CN113779754A - 高炉影响因素的分析方法及系统、电子设备、计算机可读存储介质 - Google Patents
高炉影响因素的分析方法及系统、电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN113779754A CN113779754A CN202110878991.3A CN202110878991A CN113779754A CN 113779754 A CN113779754 A CN 113779754A CN 202110878991 A CN202110878991 A CN 202110878991A CN 113779754 A CN113779754 A CN 113779754A
- Authority
- CN
- China
- Prior art keywords
- adjustment parameter
- variable
- variables
- independent
- dependent variable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001419 dependent effect Effects 0.000 claims abstract description 156
- 230000001364 causal effect Effects 0.000 claims abstract description 32
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000000556 factor analysis Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 26
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 26
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 8
- 239000008188 pellet Substances 0.000 description 8
- 239000002893 slag Substances 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 229910052742 iron Inorganic materials 0.000 description 6
- 239000000446 fuel Substances 0.000 description 5
- 239000003034 coal gas Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 239000000571 coke Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052681 coesite Inorganic materials 0.000 description 1
- 229910052906 cristobalite Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 229910052682 stishovite Inorganic materials 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052905 tridymite Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Manufacturing & Machinery (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明提供了一种高炉影响因素的分析方法及分析系统、电子设备和计算机可读存储介质，高炉影响因素的分析方法包括：基于因果关系和/或包含关系对影响高炉的变量进行分类，确定因变量Y、与所述因变量Y相对应的至少一个自变量X；基于因变量Y对每一自变量X，在预设时间段内进行单因素相关性分析，求解相关性系数R，其中，
Cov(X,Y)为X、Y的协方差，Var[X]、Var[Y]分别为X、Y的方差；对基于因变量Y和与其对应的若干自变量X1……N计算得到的R1……N,按照相关性系数R1……N绝对值的大小进行排序，取前N名中的自变量X1……N中的至少一个作为调整参数。该方法能够选择调整因素，从而可以对高炉进行实时有效地调整。
Description
技术领域
本发明属于冶炼高炉控制技术领域，涉及一种适用于对影响高炉的众多变量进行分析的高炉影响因素的分析方法及分析系统、可以执行前述方法的电子设备和计算机可读存储介质。
背景技术
高炉炼铁生产过程连续，影响因素众多，从原料到铁水，各种检测、化验数据数以万计；各个变量之间存在着时间滞后、相互影响、互为因果的特点；另外，不同阶段的高炉生产的表现也不一样，主要影响因素也不一样，如何利用科学的方法，对大量的数据进行分析，并快速分析出制约当前高炉生产的关键因素并加以改善尤为重要。
现有技术中，无法对高炉生产影响的众多因素进行实时有效的分析并指导生产，造成大量数据资源的浪费。
发明内容
为了解决上述技术问题之一，本发明的目的在于提供一种适用于对影响高炉的众多变量进行分析的高炉影响因素的分析方法及分析系统、可以执行前述方法的电子设备和计算机可读存储介质。
为实现上述目的之一，本发明采用如下技术方案：
一种高炉影响因素的分析方法，包括：
基于因果关系和/或包含关系对影响高炉的变量进行分类，确定因变量Y、与所述因变量Y相对应的至少一个自变量X；
基于因变量Y对每一自变量X，在预设时间段内进行单因素相关性分析，求解相关性系数R，其中，
Cov(X,Y)为X、Y的协方差，Var[X]、 Var[Y]分别为X、Y的方差；
对基于因变量Y和与其对应的若干自变量X1......N计算得到的R1......N,按照相关性系数R1……N绝对值的大小进行排序，取前N名中的自变量X1......N中的至少一个作为调整参数。
进一步地，构成强因果关系的若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X。
进一步地，构成包含关系的若干变量中的任意一个变量选定为目标因变量Y 时，其他几个变量均不能选择为该目标因变量Y的自变量X。
进一步地，还包括对与所述因变量Y相对应的若干自变量X进行包含关系处理，若干自变量X为包含关系变量时，仅选择其中任意一个作为自变量X。
进一步地，还包括对所述因变量Y及与其相对应的若干自变量X进行弱因果关系排除，判断自变量X对高炉影响的占比是否超过阈值X0，若是，则选为因变量Y的自变量X，若否则排除该自变量X。
进一步地，还包括对所述因变量Y及与其相对应的若干自变量X进行时间滞后的处理，对自变量X的参数获取时间与高炉运行时间进行匹配。
进一步地，所述高炉影响因素的分析方法还包括：选取若干因变量Y，针对每一因变量Y与其对应的若干自变量X1……N计算R1……N，并按照相关性系数 R1……N绝对值的大小进行排序，取前N名作为备选调整参数集；
选择出现在至少两个因变量Y的备选调整参数集中且相关性系数R1……N绝对值排在前M的自变量X作为调整参数集，M小于N。
进一步地，属于备选调整参数集的数量越多，调整参数在调整参数集中的排名越靠前。
进一步地，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前。
进一步地，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和也相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前。
进一步地，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前。
进一步地，在所有的备选调整参数集的排名之和相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前。
一种高炉影响因素的分析系统，包括：
变量确定模块，基于因果关系和/或包含关系对影响高炉的变量进行分类，确定因变量Y、与所述因变量Y相对应的至少一个自变量X；
相关性分析分析模块，用于基于因变量Y对每一自变量X，在预设时间段内进行单因素相关性分析，求解相关性系数R，其中，
Cov(X,Y) 为X、Y的协方差，Var[X]、Var[Y]分别为X、Y的方差；
调整参数确定模块，用于对基于因变量Y和若干自变量X1……N计算得到的R1……N,按照相关性系数R1……N绝对值的大小进行排序，取前N名中的自变量X1……N中的至少一个作为调整参数。
进一步地，所述变量确定模块包括：
强因果关系变量确定模块，用于在若干变量为强因果关系变量时确定因变量Y的自变量X，若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X；
包含关系变量确定模块，用于在若干变量为包含关系变量时确定因变量Y 的自变量X，若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X。
进一步地，所述变量确定模块还包括自变量内部关系处理模块，所述自变量内部关系处理模块包括：
包含关系处理模块，用于对与所述因变量Y相对应的若干自变量X进行包含关系处理，若干自变量X为包含关系变量时，仅选择其中任意一个作为自变量X；
和/或，弱因果关系排除模块，用于对所述因变量Y及与其相对应的若干自变量X进行弱因果关系排除，判断自变量X对高炉影响的占比是否超过阈值X0，若是，则选为因变量Y的自变量X，若否则排除该自变量X；
和/或，时间滞后处理模块，用以对所述因变量Y及与其相对应的若干自变量X进行时间滞后的处理，对自变量X的参数获取时间与高炉运行时间进行匹配。
进一步地，所述高炉影响因素的分析系统还包括：
备选调整参数集确定模块，用于选取若干因变量Y，针对每一因变量Y与其对应的若干自变量X1……N计算R1……N，并按照相关性系数R1......N绝对值的大小进行排序，取前N名作为备选调整参数集；
调整参数集确定模块，用于选择出现在至少两个因变量Y的备选调整参数集中且相关性系数R1......N绝对值排在前M的自变量X作为调整参数集，M小于N。
进一步地，所述高炉影响因素的分析系统还包括调整参数排序模块，用以对调整参数集的调整参数进行排名，其中属于备选调整参数集的数量越多，调整参数在调整参数集中的排名越靠前；或，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前；或，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和也相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前；或，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前；或，在所有的备选调整参数集的排名之和相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前。
一种电子设备，包括存储器和处理器，所述存储器存储有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程序时实现所述的高炉影响因素的分析方法中的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的高炉影响因素的分析方法中的步骤。
与现有技术相比，本发明的有益效果在于：基于因果关系和/或包含关系对影响高炉的变量进行分类，确定因变量Y、与所述因变量Y相对应的至少一个自变量X；并通过求解因变量Y与自变量X的相关性系数R，并根据相关系数 R的排名选择调整因素，从而可以对高炉进行实时有效地调整。
附图说明
图1是本发明相关性分析的网络构架图；
图2是强因果关系示意图；
图3是包含关系示意图；
图4是本发明分别以压差、煤气利用率、炉温为因变量的若干自变量的相关系数绝对值排名。
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。
相关性分析是研究两个或两个以上随机变量间的相关关系的统计分析方法，具有快速发现变量之间关系的特点，而事实往往是复杂的。发明人研究发现：统计数据有较好相关性并不意味着两个变量具有因果联系，或者两个变量之间相关性较好，但之间具有微弱的因果关系；尤其在高炉领域，这种现象变现得尤为明显。
发明人经过多番研究、测试和验证后，基于相关性分析和因果分析提出了一种适用于对影响高炉的众多变量进行分析的高炉影响因素的分析方法及分析系统，旨在解决高炉内多变量、大时滞、互为因果的问题，快速分析出制约当前高炉生产的关键影响因素，以便加以改善。
如图1所示，本发明基于相关性分析的网络构架图，通过铁口信息录入、若干高炉传感器、入炉原料检化验、渣铁成分检化验获得影响高炉的因素参数，并对这些参数进行分析，从而选择出影响当前高炉运行的关键因素，以便快速实施整改。
所述的高炉影响因素的分析方法包括如下步骤：
S1基于因果关系和/或包含关系对影响高炉的变量进行分类，确定因变量Y、与所述因变量Y相对应的至少一个自变量X；也可以理解为：当选定了一个因变量Y时，基于因果关系和/或包含关系选择其他的变量作为自变量X。
S2基于因变量Y对每一自变量X，在预设时间段内进行单因素相关性分析，求解相关性系数R，其中，
Cov(X,Y)为X、Y的协方差，Var[X]、 Var[Y]分别为X、Y的方差；
S3对基于因变量Y和与其对应的若干自变量X1......N计算得到的R1......N,R1......N为正代表正相关，R1......N为负代表负相关，按照相关性系数R1......N绝对值的大小进行排序，取前N名中的自变量X1......N中的至少一个作为调整参数。
其中，S1、S2、S3及其下文用到的编号皆是为描述方便所做的编号。
步骤S1中，选定因变量Y和自变量X的方法包括但大不限于：
一类实施例中，若干变量为强因果关系变量时，若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X。如图2所示，当A因素同时导致B、C和D因素有确定的变化方向，则当其中任意一个因素确定为因变量时，其他因素都不能选择为其自变量。
在高炉领域存在很多这样的强因果关系，这些强因果关系为高炉炼铁领域技术人员熟知的显现，如一个变量发生变化了，另一个变量必定会发生相应变化，这些参数通常都会在炉体运行时根据经验去调整。
一实施例中，如高炉运行不佳时，产量低、燃耗高，表现为利用率低、压差升高。在这种情况下，当产量、燃料比、利用率、压差中任意一个因素为因变量时，其他几个因素都不能成为其自变量。具体地，当产量为因变量Y时，燃料比、利用率、压差均不能作为其自变量。
另一具体实施例中：当产量为因变量Y时，矿批、富氧、料速均不能作为其自变量。
再一实施例中：在日常操作中，当压差高时通常会通过减风减氧控压差，因此当压差为因变量Y时，风量、富氧均不能作为其自变量。
另一类实施例中，若干变量为包含关系变量时，若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X。如图3所示，A由B、C、D计算得到时，则当A、B、C、D任意一个被选择为因变量时，其他几个参数都不能作为其自变量。
在高炉领域存在很多这样的包含关系，如压差由风压和顶压计算得到，则当压差、顶压或风压中任意一个因素为因变量时，其他几个因素都不能成为其自变量。一具体实施例中，当压差选择为因变量后，顶压和风压不能被选择为自变量。
另一具体实施例中，富氧率由富氧量和风量计算得到，则当富氧率、富氧量和风量中的任意一个因素为因变量Y时，其他几个因素都不能成为其自变量 X。
再一具体实施例中，鼓风湿度由大气湿度、蒸汽量、风量计算得到，则当鼓风湿度、大气湿度、蒸汽量及风量的任意一个为因变量Y时，其他几个因素都不能成为其自变量X。
进一步地，基于上述方法，选择了因变量Y和与其对应的若干自变量X时，还需要对若干自变量X内部关系进行处理。
具体地，所述高炉影响因素的分析方法还包括对与所述因变量Y相对应的若干自变量X进行包含关系处理，若干自变量X为包含关系变量时，仅选择其中任意一个作为自变量X。例如图3中为包含关系的A、B、C、D根据上述方法选为同一因变量Y的自变量时，仅保留其中一个作为自变量，其他则删除。
或，所述高炉影响因素的分析方法还包括对所述因变量Y及与其相对应的若干自变量X进行弱因果关系排除，判断自变量X对高炉影响的占比是否超过阈值X0，若是，则选为因变量Y的自变量X，若否则排除该自变量X。
弱因果关系指对本身含量很小，自身变化值又小，对炉况影响很小的变量，即使和因变量在数学上有较强相关性，也需要排除。具体地，当某自变量X和因变量Y之间存在较强的相关性，但该自变量X本身所占份额不大对高炉生产影响较小，只是变化趋势和因变量Y相同，则需要设定阈值X0，当自身的变化超过阈值X0时，才能选择为自变量。
例如，对球团、块矿的Al2O3，SiO2等成分变化超过设定阈值X0才能选择为自变量X。
另一实施例中，如铁水中的P含量和产量呈较高的相关性，通常铁水中P 元素在高炉内部没有什么转移，基本是原料带进来多少全都进入高炉铁水里，也不会影响高炉炉况，只会影响下游钢水，因此对于含量来讲，就可以排除这个因素。
再一实施例中，高炉主要的主要燃料为焦炭，约占70％，次要燃料为煤粉约占30％，在煤粉中含有约2％的提质焦，如果发现提质焦的热质变化和铁水产量有较高相关性，而热质本身的变化量很小，如最小值和最大值之间只有10％以内的差别，则基本可以排除掉。
进一步地，发明人发现：原料在进入炉体的前后要进行很多项检测，检测包括物理检测、化学检测等，这些检测需要的时间不等；并且通常目前在高炉里的原料是前一天的炉料。因此，所述高炉影响因素的分析方法还包括对所述因变量Y及与其相对应的若干自变量X进行时间滞后的处理，对自变量X的参数获取时间与高炉运行时间进行匹配，选择与位于运行的高炉内的炉料对应的检测参数作为自变量X的参数，而不是把高炉运行当下检测到的直接数据作为自变量X的参数。
进一步地，所述高炉影响因素的分析方法还包括：选取若干因变量Y，针对每一因变量Y与其对应的若干自变量X1......N计算R1......N，并按照相关性系数 R1……N绝对值的大小进行排序，各自取前N名作为备选调整参数集；选择出现在至少两个因变量Y的备选调整参数集中的自变量X作为调整参数集。
优选地，相关性系数R1……N绝对值排在每一备选调整参数集的前M，M小于 N。一实施例中，所述N小于等于15,例如14、或13、或12、或11、或10、或 9、或8等，所述M为12、或11、或10、或9、或8、或7、或6、或5、或4、或3、或2、或1。
进一步地，所述高炉影响因素的分析方法还包括基于对高炉的影响大小对调整参数集中的若干参数进行排名，排名越靠前对高炉运行的影响越大，然后按照排名前后顺序进行调整。例如考图4所示，分别以压差、煤气利用率、炉温作为因变量Y，基于上述方法选择自变量X，并对若干自变量X按照相关系数R的绝对值大小排序，各取前10名。
一实施例中，属于备选调整参数集的数量越多，调整参数在调整参数集中的排名越靠前。一个调整参数同时出现在3个备选调整参数集中，也即其对3 个因变量Y的影响都在前N名，则其比仅出现在2个或1个备选调整参数集中的调整参数排名靠前。例如图4所示，以压差、煤气利用率、炉温作为因变量Y 的3个备选调整参数集中的参数为例，边缘符合、风量均出现在3个参数集中；但倾角C01、球团比例、渣比仅出现在2个备选调整参数集中，因此，边缘符合、风量会排在倾角C01、球团比例、渣比前，优先进行调整。
进一步地，属于备选调整参数集的数量相同时，在所有的备选调整参数集的排名之和越小的调整参数对给因变量Y的影响越大，则其在调整参数集中的排名越靠前。例如图4所示的，倾角C01、球团比例、渣比均出现在2个备选调整参数集中，球团比例在以煤气利用率、炉温为因变量Y的备选调整参数集中的排名分别为2、5，排名之和为7；倾角C01在以压差、炉温为因变量Y的备选调整参数集中的排名分别为2、6，排名之和为8；渣比在以煤气利用率、炉温为因变量Y的备选调整参数集中的排名分别为4、8，排名之和为12；则三个参数的前后排名顺序为：球团比例、倾角C01、渣比。
进一步地，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和也相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前。例如图4所示的，边缘负荷在以压差、煤气利用率、炉温为因变量Y的备选调整参数集中的排名分别为4、1、1，排名之和为6；风量在以压差、煤气利用率、炉温为因变量Y的备选调整参数集中的排名分别为 1、3、2，排名之和也为6；两者的排名之和均为6，但是边缘符合在两个备选调整参数集中排在第一位，对煤气利用率、炉温的影响显著，且对压差的影响也不小，因此边缘符合排在风量前，优先调节该参数。
另一类实施例中，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前。计算排名之和时，若某参数未出现在其中一个备选调整参数集的前N名中，则默其在该备选调整参数集中给的排名为N+n，n 为大于1的整数。例如图4所示的，以N为11，n为1为例，球团比例在以压差、煤气利用率、炉温为因变量Y的备选调整参数集中的排名分别为12、2、5，排名之和为19；倾角C01在以压差、煤气利用率、炉温为因变量Y的备选调整参数集中的排名分别为2、12、6，排名之和为20；渣比在以压差、煤气利用率、炉温为因变量Y的备选调整参数集中的排名分别为12、4、8，排名之和为24；则三个参数的前后排名顺序为：球团比例、倾角C01、渣比。
进一步地，在所有的备选调整参数集的排名之和相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前。例如图4所示的，边缘负荷和风量的排名之和均为6，但是边缘符合在两个备选调整参数集中排在第一位，因此边缘符合排在风量前，优先调节该参数。
本发明还提供一种高炉影响因素的分析系统，包括：
变量确定模块，基于因果关系和/或包含关系对影响高炉的变量进行分类，确定因变量Y、与所述因变量Y相对应的至少一个自变量X；
相关性分析分析模块，用于基于因变量Y对每一自变量X，在预设时间段内进行单因素相关性分析，求解相关性系数R，其中，
Cov(X,Y) 为X、Y的协方差，Var[X]、Var[Y]分别为X、Y的方差；
调整参数确定模块，用于对基于因变量Y和若干自变量X1……N计算得到的 R1……N,按照相关性系数R1……N绝对值的大小进行排序，取前N名中的自变量X1……N中的至少一个作为调整参数。
所述变量确定模块包括强因果关系变量确定模块和/或包含关系变量确定模块。
其中，所述强因果关系变量确定模块用于在若干变量为强因果关系变量时确定因变量Y的自变量X，若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X。
所述包含关系变量确定模块用于在若干变量为包含关系变量时确定因变量 Y的自变量X，若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X。
进一步地，所述变量确定模块还包括自变量内部关系处理模块，所述自变量内部关系处理模块包括包含关系处理模块、和/或弱因果关系排除模块、和/或时间滞后处理模块。
所述包含关系处理模块用于对与所述因变量Y相对应的若干自变量X进行包含关系处理，若干自变量X为包含关系变量时，仅选择其中任意一个作为自变量X；
所述弱因果关系排除模块用于对所述因变量Y及与其相对应的若干自变量 X进行弱因果关系排除，判断自变量X对高炉影响的占比是否超过阈值X0，若是，则选为因变量Y的自变量X，若否则排除该自变量X；
所述时间滞后处理模块用以对所述因变量Y及与其相对应的若干自变量X 进行时间滞后的处理，对自变量X的参数获取时间与高炉运行时间进行匹配。
所述高炉影响因素的分析系统还包括备选调整参数集确定模块和调整参数集确定模块。
所述备选调整参数集确定模块用于选取若干因变量Y，针对每一因变量Y 与其对应的若干自变量X1……N计算R1……N，并按照相关性系数R1……N绝对值的大小进行排序，取前N名作为备选调整参数集。所述调整参数集确定模块，用于选择出现在至少两个因变量Y的备选调整参数集中且相关性系数R1……N绝对值排在前M的自变量X作为调整参数集，M小于N。N与M的竖直参考上述描述，于此不再赘述。
进一步地，所述高炉影响因素的分析系统还包括调整参数排序模块，用以对调整参数集的调整参数进行排名，其中属于备选调整参数集的数量越多，调整参数在调整参数集中的排名越靠前；或，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前；或，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和也相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前；或，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前；或，在所有的备选调整参数集的排名之和相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器存储有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程序时实现所述的高炉影响因素的分析方法中的步骤。
本发明还提供计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的高炉影响因素的分析方法中的步骤。
综上所述，本发明基于因果关系和/或包含关系对影响高炉的变量进行分类，确定因变量Y、与所述因变量Y相对应的至少一个自变量X；并通过求解因变量Y与自变量X的相关性系数R，并根据相关系数R的排名选择调整因素，从而可以对高炉进行实时有效地调整。
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 (19)
1.一种高炉影响因素的分析方法，其特征在于，包括：
基于因果关系和/或包含关系对影响高炉的变量进行分类，确定因变量Y、与所述因变量Y相对应的至少一个自变量X；
基于因变量Y对每一自变量X，在预设时间段内进行单因素相关性分析，求解相关性系数R，其中，
Cov(X,Y)为X、Y的协方差，Var[X]、Var[Y]分别为X、Y的方差；
对基于因变量Y和与其对应的若干自变量X1……N计算得到的R1……N,按照相关性系数R1……N绝对值的大小进行排序，取前N名中的自变量X1……N中的至少一个作为调整参数。
2.根据权利要求1所述的高炉影响因素的分析方法，其特征在于，构成强因果关系的若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X。
3.根据权利要求1所述的高炉影响因素的分析方法，其特征在于，构成包含关系的若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X。
4.根据权利要求1～3任意一项所述的高炉影响因素的分析方法，其特征在于，还包括对与所述因变量Y相对应的若干自变量X进行包含关系处理，若干自变量X为包含关系变量时，仅选择其中任意一个作为自变量X。
5.根据权利要求1～3任意一项所述的高炉影响因素的分析方法，其特征在于，还包括对所述因变量Y及与其相对应的若干自变量X进行弱因果关系排除，判断自变量X对高炉影响的占比是否超过阈值X0，若是，则选为因变量Y的自变量X，若否则排除该自变量X。
6.根据权利要求1～3任意一项所述的高炉影响因素的分析方法，其特征在于，还包括对所述因变量Y及与其相对应的若干自变量X进行时间滞后的处理，对自变量X的参数获取时间与高炉运行时间进行匹配。
7.根据权利要求1所述的高炉影响因素的分析方法，其特征在于，所述高炉影响因素的分析方法还包括：选取若干因变量Y，针对每一因变量Y与其对应的若干自变量X1……N计算R1……N，并按照相关性系数R1……N绝对值的大小进行排序，取前N名作为备选调整参数集；
选择出现在至少两个因变量Y的备选调整参数集中且相关性系数R1……N绝对值排在前M的自变量X作为调整参数集，M小于N。
8.根据权利要求7所述的高炉影响因素的分析方法，其特征在于，属于备选调整参数集的数量越多，调整参数在调整参数集中的排名越靠前。
9.根据权利要求8所述的高炉影响因素的分析方法，其特征在于，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前。
10.根据权利要求9所述的高炉影响因素的分析方法，其特征在于，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和也相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前。
11.根据权利要求7所述的高炉影响因素的分析方法，其特征在于，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前。
12.根据权利要求7所述的高炉影响因素的分析方法，其特征在于，在所有的备选调整参数集的排名之和相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前。
13.一种高炉影响因素的分析系统，其特征在于，包括：
变量确定模块，基于因果关系和/或包含关系对影响高炉的变量进行分类，确定因变量Y、与所述因变量Y相对应的至少一个自变量X；
相关性分析分析模块，用于基于因变量Y对每一自变量X，在预设时间段内进行单因素相关性分析，求解相关性系数R，其中，
Cov(X,Y)为X、Y的协方差，Var[X]、Var[Y]分别为X、Y的方差；
调整参数确定模块，用于对基于因变量Y和若干自变量X1……N计算得到的R1……N,按照相关性系数R1……N绝对值的大小进行排序，取前N名中的自变量X1……N中的至少一个作为调整参数。
14.根据权利要求13所述的高炉影响因素的分析系统，其特征在于，所述变量确定模块包括：
强因果关系变量确定模块，用于在若干变量为强因果关系变量时确定因变量Y的自变量X，若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X；
包含关系变量确定模块，用于在若干变量为包含关系变量时确定因变量Y的自变量X，若干变量中的任意一个变量选定为目标因变量Y时，其他几个变量均不能选择为该目标因变量Y的自变量X。
15.根据权利要求13或14所述的高炉影响因素的分析系统，其特征在于，所述变量确定模块还包括自变量内部关系处理模块，所述自变量内部关系处理模块包括：
包含关系处理模块，用于对与所述因变量Y相对应的若干自变量X进行包含关系处理，若干自变量X为包含关系变量时，仅选择其中任意一个作为自变量X；
和/或，弱因果关系排除模块，用于对所述因变量Y及与其相对应的若干自变量X进行弱因果关系排除，判断自变量X对高炉影响的占比是否超过阈值X0，若是，则选为因变量Y的自变量X，若否则排除该自变量X；
和/或，时间滞后处理模块，用以对所述因变量Y及与其相对应的若干自变量X进行时间滞后的处理，对自变量X的参数获取时间与高炉运行时间进行匹配。
16.根据权利要求13所述的高炉影响因素的分析系统，其特征在于，所述高炉影响因素的分析系统还包括：
备选调整参数集确定模块，用于选取若干因变量Y，针对每一因变量Y与其对应的若干自变量X1……N计算R1……N，并按照相关性系数R1……N绝对值的大小进行排序，取前N名作为备选调整参数集；
调整参数集确定模块，用于选择出现在至少两个因变量Y的备选调整参数集中且相关性系数R1……N绝对值排在前M的自变量X作为调整参数集，M小于N。
17.根据权利要求16所述的高炉影响因素的分析系统，其特征在于，所述高炉影响因素的分析系统还包括调整参数排序模块，用以对调整参数集的调整参数进行排名，其中
属于备选调整参数集的数量越多，调整参数在调整参数集中的排名越靠前；
或，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前；
或，属于备选调整参数集的数量相同，在所有的备选调整参数集的排名之和也相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前；
或，在所有的备选调整参数集的排名之和越小的调整参数在调整参数集中的排名越靠前；
或，在所有的备选调整参数集的排名之和相同，则在所述备选调整参数集中的排名越靠前的调整参数在调整参数集中的排名越靠前。
18.一种电子设备，包括存储器和处理器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1～12任意一项所述的高炉影响因素的分析方法中的步骤。
19.一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，所述计算机程序被处理器执行时实现权利要求1～12任意一项所述的高炉影响因素的分析方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110878991.3A CN113779754A (zh) | 2021-08-02 | 2021-08-02 | 高炉影响因素的分析方法及系统、电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110878991.3A CN113779754A (zh) | 2021-08-02 | 2021-08-02 | 高炉影响因素的分析方法及系统、电子设备、计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113779754A true CN113779754A (zh) | 2021-12-10 |
Family
ID=78836425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110878991.3A Pending CN113779754A (zh) | 2021-08-02 | 2021-08-02 | 高炉影响因素的分析方法及系统、电子设备、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113779754A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235533A (zh) * | 2023-11-10 | 2023-12-15 | 腾讯科技（深圳）有限公司 | 对象变量分析方法、装置、计算机设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413052A (zh) * | 2013-08-21 | 2013-11-27 | 华北电力大学 | 基于相关性分析的火电厂过程稳态建模变量筛选方法 |
| CN104239722A (zh) * | 2014-09-18 | 2014-12-24 | 山东大学 | 一种基于因素间相关关系识别的预测方法 |
| 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 |
| CN108762201A (zh) * | 2018-04-18 | 2018-11-06 | 南京工业大学 | 一种基于Pearson相关性的大系统图论分解方法 |
| CN109543144A (zh) * | 2018-11-14 | 2019-03-29 | 河海大学常州校区 | 基于主基底分析法的疏浚产量或能耗工艺参量筛选方法 |
| CN110378064A (zh) * | 2019-07-29 | 2019-10-25 | 安徽工业大学 | 一种预测炼铁高炉炉芯死料柱温度的方法 |
| CN112149903A (zh) * | 2020-09-22 | 2020-12-29 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于bp神经网络算法的火电机组一次调频分析与优化方法 |
| CN112417764A (zh) * | 2020-12-01 | 2021-02-26 | 江苏省特种设备安全监督检验研究院 | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 |
-
2021
- 2021-08-02 CN CN202110878991.3A patent/CN113779754A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413052A (zh) * | 2013-08-21 | 2013-11-27 | 华北电力大学 | 基于相关性分析的火电厂过程稳态建模变量筛选方法 |
| CN104239722A (zh) * | 2014-09-18 | 2014-12-24 | 山东大学 | 一种基于因素间相关关系识别的预测方法 |
| 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 |
| CN108762201A (zh) * | 2018-04-18 | 2018-11-06 | 南京工业大学 | 一种基于Pearson相关性的大系统图论分解方法 |
| CN109543144A (zh) * | 2018-11-14 | 2019-03-29 | 河海大学常州校区 | 基于主基底分析法的疏浚产量或能耗工艺参量筛选方法 |
| CN110378064A (zh) * | 2019-07-29 | 2019-10-25 | 安徽工业大学 | 一种预测炼铁高炉炉芯死料柱温度的方法 |
| CN112149903A (zh) * | 2020-09-22 | 2020-12-29 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于bp神经网络算法的火电机组一次调频分析与优化方法 |
| CN112417764A (zh) * | 2020-12-01 | 2021-02-26 | 江苏省特种设备安全监督检验研究院 | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 严其艳;刘勇求;: "高炉数据相关性分析", 企业技术开发, no. 22, pages 74 - 75 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235533A (zh) * | 2023-11-10 | 2023-12-15 | 腾讯科技（深圳）有限公司 | 对象变量分析方法、装置、计算机设备和存储介质 |
| CN117235533B (zh) * | 2023-11-10 | 2024-03-01 | 腾讯科技（深圳）有限公司 | 对象变量分析方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Data-driven monitoring and diagnosing of abnormal furnace conditions in blast furnace ironmaking: An integrated PCA-ICA method | |
| CN102952912A (zh) | 基于专家系统和知识库的高炉冶炼方法和系统 | |
| CN113779754A (zh) | 高炉影响因素的分析方法及系统、电子设备、计算机可读存储介质 | |
| CN110245850A (zh) | 一种考虑时序的烧结过程工况识别方法及系统 | |
| CN111915080A (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
| CN116502769A (zh) | 高炉炉况的评分方法与系统 | |
| CN112465223A (zh) | 一种高炉炉温状态的预测方法 | |
| CN113160899A (zh) | 一种基于nsga-ii算法的烧结配料多目标优化方法 | |
| CN101555546B (zh) | 一种烧结原料的配比调整方法 | |
| Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
| CN114341879A (zh) | 学习模型生成方法、学习模型生成装置、高炉的铁液温度控制方法、高炉的铁液温度控制指导方法及铁液的制造方法 | |
| CN111798023B (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
| CN112232429A (zh) | 一种高炉整体状态的判断方法、终端设备及存储介质 | |
| CN111270028B (zh) | 高炉干熄焦转湿熄焦的应对方法和应对系统 | |
| CN115359851A (zh) | 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法 | |
| Yue et al. | Study on prediction model of blast furnace hot metal temperature | |
| Ryabchikov | Metallurgical agglomerate quality management with the account of its impact on the blast-furnace process efficiency | |
| JPS61508A (ja) | 高炉操業法 | |
| Li et al. | Long short-term memory based on random forest-recursive feature eliminated for hot metal silcion content prediction of blast furnace | |
| CN112347153A (zh) | 一种高炉炉墙内型的判断方法、终端设备及存储介质 | |
| CN108009343A (zh) | 一种高炉co利用率影响因素分析方法及系统 | |
| Wang et al. | On feature selection and blast furnace temperature tendency prediction in hot metal based on SVM-RFE | |
| CN111680715B (zh) | 考虑类别不平衡的回转窑烧结状态识别方法 | |
| CN112287283B (zh) | 一种高炉运行状态评价方法、装置及存储介质 | |
| Li | Hybrid Soft-Sensing Model of Tuyere Raceway Temperature Based on Improved RBF Network |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 215624 Jinfeng Town, Zhangjiagang City, Suzhou City, Jiangsu Province Applicant after: Jiangsu Shagang Steel Co.,Ltd. Applicant after: INSTITUTE OF RESEARCH OF IRON & STEEL,SHAGANG,JIANGSU PROVINCE Address before: 215624 Jinfeng Town, Zhangjiagang City, Suzhou City, Jiangsu Province Applicant before: ZHANGJIAGANG HONGCHANG STEEL PLATE Co.,Ltd. Country or region before: China Applicant before: INSTITUTE OF RESEARCH OF IRON & STEEL,SHAGANG,JIANGSU PROVINCE |