行状态评价方法,包括:
获取历史数据集合,历史数据集合包括高炉运行过程中的每个变量的历史数据;
对历史数据集合进行预处理;
从所有变量中选择目标变量作为评价指标,并建立基于评价指标的高炉运行状态评价体系;
根据目标变量的历史数据和高炉运行状态评价体系,计算高炉的运行得分。
可选的,对历史数据集合进行预处理,包括:
对历史数据集合依次进行标准化处理、工序间数据关联整合处理和工序间数据延时处理;其中,处理后的历史数据集合以小时为频次。
可选的,对于历史数据集合中的任一历史数据,对该历史数据进行标准化处理,包括:
判断该历史数据是否为空或者为负值;
若该历史数据为空或者为负值,则将该历史数据设置为0;
若该历史数据不为空且不为负值,则判断该历史数据是否大于经验上限值;
若该历史数据大于经验上限值,则删除并采用线性插值法填补该历史数据;
若该历史数据不大于经验上限值,则采用箱形图法判断该历史数据是否在箱形区间内;
若该历史数据不在箱形区间内,则删除并采用线性插值法填补该历史数据。
可选的,目标变量包括铁水硅加钛含量Si+Ti、燃料比RLB、理论铁量Fliluntie、铁水钒含量V和铁水温度Ftswd。
可选的,高炉运行状态评价体系包括各评价指标的权重和各评价指标的评分表;其中,各评价指标的评分表是基于人工经验值和箱形图法确定的。
可选的,高炉的运行得分通过公式S总分=∑(S评价指标×W指标权重)计算得到;
其中,S评价指标为目标变量的历史数据在该目标变量对应的评价指标的评分表中的得分,W指标权重为目标变量对应的评价指标的权重。
可选的,当高炉的运行得分大于等于85分时,高炉的运行状态为优秀;
当高炉的运行得分大于等于75分且小于85分时,高炉的运行状态为正常;
当高炉的运行得分小于75分时,高炉的运行状态为波动。
可选的,还包括:
根据高炉的运行得分映射高炉关键参数,并根据高炉关键参数确认高炉的当前操作参数是否为最优值;
若高炉的当前操作参数不为最优值,则根据高炉关键参数调整高炉的操作参数。
第二方面,本发明实施例提供了一种高炉运行状态评价装置,包括:处理器,处理器用于在执行计算机程序时实现具有上述第一方面任一特征的高炉运行状态评价方法。
第三方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现具有上述第一方面任一特征的高炉运行状态评价方法。
本发明实施例提供了一种高炉运行状态评价方法、装置及存储介质。通过运用大数据技术深度挖掘高炉运行过程(即全工序)中的生产数据,以生产指标为出发点建立集炉况、产量、质量和能耗分值系统于一体的综合性高炉运行状态评价体系,从而快速知晓高炉近期的运行状态,解决了相关技术中评价高炉运行状态存在主观经验和相对时间滞后问题。为高炉运行提供指导意见,应对多变的原燃料条件提供相适应的操作制度,达到使高炉优质、高产、低耗和长寿的目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例一提供的一种高炉运行状态评价方法的流程示意图;
图2为本发明实施例一提供的另一种高炉运行状态评价方法的流程示意图;
图3为本发明实施例提供的一种高炉运行状态评价装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明实施例中提到的“和/或”是指包括一个或更多个相关所列项目的任何和所有组合。本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于限定特定顺序。
还需要说明是,本发明下述各个实施例可以单独执行,各个实施例之间也可以相互结合执行,本发明实施例对此不作具体限制。
实施例一
图1为本发明实施例一提供的一种高炉运行状态评价方法的流程示意图,本发明实施例公开的方法适用于高炉运行状态评价装置(如计算机设备等)。如图1所示,该方法可以包括如下步骤:
S110、获取历史数据集合,历史数据集合包括高炉运行过程中的每个变量的历史数据。
高炉运行过程可以理解为高炉炼铁的整个工序,高炉炼铁的整个工序可以分为上料工序、装料工序、喷煤工序和渣铁工序。每个工序具有各自的变量,加上炼铁原燃料的变量和高炉本体的变量,共同组成高炉运行过程中的每个变量。
具体的,炼铁原燃料的变量包括但不限于:原燃料的物化性能;
上料工序的变量包括但不限于:原燃料配比;
装料工序的变量包括但不限于:布料角度、挡位数、圈数、料线;
高炉本体的变量包括但不限于:冷风流量、富氧流量、标准风速、实际风速、冷却水流量、热负荷、透气性指数、炉顶温度、炉顶压力、上部压差、下部压差、炉身压力、冷却壁温度、炉缸温度、阀座温度、鼓风温度、热风温度、热风压力、CO含量、CO2含量、H2含量、N2含量;
喷煤工序的变量包括但不限于:喷煤量、煤粉的物化性能;
渣铁工序的变量包括但不限于:渣铁成分。
S120、对历史数据集合进行预处理。
在一实施例中,步骤S120可以包括:对历史数据集合依次进行标准化处理(即基础数据处理)、工序间数据关联整合处理和工序间数据延时处理;其中,处理后的历史数据集合以小时为频次。具体可以包括如下步骤:
步骤A:对历史数据集合进行标准化处理。
标准化处理又可以称为基础数据处理,包括补充缺失数据,剔除异常、重复数据等操作。
异常数据包括空缺数据(Null值)、负值数据和非参正常值。
(1)空缺数据(Null值)和负值数据的处理。
这类数据是因为高炉生产调整、电脑储存出错、人员操作失误等原因,导致原本对应位置出现空白和负值的现象。考虑到高炉炼铁过程的连续性,本发明对空缺数据的处理为:将Null值变为0值填补;对负值数据的处理为:将负值变为0值填补。
(2)非参正常值的处理。
这类数据是指在高炉正常生产条件下,设备采集因干扰、出错或灵敏性变差而产生的极端异常数据,最直观的表达就是在一片相对稳定的数据集中出现了外区的“异常”点。本发明对非参正常值的处理为:选取人工限定范围筛选和箱形图结合的形式,对判定的异常值进行修改填补处理。
首先,通过人工经验划定的高炉生产参数参考范围初步剔除非参正常值,这一步骤可以筛选出明显偏离于生产范围的极端异常数据。
示例性的,高炉生产参数参考范围如表1所示。
表1 高炉生产参数参考范围
数据参数 | 取值范围 |
冷风压力 | 0-500 |
冷风流量 | 0-10000 |
主管热风压力 | 0-500 |
热风温度 | 0-1500 |
炉顶压力 | 0-500 |
风速 | 0-500 |
实际风速 | 0-500 |
鼓风动能 | 0-20000 |
富氧流量 | 0-20000 |
进水温度 | 0-100 |
炉顶温度1 | 0-1000 |
炉顶温度2 | 0-1000 |
炉顶温度3 | 0-1000 |
炉顶温度4 | 0-1000 |
阀座温度 | 0-1000 |
软水总流量 | 0-10000 |
CO含量 | 0-100 |
CO<sub>2</sub>含量 | 0-100 |
N<sub>2</sub>含量 | 0-100 |
H<sub>2</sub>含量 | 0-100 |
上部压力1 | 0-500 |
上部压力2 | 0-500 |
上部压力3 | 0-500 |
上部压力4 | 0-500 |
下部压力1 | 0-500 |
下部压力2 | 0-500 |
下部压力3 | 0-500 |
下部压力4 | 0-500 |
透气性指数 | 0-100 |
热负荷 | 0-50000 |
焦比 | 0-1000 |
煤比 | 0-500 |
铁水温度Ftswd | 0-2000 |
铁水钒含量V | 0-1 |
铁水硅加钛含量Si+Ti | 0-1 |
理论铁量Fliluntie | 0-1000 |
如表1所示,对于明显偏离于生产范围的极端异常数据(即大于参数的经验上限值的数据),删除并采用线性插值法填补。
其次,结合箱形图法进一步判别非参正常值。对所有历史数据使用该方法寻找非参正常值,直至没有非参正常值为止。对该方式查找得到的非参正常值,删除并采用线性插值法填补。
本发明中采用箱形图法判别非参正常值的标准为:非参正常值被定义为小于Q1-1.5IQR或大于Q3+1.5IQR的值;即箱形区间为[Q1-1.5IQR,Q3+1.5IQR]。
Q3+1.5IQR=75%分位数+k*(75%分位数-25%分位数);
Q1-1.5IQR=25%分位数-k*(75%分位数-25%分位数);
Q1表示下四分位数,即25%分位数;Q3为上四分位数,即75%分位数;IQR表示上下四分位差,系数k是一种经过大量分析和经验积累起来的标准,通常设定好后不做调整。
在一实施例中,k=1.5。
在一实施例中,以历史数据集合中的任一历史数据为例,步骤A的流程可以为:1、判断该历史数据是否为空或者为负值;2、若该历史数据为空或者为负值,则将该历史数据设置为0;3、若该历史数据不为空且不为负值,则判断该历史数据是否大于经验上限值;4、若该历史数据大于经验上限值,则删除并采用线性插值法填补该历史数据;5、若该历史数据不大于经验上限值,则采用箱形图法判断该历史数据是否在箱形区间内;6、若该历史数据不在箱形区间内,则删除并采用线性插值法填补该历史数据。
步骤B:对历史数据集合进行工序间数据关联整合处理。
依据时间点对应关系对所有历史数据进行匹配,最终得到所需时间序列样本。本发明中最长的采集周期以小时为单位,通过时间点对所有历史数据进行匹配,最终提取时间序列样本。采集周期代表获取的高炉运行状态的实效,采集周期越短越能反应高炉的短期趋势。
步骤C:对历史数据集合进行工序间数据延时处理。
高炉炼铁作为长流程工艺,需考虑工艺延时问题。示例性的,以渣铁数据为当前数据时间,炼铁原燃料、上料工序、装料工序提前8小时,高炉本体提前4小时,喷煤工序提前2小时。
S130、从所有变量中选择目标变量作为评价指标,并建立基于评价指标的高炉运行状态评价体系。
目标变量可以是所有变量中的任意变量。目标变量的个数大于或者等于3。
在一实施例中,结合高炉理论工艺经验,选取的目标变量包括铁水硅加钛含量Si+Ti、燃料比RLB、理论铁量Fliluntie、铁水钒含量V和铁水温度Ftswd。
高炉运行状态评价体系包括各评价指标的权重和各评价指标的评分表;其中,各评价指标的评分表是基于人工经验值和箱形图法确定的。
示例性的,以目标变量包括铁水硅加钛含量Si+Ti、燃料比RLB、理论铁量Fliluntie、铁水钒含量V和铁水温度Ftswd为例,介绍本发明提供的各评价指标的评分表和各评价指标的权重:
由于本发明中采用箱形图法判别非参正常值的标准为:非参正常值被定义为小于Q1-1.5IQR或大于Q3+1.5IQR的值。因此可以得出目标变量的箱形图计算边界值,如表2所示。
表2 目标变量的箱形图计算边界值
参数 | Q1 | Q2 | Q3 | IQR | 下限值 | 上限值 |
Ftswd | 1467 | 1472 | 1476 | 9 | 1454 | 1490 |
V | 0.16525 | 0.18325 | 0.20425 | 0.039 | 0.11 | 0.26 |
Si+Ti | 0.24425 | 0.27425 | 0.30525 | 0.061 | 0.15 | 0.40 |
RLB | 491 | 499 | 508 | 17 | 466 | 534 |
Fliluntie | 250.56 | 258.36 | 263.04 | 12.48 | 232 | 282 |
表3 目标变量人工经验指标范围
参数 | 下限值 | 估值区间 | 上限值 |
Ftswd | 1440 | 1460~1480 | 1500 |
V | 0.15 | 0.20~0.24 | 0.26 |
Si_Ti | 0.15 | 0.20~0.40 | 0.50 |
RLB | 490 | 500~520 | 530 |
Fliluntie | 230 | 240~260 | 280 |
参考上述表2和表3,箱形图只是针对数据情况进行划分,虽然客观严谨但缺乏生产工艺背景,故需要人工经验进行检验、修正。
本发明规定:a.结果箱形图划分范围在人工经验划分范围内,则以箱形图为准;b.结果箱形图划分下限值或上限值超出人工经验范围,则超出下限值或上限值部分以人工为准,未超出范围以箱形图为准。故最终得到的目标变量的最终指标范围如表4所示。
表4 目标变量的最终指标范围
参数 | 下限值 | 上限值 |
Ftswd | 1454 | 1490 |
V | 0.15 | 0.26 |
Si_Ti | 0.15 | 0.40 |
RLB | 490 | 530 |
Fliluntie | 232 | 280 |
按照数据分布累计百分比(权重值)确定各评价指标的评分表。当目标变量的历史数据在该目标变量对应的评价指标的评分表中时,取评分表中的分值;当目标变量的历史数据不在该目标变量对应的评价指标的评分表中时,取60分。具体的,各评价指标的评分表如表5-表9所示。
表5 Fliluntie的评分表
下限值 | 上限值 | 权重值 | 分数 |
≤234 | 60.0 | ||
234 | 242 | 0.00 | 60.0 |
242 | 243 | 0.01 | 60.4 |
243 | 248 | 0.02 | 60.8 |
248 | 249 | 0.03 | 61.2 |
249 | 250 | 0.04 | 61.6 |
250 | 251 | 0.05 | 62.0 |
251 | 252 | 0.07 | 62.8 |
252 | 253 | 0.09 | 63.6 |
253 | 254 | 0.11 | 64.4 |
254 | 255 | 0.13 | 65.2 |
255 | 256 | 0.18 | 67.2 |
256 | 257 | 0.25 | 70.0 |
257 | 258 | 0.30 | 72.0 |
258 | 259 | 0.34 | 73.6 |
259 | 260 | 0.40 | 76.0 |
260 | 261 | 0.46 | 78.4 |
261 | 262 | 0.52 | 80.8 |
262 | 263 | 0.60 | 84.0 |
263 | 264 | 0.66 | 86.4 |
264 | 265 | 0.75 | 90.0 |
265 | 266 | 0.81 | 92.4 |
266 | 267 | 0.87 | 94.8 |
267 | 268 | 0.92 | 96.8 |
268 | 269 | 0.96 | 98.4 |
269 | 271 | 0.98 | 99.2 |
271 | 276 | 0.99 | 99.6 |
>276 | 60.0 |
表6 V的评分表
下限值 | 上限值 | 权重值 | 分数 |
≤0.15 | 60.0 | ||
0.15 | 0.16 | 0.00 | 60.0 |
0.16 | 0.17 | 0.05 | 62.0 |
0.17 | 0.18 | 0.17 | 66.8 |
0.18 | 0.19 | 0.33 | 73.2 |
0.19 | 0.20 | 0.47 | 78.8 |
0.20 | 0.21 | 0.62 | 84.8 |
0.21 | 0.22 | 0.74 | 89.6 |
0.22 | 0.23 | 0.82 | 92.8 |
0.23 | 0.24 | 0.94 | 97.6 |
0.24 | 0.26 | 0.98 | 99.2 |
>0.26 | 60.0 |
表7 Si+Ti的评分表
下限值 | 上限值 | 权重值 | 分数 |
<0.15 | 1 | 100 | |
0.15 | 0.18 | 0.99 | 99.6 |
0.18 | 0.19 | 0.98 | 99.2 |
0.19 | 0.20 | 0.97 | 98.8 |
0.20 | 0.21 | 0.95 | 98.0 |
0.21 | 0.22 | 0.92 | 96.8 |
0.22 | 0.23 | 0.87 | 94.8 |
0.23 | 0.24 | 0.81 | 92.4 |
0.24 | 0.25 | 0.74 | 89.6 |
0.25 | 0.26 | 0.67 | 86.8 |
0.26 | 0.27 | 0.58 | 83.2 |
0.27 | 0.28 | 0.49 | 79.6 |
0.28 | 0.29 | 0.39 | 75.6 |
0.29 | 0.30 | 0.31 | 72.4 |
0.30 | 0.31 | 0.24 | 69.6 |
0.31 | 0.32 | 0.19 | 67.6 |
0.32 | 0.33 | 0.14 | 65.6 |
0.33 | 0.34 | 0.1 | 64.0 |
0.34 | 0.35 | 0.07 | 62.8 |
0.35 | 0.36 | 0.05 | 62.0 |
0.36 | 0.37 | 0.03 | 61.2 |
0.37 | 0.38 | 0.01 | 60.4 |
0.38 | 0.40 | 0 | 60.0 |
≧0.40 | 60.0 |
表8 RLB的评分表
下限值 | 上限值 | 权重值 | 分数 |
<490 | 60.0 | ||
490 | 491 | 0.96 | 98.4 |
491 | 492 | 0.93 | 97.2 |
492 | 493 | 0.89 | 95.6 |
493 | 494 | 0.85 | 94.0 |
494 | 495 | 0.81 | 92.4 |
495 | 496 | 0.77 | 90.8 |
496 | 497 | 0.72 | 88.8 |
497 | 498 | 0.68 | 87.2 |
498 | 499 | 0.64 | 85.6 |
499 | 500 | 0.59 | 83.6 |
500 | 501 | 0.55 | 82.0 |
501 | 502 | 0.51 | 80.4 |
502 | 503 | 0.47 | 78.8 |
503 | 504 | 0.44 | 77.6 |
504 | 505 | 0.4 | 76.0 |
505 | 506 | 0.37 | 74.8 |
506 | 507 | 0.34 | 73.6 |
507 | 508 | 0.31 | 72.4 |
508 | 509 | 0.28 | 71.2 |
509 | 510 | 0.25 | 70.0 |
510 | 511 | 0.23 | 69.2 |
511 | 512 | 0.2 | 68.0 |
512 | 513 | 0.18 | 67.2 |
513 | 514 | 0.16 | 66.4 |
514 | 515 | 0.14 | 65.6 |
515 | 516 | 0.13 | 65.2 |
516 | 517 | 0.1 | 64.0 |
517 | 518 | 0.09 | 63.6 |
518 | 519 | 0.07 | 62.8 |
519 | 520 | 0.06 | 62.4 |
520 | 521 | 0.05 | 62.0 |
521 | 522 | 0.04 | 61.6 |
522 | 524 | 0.03 | 61.2 |
524 | 525 | 0.02 | 60.8 |
525 | 527 | 0.01 | 60.4 |
527 | 530 | 0 | 60 |
≥530 | 60 |
表9 Ftswd的评分表
下限值 | 上限值 | 权重值 | 分数 |
<1454 | 60.0 | ||
1454 | 1455 | 0.99 | 99.6 |
1455 | 1456 | 0.97 | 98.8 |
1456 | 1458 | 0.96 | 98.4 |
1458 | 1460 | 0.94 | 97.6 |
1460 | 1461 | 0.91 | 96.4 |
1461 | 1462 | 0.89 | 95.6 |
1462 | 1463 | 0.87 | 94.8 |
1463 | 1464 | 0.85 | 94.0 |
1464 | 1465 | 0.84 | 93.6 |
1465 | 1466 | 0.8 | 92.0 |
1466 | 1467 | 0.78 | 91.2 |
1467 | 1468 | 0.76 | 90.4 |
1468 | 1469 | 0.73 | 89.2 |
1469 | 1470 | 0.7 | 88.0. |
1470 | 1471 | 0.64 | 85.6 |
1471 | 1472 | 0.58 | 83.2 |
1472 | 1473 | 0.48 | 79.2 |
1473 | 1474 | 0.42 | 76.8 |
1474 | 1475 | 0.38 | 75.2 |
1475 | 1476 | 0.27 | 70.8 |
1476 | 1477 | 0.21 | 68.4 |
1477 | 1478 | 0.16 | 66.4 |
1478 | 1479 | 0.1 | 64.0 |
1479 | 1480 | 0.07 | 62.8 |
1480 | 1481 | 0.05 | 62.0 |
1481 | 1483 | 0.03 | 61.2 |
1483 | 1485 | 0.02 | 60.8 |
1485 | 1486 | 0.01 | 60.4 |
1486 | 1490 | 0 | 60.0 |
≥1490 | 60.0 |
各评价指标的权重可以根据生产需要进行设置,如表10所示。
表10 评价指标的权重
指标 | Fliluntie | V | Si_Ti | RLB | Ftswd |
权重 | m1 | m2 | m3 | m4 | m5 |
在一实施例中,m1+m2+m3+m4+m5=1
可选的,m1=0.2;m2=0.2;m3=0.2;m4=0.2;m5=0.2。
S140、根据目标变量的历史数据和高炉运行状态评价体系,计算高炉的运行得分。
具体的,高炉的运行得分通过公式S总分=∑(S评价指标×W指标权重)计算得到;
其中,S评价指标为目标变量的历史数据在该目标变量对应的评价指标的评分表中的得分,W指标权重为目标变量对应的评价指标的权重。
当高炉的运行得分大于等于85分时,高炉的运行状态为优秀;
当高炉的运行得分大于等于75分且小于85分时,高炉的运行状态为正常;
当高炉的运行得分小于75分时,高炉的运行状态为波动。
在上述实施例的基础上,结合图1,图2为本发明实施例一提供的另一种高炉运行状态评价方法的流程示意图,如图2所示,在步骤S140后,该方法还包括步骤S150和S160。
S150、根据高炉的运行得分映射高炉关键参数,并根据高炉关键参数确认高炉的当前操作参数是否为最优值。
S160、若高炉的当前操作参数不为最优值,则根据高炉关键参数调整高炉的操作参数。
示例性的,步骤S150和S160可以包括:
T1、选取最优指标数据集:选取分数分布前10%数据的参数对应值作为最优状态指标;
T2、分类划分最优指标集:结合工艺考虑需先对燃料比(RLB)和理论铁量(Fliluntie)进行分类,即基于最优数据集对RLB四分位划分,以四分位点为分界值,在最优数据集筛选出<25%、25%-50%、50%-75%、>75%(左闭右开)四个数据集。基于四个数据集分别对Fliluntie进行四分位划分,以四分位点为分界值,对<25%、25%-50%、50%-75%、>75%(左闭右开)四个数据集再分别分出<25%、25%-50%、50%-75%、>75%(左闭右开)四个数据集,共十六个数据集;
T3、确定最优指标范围:对十六个数据集中高炉关键操作参数四分位(左闭右开)划分取Q1、Q3即为各参数最优范围(Q1(25%),Q3(75%));
T4、高炉关键操作参数判别:分数≥85分或分数<75不进行判定,75≤分数<85判定规定,低于其Q1判别为“低”,高于其Q3判别为“高”,其余为“正常”。
本发明实施例提供一种高炉运行状态评价方法,包括:获取历史数据集合,历史数据集合包括高炉运行过程中的每个变量的历史数据;对历史数据集合进行预处理;从所有变量中选择目标变量作为评价指标,并建立基于评价指标的高炉运行状态评价体系;根据目标变量的历史数据和高炉运行状态评价体系,计算高炉的运行得分。通过运用大数据技术深度挖掘高炉运行过程(即全工序)中的生产数据,以生产指标为出发点建立集炉况、产量、质量和能耗分值系统于一体的综合性高炉运行状态评价体系,从而快速知晓高炉近期的运行状态,解决了相关技术中评价高炉运行状态存在主观经验和相对时间滞后问题。为高炉运行提供指导意见,应对多变的原燃料条件提供相适应的操作制度,达到使高炉优质、高产、低耗和长寿的目的。
实施例二
本发明实施例还提供了一种高炉运行状态评价装置,包括:处理器,处理器用于在执行计算机程序时实现具有上述实施例任一特征的高炉运行状态评价方法。
图3为本发明实施例提供的一种高炉运行状态评价装置的结构示意图,如图3所示,该高炉运行状态评价装置包括处理器20、存储器21、输入装置22和输出装置23;高炉运行状态评价装置中处理器20的数量可以是一个或多个,图3中以一个处理器20为例;高炉运行状态评价装置中的处理器20、存储器21、输入装置22和输出装置23可以通过总线或其他方式连接,图3中以通过总线连接为例。总线表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器21作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的方法对应的程序指令/模块。处理器20通过运行存储在存储器21中的软件程序、指令以及模块,从而执行高炉运行状态评价装置的各种功能应用以及数据处理,即实现上述的方法。
存储器21可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据高炉运行状态评价装置的使用所创建的数据等。此外,存储器21可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器21可进一步包括相对于处理器20远程设置的存储器,这些远程存储器可以通过网络连接至高炉运行状态评价装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置22可用于接收输入的数字或字符信息,以及产生与高炉运行状态评价装置的用户设置以及功能控制有关的键信号输入。输出装置23可包括显示屏等装置。
实施例三
本发明实施例还提供了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如本发明实施例所提供的一种高炉运行状态评价方法,该方法具体可以但不限于上述各方法实施例所公开的内容。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++、Ruby、Go、Python,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (6)
1.一种高炉运行状态评价方法,其特征在于,包括:
获取历史数据集合,所述历史数据集合包括高炉运行过程中的每个变量的历史数据,其中,高炉运行过程分为上料工序、装料工序、喷煤工序和渣铁工序,高炉运行过程中的每个变量包括炼铁原燃料的变量、高炉本体的变量、上料工序的变量、装料工序的变量、喷煤工序的变量和渣铁工序的变量;
对所述历史数据集合进行预处理;
从所有变量中选择目标变量作为评价指标,并建立基于所述评价指标的高炉运行状态评价体系,其中,所述目标变量包括铁水硅加钛含量Si+Ti、燃料比RLB、理论铁量Fliluntie、铁水钒含量V和铁水温度Ftswd;所述高炉运行状态评价体系包括各评价指标的权重和各评价指标的评分表;每个评价指标的评分表由每个目标变量的上限值、下限值、数据分布累计百分比和分数构成,每个目标变量的上限值和下限值是基于人工经验值和箱形图法确定的;当目标变量的历史数据在该目标变量对应的评价指标的评分表中时,取评分表中的分值,当目标变量的历史数据不在该目标变量对应的评价指标的评分表中时,取60分;
根据目标变量的历史数据和所述高炉运行状态评价体系,计算所述高炉的运行得分;
所述对所述历史数据集合进行预处理,包括:对所述历史数据集合依次进行标准化处理、工序间数据关联整合处理和工序间数据延时处理;其中,处理后的所述历史数据集合以小时为频次,在对所述历史数据集合进行工序间数据延时处理后,以所述渣铁工序的变量为当前数据时间,所述炼铁原燃料的变量、所述上料工序的变量、所述装料工序的变量比所述渣铁工序的变量提前8小时,所述高炉本体的变量比所述渣铁工序的变量提前4小时,所述喷煤工序的变量比所述渣铁工序的变量提前2小时;
所述高炉的运行得分通过公式S总分=∑(S评价指标×W指标权重)计算得到;其中,S评价指标为目标变量的历史数据在该目标变量对应的评价指标的评分表中的得分,W指标权重为目标变量对应的评价指标的权重,各目标变量对应的评价指标的权重之和等于1。
2.根据权利要求1所述的方法,其特征在于,对于所述历史数据集合中的任一历史数据,对该历史数据进行标准化处理,包括:
判断该历史数据是否为空或者为负值;
若该历史数据为空或者为负值,则将该历史数据设置为0;
若该历史数据不为空且不为负值,则判断该历史数据是否大于经验上限值;
若该历史数据大于所述经验上限值,则删除并采用线性插值法填补该历史数据;
若该历史数据不大于所述经验上限值,则采用箱形图法判断该历史数据是否在箱形区间内;
若该历史数据不在箱形区间内,则删除并采用线性插值法填补该历史数据。
3.根据权利要求1所述的方法,其特征在于,
当所述高炉的运行得分大于等于85分时,所述高炉的运行状态为优秀;
当所述高炉的运行得分大于等于75分且小于85分时,所述高炉的运行状态为正常;
当所述高炉的运行得分小于75分时,所述高炉的运行状态为波动。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据所述高炉的运行得分映射高炉关键参数,并根据所述高炉关键参数确认所述高炉的当前操作参数是否为最优值;
若所述高炉的当前操作参数不为最优值,则根据所述高炉关键参数调整所述高炉的操作参数。
5.一种高炉运行状态评价装置,其特征在于,包括:处理器,所述处理器用于在执行计算机程序时实现如权利要求1-4中任一所述的高炉运行状态评价方法。
6.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的高炉运行状态评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011150211.5A CN112287283B (zh) | 2020-10-24 | 2020-10-24 | 一种高炉运行状态评价方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011150211.5A CN112287283B (zh) | 2020-10-24 | 2020-10-24 | 一种高炉运行状态评价方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287283A CN112287283A (zh) | 2021-01-29 |
CN112287283B true CN112287283B (zh) | 2022-11-04 |
Family
ID=74423301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011150211.5A Active CN112287283B (zh) | 2020-10-24 | 2020-10-24 | 一种高炉运行状态评价方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287283B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101881955A (zh) * | 2009-05-06 | 2010-11-10 | 鞍钢股份有限公司 | 高炉炉况评价方法 |
JP2012172221A (ja) * | 2011-02-23 | 2012-09-10 | Nippon Steel Corp | 高炉操業状態制御システム、操業制御装置、高炉操業状態制御方法およびプログラム |
CN109063358A (zh) * | 2018-08-16 | 2018-12-21 | 马鞍山钢铁股份有限公司 | 一种新型高炉顺行评价的方法 |
CN109685289A (zh) * | 2019-01-21 | 2019-04-26 | 重庆电子工程职业学院 | 高炉炉况顺行预测方法、装置及系统 |
CN111639801A (zh) * | 2020-05-28 | 2020-09-08 | 江苏省沙钢钢铁研究院有限公司 | 高炉炉况的评分方法及系统 |
-
2020
- 2020-10-24 CN CN202011150211.5A patent/CN112287283B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101881955A (zh) * | 2009-05-06 | 2010-11-10 | 鞍钢股份有限公司 | 高炉炉况评价方法 |
JP2012172221A (ja) * | 2011-02-23 | 2012-09-10 | Nippon Steel Corp | 高炉操業状態制御システム、操業制御装置、高炉操業状態制御方法およびプログラム |
CN109063358A (zh) * | 2018-08-16 | 2018-12-21 | 马鞍山钢铁股份有限公司 | 一种新型高炉顺行评价的方法 |
CN109685289A (zh) * | 2019-01-21 | 2019-04-26 | 重庆电子工程职业学院 | 高炉炉况顺行预测方法、装置及系统 |
CN111639801A (zh) * | 2020-05-28 | 2020-09-08 | 江苏省沙钢钢铁研究院有限公司 | 高炉炉况的评分方法及系统 |
Non-Patent Citations (1)
Title |
---|
高炉炉况稳定性评价方法研究;任晓东;《中国知网》;20191231;正文第1.1-1.2、1.5-3.4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112287283A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104630410B (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
Radhakrishnan et al. | Neural networks for the identification and control of blast furnace hot metal quality | |
CN108469180B (zh) | 基于大数据和机器学习的烧结终点预测系统的建立方法 | |
CN108676955A (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
CN102031319B (zh) | 一种高炉铁水含硅量的预报方法 | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
CN111639801B (zh) | 高炉炉况的评分方法及系统 | |
Martín et al. | Hot metal temperature prediction in blast furnace using advanced model based on fuzzy logic tools | |
CN111444942A (zh) | 一种高炉铁水硅含量智能预报方法及系统 | |
CN112465223A (zh) | 一种高炉炉温状态的预测方法 | |
WO2021014782A1 (ja) | 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法 | |
CN104913639A (zh) | 基于数据融合的烧结终点控制系统及控制方法 | |
CN111915080A (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
CN112287283B (zh) | 一种高炉运行状态评价方法、装置及存储介质 | |
CN111798023B (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
CN113420426A (zh) | 一种确定高炉顺行状况的方法、装置、介质及计算机设备 | |
CN111518980A (zh) | 一种转炉终点碳含量预报模型的修正方法和系统 | |
CN114525372B (zh) | 基于多模态融合的高炉状态监测方法及装置 | |
CN115187102A (zh) | 一种基于烧结矿质量预测下的模型评估改进方法 | |
KR20200013143A (ko) | 고로의 용선온도 예측 장치 및 방법 | |
CN117556711B (zh) | 基于神经网络的高炉喷煤优化方法、系统、终端和介质 | |
CN111286570A (zh) | 利用扫描雷达调控异常操作炉型的方法 | |
CN111383723B (zh) | 一种高炉炼铁成分预控方法 | |
JP4311669B2 (ja) | 高炉温度制御システム及び高炉温度制御方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |