CN114777485B - 一种基于大数据的在线智能监测烧结漏风方法 - Google Patents
一种基于大数据的在线智能监测烧结漏风方法 Download PDFInfo
- Publication number
- CN114777485B CN114777485B CN202210410812.8A CN202210410812A CN114777485B CN 114777485 B CN114777485 B CN 114777485B CN 202210410812 A CN202210410812 A CN 202210410812A CN 114777485 B CN114777485 B CN 114777485B
- Authority
- CN
- China
- Prior art keywords
- air leakage
- sintering
- data
- flue gas
- oxygen content
- 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
- 238000005245 sintering Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 239000001301 oxygen Substances 0.000 claims abstract description 117
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 117
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 116
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 91
- 239000003546 flue gas Substances 0.000 claims abstract description 91
- 239000000428 dust Substances 0.000 claims abstract description 65
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000005065 mining Methods 0.000 claims abstract description 9
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 claims description 34
- 239000000779 smoke Substances 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 11
- 239000007789 gas Substances 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 5
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000003500 flue dust Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- QCWXUUIWCKQGHC-UHFFFAOYSA-N Zirconium Chemical compound [Zr] QCWXUUIWCKQGHC-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 description 1
- 239000000292 calcium oxide Substances 0.000 description 1
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010416 ion conductor Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- SIWVEOZUMHYXCS-UHFFFAOYSA-N oxo(oxoyttriooxy)yttrium Chemical compound O=[Y]O[Y]=O SIWVEOZUMHYXCS-UHFFFAOYSA-N 0.000 description 1
- -1 oxygen ion Chemical class 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910052726 zirconium Inorganic materials 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B21/00—Open or uncovered sintering apparatus; Other heat-treatment apparatus of like construction
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D17/00—Arrangements for using waste heat; Arrangements for using, or disposing of, waste gases
- F27D17/008—Arrangements for using waste heat; Arrangements for using, or disposing of, waste gases cleaning gases
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
- F27D21/04—Arrangements of indicators or alarms
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明涉及烧结生产技术领域,具体涉及一种基于大数据的在线智能监测烧结漏风方法,对烧结机风箱内和电除尘器除尘前后进行烟气氧含量数据采集,再基于氧平衡算法计算特定区间的漏风率,结合烧结生产参数,采用序列异常技术挖掘异常数据算法对整个烧结过程中的漏风情况进行监测,这种基于大数据的在线智能监测烧结漏风方法,解决了传统烧结漏风检测方法的准确性较差、检测周期较长、检测成本高、无法实时在线测量、智能化程度低等不足的问题。
Description
技术领域
本发明涉及烧结生产技术领域,具体涉及一种基于大数据的在线智能监测烧结漏风方法。
背景技术
烧结漏风对烧结生产过程的经济技术指标影响巨大,并且会增加生产成本,使得烧结矿产量和质量降低。首先,漏风降低了抽风系统的工作负压,降低了单位烧结面积的有效风量,致使生产率下降,导致烧结矿质量降低。漏风越严重,通过烧结矿层的风量越少,对于烧结矿产量的影响越大。其次,漏风还会使主抽风机的耗能增加,生产一吨烧结矿消耗的电量大约38kWh,其中主抽风机消耗的电量占到了50%左右。经过国内外烧结厂的实践表明,一般的烧结机经过漏风改造后,烧结机漏风率每降低15%,烧结矿产量增加5%-10%。最后,漏风还能造成烧结生产现场环境恶化,设备缝隙处漏入大量空气,使得设备磨损加剧,加重设备除尘的负担,为了满足烧结生产的要求,就需要更大功率的风机,造成了大量不必要的能耗。研究表明,如果每平方米烧结机漏风率降低1%,每年炼铁厂一台300m2烧结机的直接经济效益在150万元左右。现如今烧结工序在检修之后进行漏风率检测,检测周期较长,对于明显漏风状况能够发现排查,但是缺少对漏风率的日常监控。因此,找出烧结过程的漏风区域,并有针对性地采取减漏措施,从而降低漏风率,是钢铁企业增产和节能降耗的一项重要工作,符合我国建设节约型社会的要求。
近些年来,随着科学技术的发展,在烧结漏风检测和监测等方面,大数据智能技术有着广阔的应用前景。传统的烧结漏风率测定方法有:(1)经验公式估算法;(2)密封法;(3)料面风速法;(4)漏风点测风速法;(5)平衡计算法;(6)流量法。其中经验公式估算法、密封法在烧结生产中操作性较差,并不实用;料面风速法和漏风点测速法仅能测定某些特定部位的漏风率,无法整体的评价烧结机的漏风率;平衡计算法和流量法是目前国内外烧结机漏风率测定中使用较为广泛的方法,但也存在误差大,与烧结生产同步性差,分析时间长等一些列的问题。因此通过大量安装传感器对烧结过程中各风箱的烧结漏风率相关参数,如温度、气体成分等进行采集,之后使用大数据技术实时的计算出烧结漏风率,并且根据烧结机漏风率监测结果,给出预警信息和建议操作。对监护烧结设备状况、及时采取针对性措施治理漏风具有重要意义,有望提高烧结漏风治理水平,进而降低烧结主抽风机电耗,提高烧结生产率。
中国发明专利CN201811433631.7公开了一种用于铁矿烧结机漏风率的检测方法,该申请中的铁矿烧结机漏风率检测方法,通过在烧结料层上检测烧结时的风速,对烧结料层的料面进行网格划分,以每个检测装置按时间顺序记录的风速作为该装置再纵向界线上各格点的风速,从而计算单位时间内通过料层的有效风量、单位时间内大烟道内的烟气总量和单位时间内生成的水蒸气的量。并将这三个变量换算成标准状态下的量,再计算单位时间内烧结系统漏风量和单位时间内烧结系统漏风率。
中国发明专利CN201921656262.8公开了一种烧结机漏风率实时在线监测系统,该申请中的烧结机漏风率实时在线监测系统在烧结机的N个风箱上下部、烧结机主排烟道分别设置取样点,风箱上部取样点、风箱下部取样点和主烟道取样点分别连通上部取样管道、下部取样管道和主烟道取样管道。此三种取样管道又分别连接气体成分分析仪,之后将检测的气体成分通过O2平衡法和CO2平衡法计算出两个漏风率结果,再将两个计算结果进行算术加权计算,得到最终的烧结机漏风率。
上述两个申请均提供了一种对烧结机漏风率检测的方法,其对漏风率检测都是以烧结机的风箱为目标,分析通过其风量或烟气成分,未结合烧结过程中对漏风率影响的生产参数,结果单一性较强,而且没有考虑到外界影响因素和烧结机生产状态的影响,对于检测结果的也没有给出预警提示和建议操作,不够智能化和人性化。
鉴于上述缺陷,本发明创作者经过长时间的研究和实践终于获得了本发明。
发明内容
本发明的目的在于解决传统烧结漏风检测方法的准确性较差、检测周期较长、检测成本高、无法实时在线测量、智能化程度低等不足的问题,提供了一种基于大数据的在线智能监测烧结漏风方法。
为了实现上述目的,本发明公开了一种基于大数据的在线智能监测烧结漏风方法,包括以下步骤:
S1:采集氧含量数据与烧结过程工艺参数:采集烧结箱内和电除尘器除尘前后烟气氧含量数据以及风箱内部烟气温度数据,并将获取的实施数据传输到PC机中;
S2:实施数据显示和漏风率计算模型:在获取到实施数据后,将其送入漏风率计算模型,根据氧平衡法算法,得到特定区间的漏风率;
S3:数据对比:通过多个实时数据得到特定区间的漏风率变化趋势、风箱烟气氧含量变化趋势和风箱烟气温度变化趋势,将特定区间的漏风率变化趋势、风箱烟气氧含量变化趋势和风箱烟气温度变化趋势之间进行对比;
S4:预警及建议操作:使用序列异常技术挖掘异常数据算法对步骤S2中得到的特定区间的漏风率进行异常情况挖掘判断,并且结合步骤S3中的对比结果,综合给出预警内容及建议操作。
所述步骤S1中通过采用氧化锆测氧仪采集烧结箱内和电除尘器除尘前后烟气氧含量数据。
所述步骤S1中采集到的数据首先传输到PLC,在基于OPC技术,使得PC机和PLC建立通讯,再把获取的实时数据传输到PC机中。
所述步骤S2中氧平衡算法具体计算公式如下:
其中,K为该特定区间的漏风率,%,0<K<100;O2(后)为该特定区间的后端烟气氧含量,%;O2(前)为该特定区间的前端烟气氧含量,%;O2(大气)为大气氧含量,为常量21%。
所述步骤S2中特定区间包括烧结机本体区间、电除尘器区间、烧结系统区间,所述烧结本体区间为第一个风箱到最后一个风箱区间,所述电除尘器区间为电除尘器的除尘前到除尘后区间,所述烧结系统区间为第一个风箱到电除尘器的除尘后区间。
所述步骤S3中数据对比时首先将各个风箱烟气温度和风箱烟气氧含量进行对比,得到在烧结过程中风箱烟气的温度和风箱烟气氧含量的关系;其次通过对比特定区间的漏风率和风箱烟气氧含量,得到特定区间的漏风率和风箱烟气的氧含量的关系;最后对比特定区间的漏风率和风箱烟气温度,得到特定区间的漏风原因和风箱烟气的温度的关系。
所述步骤S4中序列异常技术挖掘异常数据算法为在时间序列数据中分析数据,挖掘异常数据,以此检测到异常情况,所述时间序列数据为在时间维度上传感器采集的数据流,所述异常数据为序列中明显不符合规律或偏离很大的观测点。
所述步骤S4中还需要结合烧结生产要求规则后给出预警,所述烧结生产要求规则包括特定区间的漏风率的上下限、各监测点的氧含量的上下限、风箱烟气温度的上下限。
所述步骤S4中预警内容及建议操作通过局域网发送至终端,最终通过终端进行显示。
与现有技术比较本发明的有益效果在于:
1、本发明的一种基于大数据的在线智能监测烧结漏风方法,通过使用先进的氧化锆测氧仪设备,能够更加准确的检测烧结机风箱内和电除尘器除尘前后的烟气氧含量数据,从而使得后续的漏风率计算结果也就更加准确,同时也能够减少人为因素的影响,使得烧结过程更加自动化、智能化,此外,烧结过程中的生产参数也可以实时获取,在结合漏风率计算结果,系统地对整个烧结过程的漏风情况进行在线监测,使得监测过程高效、安全、时间短且成本低;
2、本发明的一种基于大数据的在线智能监测烧结漏风方法,采用氧平衡法算法计算特定区间或设备的漏风率,首先需要测量出特定区间或设备的前后氧含量数据,然后将数据传输至漏风率计算模块,根据氧平衡测定分析的方法计算出漏风率,因为烧结过程是燃烧过程,也就是一种激烈的氧化反应,需要大量的助燃空气,当燃烧过程结束时,氧化反应不再进行,若没有其他原因,烟气中的氧气含量不会发生变化,但如果漏风就会使得外界大气渗入到烟气中,则使得烟气中的氧气含量明显增高,故借此就可以计算出漏风率。因为氧平衡法算法所计算的漏风率较为准确、可靠,漏风率计算值与人工测量值的偏差在测量值的±10%以内,在实践中得到广泛应用;
3、本发明的一种基于大数据的在线智能监测烧结漏风方法,在通过氧平衡算法计算得到漏风率数据后,结合烧结生产参数,即风箱烟气氧含量和风箱烟气温度,探究三者之间的关系。也就是将特定区间或设备的漏风率与特定风箱的烟气氧含量进行对比、特定区间或设备的漏风率与特定风箱的烟气温度进行对比、风箱烟气氧含量与风箱烟气温度进行对比。通过对比及分析各个参数的变化趋势,能够更加全面的掌握烧结过程中的漏风情况,从而更好的对漏风情况做出预警和给出建议操作;
4、本发明的一种基于大数据的在线智能监测烧结漏风方法,使用序列异常技术挖掘异常数据算法对整个烧结过程中的漏风情况进行监测,序列异常技术挖掘异常数据算法是对时间序列数据进行分析,从而挖掘出异常数据,进一步发现异常情况,烧结过程中的漏风率就属于一种时间序列数据,且和时间的关系较为密切,不同时间的生产情况不同,漏风情况也不同,所以使用此算法可以更为精确的监测到漏风异常情况,使得操作人员及时的发现漏风情况,更早的做出应对措施,提高效率,节约能耗;
5、本发明的一种基于大数据的在线智能监测烧结漏风方法,通过监测所得漏风情况和对比漏风率与风箱烟气氧含量以及风箱温度所发现的关系,综合给出预警内容和建议操作。预警提示和建议操作的内容是符合实际生产要求,并且都是实时给出,为生产运行、检修维护提供最为准确和最为精准的数据支持,进而有效提高烧结机生产和管理水平,实现烧结智能制造。
附图说明
图1为本发明的一种基于大数据的在线智能监测烧结漏风方法的模型算法流程图;
图2为本发明的实施例中风箱烟气氧含量实时柱状图和风箱烟气温度实时曲线图;
图3为本发明的实施例中漏风率实时曲线图;
图4为本发明的实施例中漏风率历史曲线图;
图5为本发明的实施例中某个风箱烟气氧含量历史曲线图;
图6为本发明的实施例中某个风箱烟气温度历史曲线图;
图7为本发明的实施例中漏风率与风箱烟气氧含量及电除尘前后烟气氧含量对比图;
图8为本发明的实施例中漏风率与某个风箱烟气温度对比图;
图9为本发明的实施例中某个风箱烟气氧含量与其风箱烟气温度对比图;
图10为本发明的实施例中预警内容及建议操作显示图。
具体实施方式
以下结合附图,对本发明上述的和另外的技术特征和优点作更详细的说明。
传统的烧结漏风率测定方法一般分为三大类,经验公式估算法和密封法实用性不高,并且对于烧结生产中操作要求高,所测得的漏风率误差较大;料面风速法和漏风点测速法都是采用风速仪对烧结过程中的风速参数进行测量,只能测量部分特定部位的漏风率,对于整体烧结机的漏风率无法进行测量;平衡计算法和流量法是根据所采集的气体成分或流量去进行漏风率的测定,但由于现场环境恶劣使得测量设备易损坏,且工作量较大。针对传统烧结漏风率测定方法的不足,本发明提供了一种基于大数据的在线智能监测烧结漏风方法,采用本发明的技术方案能够有效解决传统烧结漏风监测存在的实用性不高、准确性较差、检测周期较长、检测成本高、无法对整体烧结过程进行监测的不足,通过使用大数据技术,提高烧结漏风监测的智能化程度,避免人工操作,降低检测的成本和减少检测的时间,同时根据监测情况给出预警内容和建议操作,能够使得现场操作人员更加了解烧结过程中的漏风情况,从而提高烧结生产的产量和质量。
本发明的一种基于大数据的在线智能监测烧结漏风方法,采用氧化锆测氧仪对烧结机风箱内和电除尘器除尘前后进行烟气氧含量数据采集,再基于氧平衡算法计算特定区间的漏风率,结合烧结生产参数,采用序列异常技术挖掘异常数据算法对整个烧结过程中的漏风情况进行监测。
氧化锆测氧仪是使用氧化锆测氧传感器制作的,氧化锆测氧传感器的材料是一种氧化锆固体电解质,是在纯氧化锆中掺入氧化钇或氧化钙,在高温下烧结成的稳定氧化锆陶瓷烧结体。由于它的立方晶格中含有氧离子空穴,因此在高温下它是良好的氧离子导体。在一定高温下,当锆管两边的氧含量不同时,它便是一个典型的氧浓差电池。在氧化锆管两侧分别流过被测气体和参比气体,则产生的电势与氧化锆管的工作温度和两侧的氧浓度有固定的关系。如果知道参比气体的浓度,则可根据氧化锆管两侧的氧电势和氧化锆管的工作温度计算出被测气体的氧浓度。
使用氧化锆测氧仪测量烧结生产中的烟气氧含量,主要的监测位置点包括烧结机风箱内部,电除尘入口和电除尘出口。烧结机风箱内部具有烟气灰尘多、颗粒大、负压大、水分多等特点,因此安装氧化锆测氧仪时需要将其安装在尽量靠近台车下方的中部,以保证所测得的氧气为台车正下方的氧量,确保数据的正确性。电除尘入口所测为除尘前的烟气氧含量,此处同样具有烟气灰尘多、颗粒大、负压大、水分多等特点,所以安装测量设备时应该在管道上半部,固体颗粒较少的地方,以防止仪器受损,导致数据出错。电除尘出口所测为除尘后的烟气氧含量,这里和前两处不同,由于经过电除尘器除尘,此时的烟气灰尘减少但烟气中有腐蚀气体,且负压大水分多,这里安装测量设备时应注意抗腐蚀和抗干扰处理。
除获取氧含量数据外,还要获取风箱内部烟气温度数据,可使用热电偶传感器进行风箱内部烟气温度的测量。在烧结机风箱两侧插入长短不同的多组热电偶进行温度检测,以此了解烧结过程状态。由于测点较多,测量的温度数据更具有代表性,风箱烟气温度数据的精度和准确度也得到保证。首先将检测到的风箱烟气氧含量和风箱烟气温度转换成4-20mA的模拟量,通过光纤传输至PLC,然后基于OPC技术,使得PC机和PLC建立通讯,把获取的数据传输到PC机中。
具体的,PC机获得氧含量数据后,将其传给漏风率计算模型,然后根据氧平衡法算法,即原始烟气氧含量与漏入空气氧含量与混合烟气氧含量相等,也就是漏风前和漏风后的物质平衡定理。具体计算公式如下:
式(1)中,K是该特定区间的漏风率,%,0<K<100;O2(后)是该特定区间的后端烟气氧含量,%;O2(前)是该特定区间的前端烟气氧含量,%;O2(大气)是大气氧含量,为常量21%。
因此,更具体的,本发明中计算烧结机本体的漏风率公式如下:
式(2)中,K是烧结机本体的漏风率,%,0<K<100;O2(除尘前)是除尘前的南北侧大烟道烟气氧含量均值,%;O2(风箱)是烧结机所有风箱的烟气氧含量均值,%;O2(大气)是大气氧含量,为常量21%。
计算电除尘器南侧的漏风率公式如下:
式(3)中,K是电除尘器南侧的漏风率,%,0<K<100;O2(除尘后南侧)是除尘后的南侧大烟道烟气氧含量,%;O2(除尘前南侧)是除尘前的南侧大烟道烟气氧含量,%;O2(大气)是大气氧含量,为常量21%。
计算电除尘器北侧的漏风率公式如下:
式(4)中,K是电除尘器北侧的漏风率,%,0<K<100;O2(除尘后北侧)是除尘后的北侧大烟道烟气氧含量,%;O2(除尘前北侧)是除尘前的北侧大烟道烟气氧含量,%;O2(大气)是大气氧含量,为常量21%。
计算烧结系统的漏风率公式如下:
式(5)中,K是烧结系统的漏风率,%,0<K<100;O2(除尘后)是除尘后的南北侧大烟道烟气氧含量均值,%;O2(风箱)是烧结机所有风箱的烟气氧含量均值,%;O2(大气)是大气氧含量,为常量21%。
本发明使用序列异常技术挖掘异常数据算法,对计算所得的四种区间漏风率进行数据分析,根据烧结过程中漏风率的变化趋势,挖掘并判断各区间或位置点的漏风率状态是否正常,然后在给出相应的预警级别。之后结合生产参数,即风箱烟气氧含量和风箱烟气温度,经过对比,可以发现烧结过程中风箱烟气氧含量和风箱烟气温度的关系,接着查看风箱烟气氧含量和风箱烟气温度的变化趋势,从而了解烧结生产状态。同时,还可将四种区间的漏风率和风箱烟气氧含量、风箱烟气温度分别进行对比,从中探究导致漏风率异常的原因。
此外,该方法给出的预警级别,其判断标准可以根据烧结生产状态和要求进行实时调整。不同的预警级别有不同的预警内容和相应的建议措施一一对应,预警内容是根据四种区间漏风率数据、各检测点氧含量数据、风箱烟气温度数据进行异常判断,给出相应的预警提示,然后再根据预警内容提示,给出建议措施。现场操作人员可以实时在线获取漏风情况,及时做出相应措施,方便快捷。
本发明的一种基于大数据的在线智能监测烧结漏风方法充分利用大数据技术,对烧结过程中的漏风率进行实时跟踪,准确且及时的发现异常情况,对于各种预警给予针对性的建议措施,使得烧结生产更加高效。同时为监护烧结设备状况提供帮助,延长设备的使用寿命,降低生产成本。并且监测的准确性和即时性高,对提高烧结生产效率、改善电力资源的利用、节能减排、保护环境、降低人员成本具有积极作用。
下面结合具体实施例对本发明进一步进行描述。
实施例1
如图1所示,本实施例中采用本发明的一种基于大数据的在线智能监测烧结漏风方法进行烧结漏风监测,其主要步骤如下:
(1)采集氧含量数据及烧结过程工艺参数
通过使用氧化锆测氧仪采集烧结机风箱内和电除尘器除尘前后烟气氧含量数据,并且使用热电偶传感器进行风箱内部烟气温度数据的采集。之后把采集的数据传输到PLC,再基于OPC技术,使得PC机和PLC建立通讯,把获取的实时数据传输到PC机中。
(2)实时数据显示和漏风率计算模型
在获取到实时数据后,将其送入漏风率计算模型,根据氧平衡法算法,得到烧结机本体漏风率、电除尘器南侧漏风率、电除尘器北侧漏风率和烧结系统漏风率。如图2所示,烧结现场风箱烟气氧含量和风箱烟气温度实时数据显示,每个风箱的烟气氧含量实时数据由柱状图展示,每个风箱的烟气温度实时数据点连接由曲线图展示,使用两种展现形式可以实时进行风箱烟气氧含量和风箱烟气温度对比。如图3所示,烧结过程中的四种区间的实时漏风率通过曲线图展示,可以实时对比四种区间漏风率。
(3)漏风率、风箱烟气氧含量及风箱烟气温度的历史数据显示
所有的实时数据都会存入到后台数据库中进行保存,可以通过历史数据查询,来查看四种区间的漏风率、风箱烟气氧含量及风箱烟气温度的变化趋势。查询某一段时间四种区间的漏风率、风箱烟气氧含量及风箱烟气温度的变化趋势如图4至图6所示。
(4)漏风率与风箱烟气氧含量及电除尘前后烟气氧含量的对比显示
除查看漏风率及各烧结参数的历史变化趋势外,四种区间的漏风率和每个风箱烟气氧含量以及电除尘前后烟气氧含量还可以进行对比。如图7所示,可以查看四种区间的漏风率与所检测的风箱烟气氧含量历史变化趋势对比,及其与电除尘器两侧除尘前后的烟气氧含量历史变化趋势对比。
(5)漏风率与风箱烟气温度的对比显示
另外,关于风箱烟气温度和四种区间漏风率也可以进行对比,了解风箱烟气温度和漏风率之间的关系。如图8所示为某个风箱的烟气温度和四种区间漏风率历史变化趋势对比。
(6)风箱烟气氧含量与其风箱烟气温度的对比显示
每个风箱也是烧结过程中的重点关注对象,除实时对比每个风箱烟气氧含量和其烟气温度,也可以将每个风箱的烟气氧含量和其烟气温度的历史变化趋势进行对比。如图9所示为某个风箱的烟气温度和其烟气温度历史变化趋势对比。
(7)预警内容及建议操作
最后使用序列异常技术挖掘异常数据算法对四种区间的漏风率进行异常情况挖掘判断,并且结合对比结果,综合给出预警内容及建议操作。如图10所示为某一段时间所监测烧结漏风情况给出的预警内容和建议操作。
以上所述仅为本发明的较佳实施例,对本发明而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在本发明权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本发明的保护范围内。
Claims (7)
1.一种基于大数据的在线智能监测烧结漏风方法,其特征在于,包括以下步骤:
S1:采集氧含量数据与烧结过程工艺参数:采集烧结箱内和电除尘器除尘前后烟气氧含量数据以及风箱内部烟气温度数据,并将获取的实施数据传输到PC机中;
S2:实施数据显示和漏风率计算模型:在获取到实施数据后,将其送入漏风率计算模型,根据氧平衡法算法,得到特定区间的漏风率;
S3:数据对比:通过多个实时数据得到特定区间的漏风率变化趋势、风箱烟气氧含量变化趋势和风箱烟气温度变化趋势,将特定区间的漏风率变化趋势、风箱烟气氧含量变化趋势和风箱烟气温度变化趋势之间进行对比;
S4:预警及建议操作:使用序列异常技术挖掘异常数据算法对步骤S2中得到的特定区间的漏风率进行异常情况挖掘判断,并且结合步骤S3中的对比结果,综合给出预警内容及建议操作;
所述步骤S2中氧平衡算法具体计算公式如下:
其中,K为该特定区间的漏风率,%,0<K<100;O2(后)为该特定区间的后端烟气氧含量,%;O2(前)为该特定区间的前端烟气氧含量,%;O2(大气)为大气氧含量,为常量21%;
所述步骤S2中特定区间包括烧结机本体区间、电除尘器区间、烧结系统区间,所述烧结本体区间为第一个风箱到最后一个风箱区间,所述电除尘器区间为电除尘器的除尘前到除尘后区间,所述烧结系统区间为第一个风箱到电除尘器的除尘后区间。
2.如权利要求1所述的一种基于大数据的在线智能监测烧结漏风方法,其特征在于,所述步骤S1中通过采用氧化锆测氧仪采集烧结箱内和电除尘器除尘前后烟气氧含量数据。
3.如权利要求1所述的一种基于大数据的在线智能监测烧结漏风方法,其特征在于,所述步骤S1中采集到的数据首先传输到PLC,在基于OPC技术,使得PC机和PLC建立通讯,再把获取的实时数据传输到PC机中。
4.如权利要求1所述的一种基于大数据的在线智能监测烧结漏风方法,其特征在于,所述步骤S3中数据对比时首先将各个风箱烟气温度和风箱烟气氧含量进行对比,得到在烧结过程中风箱烟气的温度和风箱烟气氧含量的关系;其次通过对比特定区间的漏风率和风箱烟气氧含量,得到特定区间的漏风率和风箱烟气的氧含量的关系;最后对比特定区间的漏风率和风箱烟气温度,得到特定区间的漏风原因和风箱烟气的温度的关系。
5.如权利要求1所述的一种基于大数据的在线智能监测烧结漏风方法,其特征在于,所述步骤S4中序列异常技术挖掘异常数据算法为在时间序列数据中分析数据,挖掘异常数据,以此检测到异常情况,所述时间序列数据为在时间维度上传感器采集的数据流,所述异常数据为序列中明显不符合规律或偏离很大的观测点。
6.如权利要求1所述的一种基于大数据的在线智能监测烧结漏风方法,其特征在于,所述步骤S4中还需要结合烧结生产要求规则后给出预警,所述烧结生产要求规则包括特定区间的漏风率的上下限、各监测点的氧含量的上下限、风箱烟气温度的上下限。
7.如权利要求1所述的一种基于大数据的在线智能监测烧结漏风方法,其特征在于,所述步骤S4中预警内容及建议操作通过局域网发送至终端,最终通过终端进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410812.8A CN114777485B (zh) | 2022-04-19 | 2022-04-19 | 一种基于大数据的在线智能监测烧结漏风方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410812.8A CN114777485B (zh) | 2022-04-19 | 2022-04-19 | 一种基于大数据的在线智能监测烧结漏风方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114777485A CN114777485A (zh) | 2022-07-22 |
CN114777485B true CN114777485B (zh) | 2024-04-12 |
Family
ID=82430969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210410812.8A Active CN114777485B (zh) | 2022-04-19 | 2022-04-19 | 一种基于大数据的在线智能监测烧结漏风方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114777485B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968314A (zh) * | 2010-07-07 | 2011-02-09 | 新兴铸管股份有限公司 | 烧结机系统漏风率的测定方法 |
CN103017529A (zh) * | 2012-12-27 | 2013-04-03 | 中冶长天国际工程有限责任公司 | 烧结机主抽风机风量控制方法及系统 |
CN204007133U (zh) * | 2014-08-15 | 2014-12-10 | 河北钢铁股份有限公司邯郸分公司 | 一种烧结机漏风率测定装置 |
CN113137862A (zh) * | 2021-04-28 | 2021-07-20 | 东北大学 | 一种基于量热法的烧结机本体漏风率测量方法 |
CN113218599A (zh) * | 2021-05-28 | 2021-08-06 | 安徽工业大学 | 一种烧结机漏风率在线检测的测量方法 |
-
2022
- 2022-04-19 CN CN202210410812.8A patent/CN114777485B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968314A (zh) * | 2010-07-07 | 2011-02-09 | 新兴铸管股份有限公司 | 烧结机系统漏风率的测定方法 |
CN103017529A (zh) * | 2012-12-27 | 2013-04-03 | 中冶长天国际工程有限责任公司 | 烧结机主抽风机风量控制方法及系统 |
CN204007133U (zh) * | 2014-08-15 | 2014-12-10 | 河北钢铁股份有限公司邯郸分公司 | 一种烧结机漏风率测定装置 |
CN113137862A (zh) * | 2021-04-28 | 2021-07-20 | 东北大学 | 一种基于量热法的烧结机本体漏风率测量方法 |
CN113218599A (zh) * | 2021-05-28 | 2021-08-06 | 安徽工业大学 | 一种烧结机漏风率在线检测的测量方法 |
Non-Patent Citations (1)
Title |
---|
烧结机漏风率在线监测系统的设计与实现;张安煜;陈贺;仪垂杰;王东;吕和武;;测控技术(第05期);第109-112页,第117页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114777485A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102494848B (zh) | 一种监测地质封存二氧化碳泄漏的方法及装置 | |
CN109737898B (zh) | 一种实现在线测试水冷壁高温腐蚀的系统 | |
CN103955202B (zh) | 一种基于燃煤电厂脱硫系统数据自动诊断甄别方法 | |
CN116148321A (zh) | 一种基于cems系统数据处理的高精度碳排放监测系统 | |
CN112177661B (zh) | 一种煤矿局部通风参数精准监测与异常预警系统及方法 | |
CN110580936A (zh) | 中低温scr脱硝催化剂的寿命预测方法及系统 | |
CN115931246A (zh) | 一种氢冷发电机的气密性检测与故障处理系统及方法 | |
CN210514221U (zh) | 一种应用于火电厂的二氧化碳测量设备及装置 | |
CN117574301B (zh) | 基于多传感器的便携式智能环境侦检设备数据分析系统 | |
CN113218599A (zh) | 一种烧结机漏风率在线检测的测量方法 | |
CN114777485B (zh) | 一种基于大数据的在线智能监测烧结漏风方法 | |
CN114778755A (zh) | 一种基于大数据的煤质在线检测系统 | |
CN117172419A (zh) | 一种火电厂节能减排效果的测定方法 | |
CN117114519A (zh) | 一种综合能源运行系统数据计算方法 | |
CN112611413A (zh) | 用于通风机或水泵的能效安康一体化的监测方法及装置 | |
CN201561969U (zh) | 一种煤质成分实时测量装置 | |
CN103869091A (zh) | 一种在线检测生物发酵尾气中氧气和二氧化碳的装置及方法 | |
CN203745475U (zh) | 一种在线检测生物发酵尾气中氧气和二氧化碳的装置 | |
CN204203968U (zh) | 通风机在线能效分析装置 | |
CN110458480A (zh) | 一种发电厂化学仪表准确性在线评价系统 | |
CN215599118U (zh) | 一种智慧城市碳排放监测系统 | |
CN216208975U (zh) | 一种用于农业防灾减灾预防预警监测系统 | |
CN109695587A (zh) | 一种风机能效在线评价方法 | |
CN115685829A (zh) | 一种兼顾碳捕集的二氧化碳碳足迹管控系统 | |
CN110296325B (zh) | 一种基于包袋法原理的泄漏实时监测装置及其监测方法 |
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 |