CN112347153A - 一种高炉炉墙内型的判断方法、终端设备及存储介质 - Google Patents
一种高炉炉墙内型的判断方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112347153A CN112347153A CN202011145130.6A CN202011145130A CN112347153A CN 112347153 A CN112347153 A CN 112347153A CN 202011145130 A CN202011145130 A CN 202011145130A CN 112347153 A CN112347153 A CN 112347153A
- Authority
- CN
- China
- Prior art keywords
- sample
- furnace wall
- representing
- class
- blast 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种高炉炉墙内型的判断方法、终端设备及存储介质,该方法中包括:S1:采集一段时间内的表征炉墙内型变化的参数值和经济技术指标参数值,提取每个经济技术指标参数值对应的表征炉墙内型变化的参数值并作为一个样本;S2:采用聚类算法对所有样本进行聚类,根据聚类结果确定不同类别的分类标准,并根据每一类别的所有样本对应的所有经济技术指标参数值确定该类别对应的炉墙内型的状态;S3:实时获取当前的表征炉墙内型变化的参数值,通过将其与分类标准进行比较,确定其所属的类别,根据类别确定其所属的炉墙内型的状态。本发明通过聚类算法,得到一种快速、直观地判断当前高炉炉墙内型状态的方法。
Description
技术领域
本发明涉及高炉炼铁领域,尤其涉及一种高炉炉墙内型的判断方法、终端设备及存储介质。
背景技术
高炉的炉墙内型是由高炉的设计内型随着炉衬侵蚀和渣皮变化而演变形成的,是影响高炉稳定顺行和低耗长寿的重要因素。
在实际生产中,由于冷却条件和高炉操作的共同作用,渣皮不断生成和脱落,使得高炉的炉墙内型处于动态变化之中。当高炉的炉墙内型变化频繁时,会影响冷却壁的寿命,不利于高炉长寿;在炉墙变化剧烈的情况下,甚至造成炉凉等操作问题,影响高炉的正常生产。因此,在高炉操作中,需要对炉墙的内型进行实时的监控和分析。
但是,由于高炉的密闭性,很难对高炉的炉墙内型进行直接的检测,因此大部分高炉都是采用间接的检测方法,比如根据冷却壁温度或是冷却水水温差的变化进行判断,但这种方式主要受限于操作人员的水平,也无法直观的体现炉墙内型的状态。
发明内容
为了解决上述问题,本发明提出了一种高炉炉墙内型的判断方法、终端设备及存储介质。
具体方案如下:
一种高炉炉墙内型的判断方法,包括以下步骤:
S1:采集一段时间内的表征炉墙内型变化的参数值和经济技术指标参数值,提取每个经济技术指标参数值对应的表征炉墙内型变化的参数值并作为一个样本;
S2:采用聚类算法对所有样本进行聚类,根据聚类结果确定不同类别的分类标准,并根据每一类别的所有样本对应的所有经济技术指标参数值确定该类别对应的炉墙内型的状态;
S3:实时获取当前的表征炉墙内型变化的参数值,通过将其与分类标准进行比较,确定其所属的类别,根据类别确定其所属的炉墙内型的状态。
进一步的,提取每个经济技术指标参数值对应的表征炉墙内型变化的参数值的方法为:根据经济技术指标参数的采样周期,将采样周期对应的表征炉墙内型变化的每个参数的值设定为其在采样周期内的平均值。
进一步的,提取每个经济技术指标参数值对应的表征炉墙内型变化的参数值之前还包括对采集的所有表征炉墙内型变化的参数值进行滤波处理。
进一步的,将表征炉墙内型变化的参数值作为样本的属性,通过聚类算法对样本的属性进行聚类。
进一步的,聚类前还包括对每个样本的属性进行归一化处理,具体计算公式为:
其中,下标l表示样本的序号,下标p表示样本的第p个属性,Nl,p表示第l个样本的第p个属性的归一化处理结果,xl,p表示第l个样本的第p个属性的值,表示所有样本中第p个属性的平均值,n表示样本的总数,σp表示所有样本中第p个属性的标准差。
进一步的,聚类处理采用AP聚类算法,具体包括以下步骤:
S21:将归属度矩阵和吸引度矩阵的信息初始化设定为0;
S22:更新吸引度矩阵:
其中,i、k均表示样本的序号,k’表示参与竞争的类的代表样本的序号,t表示迭代次数,rt(i,k)表示第t次迭代对应的样本k适合作为样本i的类代表的程度,s(i,k)表示样本i和k的相似度,at(i,k')表示第t次迭代对应的样本i选择样本k’作为其类代表点的程度,rt(i,k')表示第t次迭代对应的样本k’适合作为样本i的类代表的程度,s(i,k')表示样本i和k’的相似度;
S23:更新归属度矩阵:
其中,i’表示选择k为代表样本的其它样本,at+1(i,k)表示第t+1次迭代对应的样本i选择样本k作为其类代表点的程度,rt+1(k,k)表示第t+1次迭代对应的样本k适合作为样本k的类代表的程度,rt+1(i',k)表示第t+1次迭代对应的样本i’适合作为样本k的类代表的程度;
S24:根据衰减系数λ对归属度矩阵和吸引度矩阵进行衰减:
rt+1(i,k)=λ·rt(i,k)+(1-λ)·rt+1(i,k)
at+1(i,k)=λ·at(i,k)+(1-λ)·at+1(i,k)
S25:重复步骤S22-S24,直到收敛或达到最大迭代次数。
进一步的,样本i和k的相似度s(i,k)的计算公式为:
其中,wj表示样本第j个属性的权重,j表示样本属性的个数,xi,j、xk,j分别表示第i个样本的第j个属性和第k个样本的第j个属性。
进一步的,步骤S3中设定实时判断的判断周期,将实时采集的一个判断周期内的表征炉墙内型变化的参数值进行平均处理,将平均处理后的平均值与分类标准进行比较。
一种高炉炉墙内型的判断终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,基于数据挖掘方式对高炉墙内型的状态进行判断,通过对表征高炉炉墙内型状态的历史数据参数值进行挖掘,得到对应各种不同类型炉墙内型状态的分类标准,然后根据当前的参数值与分类标准进行比较,进而判断当前的炉墙内型状态,帮助操作者快速、直观地获取当前炉墙内型的状态;采用自动分类的数据挖掘方法,具有较高的通用性。
附图说明
图1所示为本发明实施例一的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
本发明实施例提供了一种高炉炉墙内型的判断方法,如图1所示,所述方法包括以下步骤:
S1:采集一段时间内的表征炉墙内型变化的参数值和经济技术指标参数值,提取每个经济技术指标参数值对应的表征炉墙内型变化的参数值并作为一个样本。
表征炉墙内型变化的参数包括高炉炉身、炉腰和炉腹中各段冷却壁的温度、各段冷却水的水温差或各段冷却壁的热负荷。该实施例中优选选用各段冷却壁的温度作为表征炉墙内型变化的参数。将表征炉墙内型变化的参数值作为样本的属性,如设定样本的属性包括炉身、炉腰和炉腹的各段冷却壁对应的温度。
经济技术指标参数值为用于判断炉墙内型状态的参数值。经济技术指标包括:焦比、燃料比、高炉利用系数、风温、风量、铁水硅含量、铁水硫含量等,该实施例中优选采用燃料比和高炉利用系数作为主要的判断标准。
由于表征炉墙内型变化的参数值与经济技术指标参数值的变化速率不同,因此采样周期也不相同,为了确保两者相对应,该实施例中提取每个经济技术指标参数值对应的表征炉墙内型变化的参数值的方法为:根据经济技术指标参数的采样周期,将采样周期对应的表征炉墙内型变化的每个参数的值设定为其在采样周期内的平均值。如该实施例中经济技术指标参数的采样周期为一天,则将一天内的表征炉墙内型变化的参数值进行平均处理。
在平均处理的过程中,为了排除数据中的异常点,还需要再平均处理之前对表征炉墙内型变化的参数值进行过滤,过滤的算法可以采用卡尔曼滤波或者3δ法则,在此不做限制。
S2:采用聚类算法对所有样本进行聚类,根据聚类结果确定不同类别的分类标准,并根据每一类别的所有样本对应的所有经济技术指标参数值确定该类别对应的炉墙内型的状态。
聚类的对象为样本的属性,聚类前还包括对每个样本的属性进行归一化处理,具体计算公式为:
其中,下标i表示样本的序号,下标k表示样本的第k个属性,Ni,k表示第i个样本的第k个属性的归一化处理结果,xi,k表示第i个样本的第k个属性的值,表示所有样本中第k个属性的平均值,n表示样本的总数,σk表示所有样本中第k个属性的标准差。
聚类处理可以采用DBSCAN、OPTICS以及AP(Affinity Propagation)聚类算法等,该实施例中优选采用AP聚类算法。AP聚类算法基于因子图理论构造聚类网络模型,将所有样本点看作潜在的聚类代表点而作为网络的节点,通过节点间的信息传递,最终得到最优的类代表集合使得网络相似度最大。与传统聚类算法相比,该方法性能好,效率高,且无需提前设置聚类个数,适用范围更广。
将所有样本记为{1,2,…,n},AP聚类算法将所有样本看作网络中的节点,输入相似度矩阵S={s(i,k)}n×n(i,k=1,2,…,n),通过节点间双向的信息传递直至收敛,最终确定最优的类代表结合,使得网络全局函数最大:
式中,s(i,k)表示样本点i和k的相似度,可用两点的距离来表示,为了考虑不同属性对最终分类结果的影响,在计算中引进权重向量W=(w1,w2,…,wj)进行加权,如下式所示:
其中,wj表示样本第j个属性的权重,j表示样本属性的个数。
fk(C)为一种聚类约束,用来限制没有类代表点的类的产生,如下式所示:
AP聚类算法具体包括以下步骤:
S21:将归属度矩阵和吸引度矩阵的信息初始化设定为0,即:
a(i,k)=0
r(i,k)=0
其中,i、k均表示样本的序号,a(i,k)为归属度,表示样本i选择样本k作为其类代表点的程度;r(i,k)为吸引度,表示样本k适合作为样本i的类代表的程度。
S22:更新吸引度矩阵:
其中,i、k均表示样本的序号,k’表示参与竞争的类的代表样本的序号,t表示迭代次数,rt(i,k)表示第t次迭代对应的样本k适合作为样本i的类代表的程度,s(i,k)表示样本i和k的相似度,at(i,k')表示第t次迭代对应的样本i选择样本k’作为其类代表点的程度,rt(i,k')表示第t次迭代对应的样本k’适合作为样本i的类代表的程度,s(i,k')表示样本i和k’的相似度。
S23:更新归属度矩阵:
其中,i’表示选择k为代表样本的其它样本,at+1(i,k)表示第t+1次迭代对应的样本i选择样本k作为其类代表点的程度,rt+1(k,k)表示第t+1次迭代对应的样本k适合作为样本k的类代表的程度,rt+1(i',k)表示第t+1次迭代对应的样本i’适合作为样本k的类代表的程度。
S24:根据衰减系数λ对归属度矩阵和吸引度矩阵进行衰减:
rt+1(i,k)=λ·rt(i,k)+(1-λ)·rt+1(i,k)
at+1(i,k)=λ·at(i,k)+(1-λ)·at+1(i,k)
S25:重复步骤S22-S24,直到收敛或达到最大迭代次数。
S3:实时获取当前的表征炉墙内型变化的参数值,通过将其与分类标准进行比较,确定其所属的类别,根据类别确定其所属的炉墙内型的状态。
由于表征炉墙内型变化的参数值的变化速度较快,单独一个时刻的参数值可能不能准确的表征炉墙内型的状态,因此该实施例中设定实时判断的判断周期,将实时获取的一个判断周期内的表征炉墙内型变化的参数值进行平均处理,将平均处理后的平均值与分类标准进行比较。如设定判断周期为1小时,将实时采集的1小时的所有参数值进行平均处理。通过上述平均处理可以提升判断的准确性。
本发明实施例一通过新型的AP聚类算法,将表征高炉炉墙内型状态的参数值与高炉的经济技术指标参数值相结合,得到一种快速、直观地判断当前高炉炉墙内型状态的方法。
实施例二:
本发明还提供一种高炉炉墙内型的判断终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述高炉炉墙内型的判断终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述高炉炉墙内型的判断终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述高炉炉墙内型的判断终端设备的组成结构仅仅是高炉炉墙内型的判断终端设备的示例,并不构成对高炉炉墙内型的判断终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述高炉炉墙内型的判断终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述高炉炉墙内型的判断终端设备的控制中心,利用各种接口和线路连接整个高炉炉墙内型的判断终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述高炉炉墙内型的判断终端设备的各种功能。所述存储器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手机的使用所创建的数据等。此外,存储器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,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述高炉炉墙内型的判断终端设备集成的模块/单元如果以软件功能单元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-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (10)
1.一种高炉炉墙内型的判断方法,其特征在于,包括以下步骤:
S1:采集一段时间内的表征炉墙内型变化的参数值和经济技术指标参数值,提取每个经济技术指标参数值对应的表征炉墙内型变化的参数值并作为一个样本;
S2:采用聚类算法对所有样本进行聚类,根据聚类结果确定不同类别的分类标准,并根据每一类别的所有样本对应的所有经济技术指标参数值确定该类别对应的炉墙内型的状态;
S3:实时获取当前的表征炉墙内型变化的参数值,通过将其与分类标准进行比较,确定其所属的类别,根据类别确定其所属的炉墙内型的状态。
2.根据权利要求1所述的高炉炉墙内型的判断方法,其特征在于:提取每个经济技术指标参数值对应的表征炉墙内型变化的参数值的方法为:根据经济技术指标参数的采样周期,将采样周期对应的表征炉墙内型变化的每个参数的值设定为其在采样周期内的平均值。
3.根据权利要求1所述的高炉炉墙内型的判断方法,其特征在于:提取每个经济技术指标参数值对应的表征炉墙内型变化的参数值之前还包括对采集的所有表征炉墙内型变化的参数值进行滤波处理。
4.根据权利要求1所述的高炉炉墙内型的判断方法,其特征在于:将表征炉墙内型变化的参数值作为样本的属性,通过聚类算法对样本的属性进行聚类。
6.根据权利要求1所述的高炉炉墙内型的判断方法,其特征在于:聚类处理采用AP聚类算法,具体包括以下步骤:
S21:将归属度矩阵和吸引度矩阵的信息初始化设定为0;
S22:更新吸引度矩阵:
其中,i、k均表示样本的序号,k’表示参与竞争的类的代表样本的序号,t表示迭代次数,rt(i,k)表示第t次迭代对应的样本k适合作为样本i的类代表的程度,s(i,k)表示样本i和k的相似度,at(i,k')表示第t次迭代对应的样本i选择样本k’作为其类代表点的程度,rt(i,k')表示第t次迭代对应的样本k’适合作为样本i的类代表的程度,s(i,k')表示样本i和k’的相似度;
S23:更新归属度矩阵:
其中,i’表示选择k为代表样本的其它样本,at+1(i,k)表示第t+1次迭代对应的样本i选择样本k作为其类代表点的程度,rt+1(k,k)表示第t+1次迭代对应的样本k适合作为样本k的类代表的程度,rt+1(i',k)表示第t+1次迭代对应的样本i’适合作为样本k的类代表的程度;
S24:根据衰减系数λ对归属度矩阵和吸引度矩阵进行衰减:
rt+1(i,k)=λ·rt(i,k)+(1-λ)·rt+1(i,k)
at+1(i,k)=λ·at(i,k)+(1-λ)·at+1(i,k)
S25:重复步骤S22-S24,直到收敛或达到最大迭代次数。
8.根据权利要求1所述的高炉炉墙内型的判断方法,其特征在于:步骤S3中设定实时判断的判断周期,将实时采集的一个判断周期内的表征炉墙内型变化的参数值进行平均处理,将平均处理后的平均值与分类标准进行比较。
9.一种高炉炉墙内型的判断终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~8中任一所述方法的步骤。
10.一种计算机可读存储介质,所述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1~8中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011145130.6A CN112347153A (zh) | 2020-10-23 | 2020-10-23 | 一种高炉炉墙内型的判断方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011145130.6A CN112347153A (zh) | 2020-10-23 | 2020-10-23 | 一种高炉炉墙内型的判断方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112347153A true CN112347153A (zh) | 2021-02-09 |
Family
ID=74359925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011145130.6A Pending CN112347153A (zh) | 2020-10-23 | 2020-10-23 | 一种高炉炉墙内型的判断方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347153A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987007A (zh) * | 2021-10-12 | 2022-01-28 | 中冶南方工程技术有限公司 | 一种高炉渣皮脱落合并方法、终端设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102925602A (zh) * | 2012-11-22 | 2013-02-13 | 武汉钢铁(集团)公司 | 高炉操作炉型维护方法 |
CN102952912A (zh) * | 2012-12-10 | 2013-03-06 | 武汉钢铁(集团)公司 | 基于专家系统和知识库的高炉冶炼方法和系统 |
CN106203535A (zh) * | 2016-08-02 | 2016-12-07 | 中国地质大学(武汉) | 一种高炉炼铁过程中高炉操作炉型的分类方法 |
CN107622279A (zh) * | 2017-09-05 | 2018-01-23 | 重庆邮电大学 | 高炉内部状态的分类方法 |
CN107619894A (zh) * | 2017-09-05 | 2018-01-23 | 重庆邮电大学 | 一种高炉操作炉型在线管理方法 |
CN109022654A (zh) * | 2018-08-31 | 2018-12-18 | 中国地质大学(武汉) | 基于高炉炉况分类的高炉布料调节方法、设备及存储设备 |
-
2020
- 2020-10-23 CN CN202011145130.6A patent/CN112347153A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102925602A (zh) * | 2012-11-22 | 2013-02-13 | 武汉钢铁(集团)公司 | 高炉操作炉型维护方法 |
CN102952912A (zh) * | 2012-12-10 | 2013-03-06 | 武汉钢铁(集团)公司 | 基于专家系统和知识库的高炉冶炼方法和系统 |
CN106203535A (zh) * | 2016-08-02 | 2016-12-07 | 中国地质大学(武汉) | 一种高炉炼铁过程中高炉操作炉型的分类方法 |
CN107622279A (zh) * | 2017-09-05 | 2018-01-23 | 重庆邮电大学 | 高炉内部状态的分类方法 |
CN107619894A (zh) * | 2017-09-05 | 2018-01-23 | 重庆邮电大学 | 一种高炉操作炉型在线管理方法 |
CN109022654A (zh) * | 2018-08-31 | 2018-12-18 | 中国地质大学(武汉) | 基于高炉炉况分类的高炉布料调节方法、设备及存储设备 |
Non-Patent Citations (1)
Title |
---|
网友: ""AP聚类算法介绍"", 《HTTP://WWW.DOC88.COM/P-239796915955.HTML》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987007A (zh) * | 2021-10-12 | 2022-01-28 | 中冶南方工程技术有限公司 | 一种高炉渣皮脱落合并方法、终端设备及存储介质 |
CN113987007B (zh) * | 2021-10-12 | 2023-11-21 | 中冶南方工程技术有限公司 | 一种高炉渣皮脱落合并方法、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6881428B2 (ja) | 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム | |
CN112946484B (zh) | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 | |
CN111915080B (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
CN114611844A (zh) | 一种转炉出钢过程合金加入量的确定方法和系统 | |
CN112232429A (zh) | 一种高炉整体状态的判断方法、终端设备及存储介质 | |
CN112347153A (zh) | 一种高炉炉墙内型的判断方法、终端设备及存储介质 | |
CN114742481A (zh) | 一种基于成分的特钢性能评估方法及系统 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN114116828A (zh) | 多维网络指标的关联规则分析方法、设备和存储介质 | |
CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组系统 | |
CN115166561A (zh) | 一种基于cnn-gru组合神经网络的锂电池寿命预测方法 | |
CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN111505944B (zh) | 节能控制策略学习方法、实现空调节能控制的方法及装置 | |
Krithikaa et al. | Differential evolution with an ensemble of low-quality surrogates for expensive optimization problems | |
CN117170979B (zh) | 一种大规模设备的能耗数据处理方法、系统、设备及介质 | |
CN110887652B (zh) | 加速度计的振动探测与位移提取的交互多模型检测方法 | |
CN113408622A (zh) | 计及特征量信息表达差异的非侵入式负荷辨识方法及系统 | |
CN116662893A (zh) | 一种基于改进的樽海鞘算法优化svm的水质预测方法 | |
CN113988670A (zh) | 综合性企业信用风险预警方法及系统 | |
CN113591367A (zh) | 电力系统暂态稳定智能评估模型的可靠性评估方法及系统 | |
CN111007418B (zh) | 一种的锂电池剩余寿命预测方法 | |
Xu et al. | Prediction of outlet pressure for sulfur dioxide blower based on ARX model and adaptive Kalman filter | |
Li et al. | Prediction of pareto dominance using an attribute tendency model for expensive multi-objective optimization | |
CN114881492B (zh) | 自动提取高炉绩优操作标准的方法、装置及电子设备 | |
CN114658631B (zh) | 基于人工智能的提升压缩机cop的喷液调节方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |