CN116379793B - 一种矿热炉短网调控数据处理方法 - Google Patents
一种矿热炉短网调控数据处理方法 Download PDFInfo
- Publication number
- CN116379793B CN116379793B CN202310643738.9A CN202310643738A CN116379793B CN 116379793 B CN116379793 B CN 116379793B CN 202310643738 A CN202310643738 A CN 202310643738A CN 116379793 B CN116379793 B CN 116379793B
- Authority
- CN
- China
- Prior art keywords
- submerged arc
- arc furnace
- layer
- sensing
- task
- 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
- 238000003672 processing method Methods 0.000 title claims description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 26
- 238000013500 data storage Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 8
- 238000003723 Smelting Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 10
- 238000009434 installation Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 239000008358 core component Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000005997 Calcium carbide Substances 0.000 description 1
- 229910001021 Ferroalloy Inorganic materials 0.000 description 1
- 229910000604 Ferrochrome Inorganic materials 0.000 description 1
- 229910000616 Ferromanganese Inorganic materials 0.000 description 1
- 229910000519 Ferrosilicon Inorganic materials 0.000 description 1
- 229910001145 Ferrotungsten Inorganic materials 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- DALUDRGQOYMVLD-UHFFFAOYSA-N iron manganese Chemical compound [Mn].[Fe] DALUDRGQOYMVLD-UHFFFAOYSA-N 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- CLZWAWBPWVRRGI-UHFFFAOYSA-N tert-butyl 2-[2-[2-[2-[bis[2-[(2-methylpropan-2-yl)oxy]-2-oxoethyl]amino]-5-bromophenoxy]ethoxy]-4-methyl-n-[2-[(2-methylpropan-2-yl)oxy]-2-oxoethyl]anilino]acetate Chemical compound CC1=CC=C(N(CC(=O)OC(C)(C)C)CC(=O)OC(C)(C)C)C(OCCOC=2C(=CC=C(Br)C=2)N(CC(=O)OC(C)(C)C)CC(=O)OC(C)(C)C)=C1 CLZWAWBPWVRRGI-UHFFFAOYSA-N 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- F27D19/00—Arrangements of controlling devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
- F27D19/00—Arrangements of controlling devices
- F27D2019/0003—Monitoring the temperature or a characteristic of the charge and using it as a controlling value
-
- 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
- F27D19/00—Arrangements of controlling devices
- F27D2019/0028—Regulation
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
本发明涉及还原加工设备领域,具体公开了一种矿热炉短网调控数据处理方法,所述方法包括获取矿热炉的任务链表,确定矿热炉的预测图层,进而确定传感节点,基于传感节点获取传感数据;叠加所述传感数据,并对叠加后的传感数据进行识别,根据识别结果确定矿热炉状态矩阵;根据矿热炉状态矩阵确定短网参数调节指令。本发明根据任务链表确定传感设备的安装位置,根据传感设备获取传感数据,根据传感设备的类型将传感数据输入不同的图层,对不同的图层进行叠加,扩充待分析样本的数量,对待分析样本进行识别,即可确定哪些时刻哪些数据可能存在异常,通过建立预识别流程,降低了工作人员的数据关注量,极大地缓解了工作压力。
Description
技术领域
本发明涉及还原加工设备领域,具体是一种矿热炉短网调控数据处理方法。
背景技术
矿热炉是一种耗电量巨大的工业电炉。主要由炉壳,炉盖、炉衬、短网,水冷系统,排烟系统,除尘系统,电极壳,电极压放及升降系统,上下料系统,把持器,烧穿器,液压系统,矿热炉变压器及各种电器设备等组成。
其中,矿热炉短网作为核心部件,其感抗占整个系统感抗的70%,工作人员经常会对矿热炉短网的参数进行调节,进而调整矿热炉的工作过程。
对矿热炉短网的参数进行调节需要以矿热炉的工作状态作为参考,矿热炉的工作状态由传感器获取,由于矿热炉的体积较大,传感器的类型及数量极多,工作人员需要时刻保持对传感数据的高度关注,才能够对矿热炉短网进行及时高效的调节,工作压力极大,如何降低工作人员的工作难度,缓解工作压力是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种矿热炉短网调控数据处理方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种矿热炉短网调控数据处理方法,所述方法包括:
获取矿热炉的任务链表,根据所述任务链表确定矿热炉的预测图层;所述预测图层为三维数据,用于表征不同指标下矿热炉空间内各处的状态;
根据所述预测图层在矿热炉中确定传感节点,基于传感节点获取传感数据;所述传感节点与预测图层间存在包含关系;
叠加所述传感数据,并对叠加后的传感数据进行识别,根据识别结果确定矿热炉状态矩阵;
根据矿热炉状态矩阵确定短网参数调节指令。
作为本发明进一步的方案:所述获取矿热炉的任务链表,根据所述任务链表确定矿热炉的预测图层的步骤包括:
实时接收工作人员上传的含有优先级的任务需求,根据所述优先级将任务需求填充至任务组;所述任务需求包括条件参数数组;
根据任务组的优先级确定各任务组的选取概率,基于所述选取概率随机提取各个任务组中的任务需求,建立任务链表;
计算不同任务链表下矿热炉的参数变化信息,根据所述参数变化信息同步创建预测图层;
显示含有预测图层的矿热炉,接收工作人员输入的选取信息,确定目标任务链表。
作为本发明进一步的方案:所述计算不同任务链表下矿热炉的参数变化信息,根据所述参数变化信息同步创建预测图层的步骤包括:
获取矿热炉的三维模型,根据所述三维模型建立点位矩阵;其中,所述三维模型的边界为矿热炉在所有参数下的最大影响边界;所述参数至少包括温度、电流和阻抗;
在备案的任务流程库中查询任务链表中各任务的变化率矩阵;所述变化率矩阵用于表征某一参数下各任务对各点位的影响程度;
根据历史数据获取各任务的平均时长,根据平均时长对变化率矩阵进行积分,变化量矩阵;
根据预设的激活函数将变化量矩阵转换为预测图层。
作为本发明进一步的方案:所述根据预设的激活函数将变化量矩阵转换为预测图层的步骤包括:
遍历提取变化量矩阵中的元素,输入预设的激活函数,得到对应的图层数值;
根据变化量矩阵的尺寸创建基准图层,将所述图层数值插入所述基准图层;
对含有图层数值的基准图层进行曲线拟合,得到预测图层。
作为本发明进一步的方案:所述根据所述预测图层在矿热炉中确定传感节点,基于传感节点获取传感数据的步骤包括:
读取三维模型,基于三维模型统计各个参数下的预测图层;
基于预设的颗粒度遍历所述三维模型中的空间点,统计各个空间点在预测图层中的数值;
对统计到的数值进行分析,确定各个空间点的价值;
选取价值达到预设的价值条件的空间点,作为传感节点;
在传感节点处安装传感设备,并建立与传感设备的连接通道,实时获取传感数据。
作为本发明进一步的方案:所述在传感节点处安装传感设备,并建立与传感设备的连接通道,实时获取传感数据的步骤包括:
获取传感节点与三维模型中的矿热炉的包含关系,根据包含关系确定可行度;包含时可行度为1,不包含时可行度为0;
根据可行度剔除无效节点,在剩余传感节点处安装传感设备;
根据传感设备的类型创建数据存储库,建立与传感设备的连接通道;所述数据存储库为三维数据集;
实时获取含有时间戳的传感数据。
作为本发明进一步的方案:所述叠加所述传感数据,并对叠加后的传感数据进行识别,根据识别结果确定矿热炉状态矩阵的步骤包括:
根据时间顺序读取各个数据存储库中的传感数据,输入预设的数值转换模型,得到三维数值层;
组合三维数值层,得到以组合方式为索引的组合层;
将所述组合层输入预设的频域变换公式,得到变换层;
根据所述变换层确定矿热炉状态矩阵。
作为本发明进一步的方案:所述频域变换公式为:
;
;c(v)和c(w)与c(u)采用同一分段函数;
式中,为变换层中点/>的值,/>为组合层中点的值;N为各个方向上的数值总数。
作为本发明进一步的方案:所述根据所述变换层确定矿热炉状态矩阵的步骤包括:
根据预设的递增尺寸截取各个变换层;
将截取到的各个变换层输入训练好的浅层识别模型,确定各个变换层的异常度;
根据异常度选取目标变换层,并查询对应的组合方式,对组合方式取交集,确定目标类型;所述目标类型为传感设备的类型;
根据目标类型定位数据存储库,读取对应时刻的传感数据,作为矿热炉状态矩阵。
作为本发明进一步的方案:所述根据矿热炉状态矩阵确定短网参数调节指令的步骤包括:
根据矿热炉状态矩阵对应的传感数据的类型在预设的卷积核库中查询卷积特征;
根据所述卷积特征遍历矿热炉状态矩阵,确定异常区及异常类型;
将异常区及异常类型向质检端发送,接收质检端反馈的调节指令。
与现有技术相比,本发明的有益效果是:本发明根据任务链表确定传感设备的安装位置,根据传感设备获取传感数据,根据传感设备的类型将传感数据输入不同的图层,然后,对不同的图层进行叠加,扩充待分析样本的数量,对待分析样本进行识别,即可确定哪些时刻哪些数据可能存在异常,从而对大量异构的传感数据进行预识别,降低了工作人员的数据关注量,极大地缓解了工作压力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
图1为矿热炉短网调控数据处理方法的流程框图。
图2为矿热炉短网调控数据处理方法的第一子流程框图。
图3为矿热炉短网调控数据处理方法的第二子流程框图。
图4为矿热炉短网调控数据处理方法的第三子流程框图。
图5为矿热炉短网调控数据处理方法的第四子流程框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为矿热炉短网调控数据处理方法的流程框图,本发明实施例中,一种矿热炉短网调控数据处理方法,所述方法包括:
步骤S100:获取矿热炉的任务链表,根据所述任务链表确定矿热炉的预测图层;所述预测图层为三维数据,用于表征不同指标下矿热炉空间内各处的状态;
矿热炉又称电弧电炉或电阻电炉。它主要用于还原冶炼矿石,碳质还原剂及溶剂等原料。主要生产硅铁,锰铁,铬铁、钨铁、硅锰合金等铁合金,是冶金工业中重要工业原料及电石等化工原料。
在生产过程中,为了使矿热炉在大部分时间里都处于工作状态,生产方会预先建立一张任务链表,任务链表中的任务就是矿热炉的工作任务。
根据任务链表中的工作任务创建预测图层,所述预测图层用于反映矿热炉在完成各个工作任务时,各处的状态;举例来说,在温度指标下,矿热炉内各处的温度一直是变化的,预测图层可以用于反映某一时刻矿热炉空间内各处的温度;由于矿热炉本身是三维结构,因此,预测图层也是三维数据。
步骤S200:根据所述预测图层在矿热炉中确定传感节点,基于传感节点获取传感数据;所述传感节点与预测图层间存在包含关系;
对预测图层进行分析,进而确定传感节点;传感节点是安装传感设备的位置点,在传感节点处安装传感设备,即可获取传感数据;一个预测图层用于反映一类参数,因此,由预测图层确定的传感节点,用于安装采集该类参数的传感设备;
基于上述内容,在确定传感节点时,会记录传感节点由哪个预测图层获取,也即,传感节点与哪个预测图层存在包含关系,进而确定传感设备的类型。
值得一提的是,同一传感设备可以获取两种或两种以上的传感数据。
步骤S300:叠加所述传感数据,并对叠加后的传感数据进行识别,根据识别结果确定矿热炉状态矩阵;
获取到传感数据后,对传感数据进行分析,即可确定矿热炉的工作状态;具体的,对于传感数据的分析过程引入叠加流程,叠加流程的目的是叠加不同类型的传感数据,也即,不同预测图层对应的传感数据;叠加流程的原因是,矿热炉内的各种参数是非独立参数,比如,电流会影响温度,对不同参数进行叠加,可以扩大分析样本,确定的矿热炉状态更加准确。
由于矿热炉本身是三维结构,并且预测图层也是三维数据,在表示矿热状态时,采用三维矩阵表示矿热炉中各处的状态。
步骤S400:根据矿热炉状态矩阵确定短网参数调节指令;
矿热炉状态矩阵反映了矿热炉及其附近的参数,基于此,可以对矿热炉中的部件进行调节,其中,矿热炉短网作为核心部件,其调节过程是重中之重;调节指令的生成过程,可以由工作人员借助相关的辅助软件自主完成,本发明不做限定。
在本发明技术方案的一个实例中,根据任务链表确定传感设备的安装位置,然后根据传感设备获取传感数据,根据传感设备的类型将传感数据输入不同的图层,最后,叠加不同的图层,创建待分析样本,即可得到矿热炉状态;当得到矿热炉状态后,工作人员即可确定核心部件(矿热炉短网)的调节指令。
图2为矿热炉短网调控数据处理方法的第一子流程框图,所述获取矿热炉的任务链表,根据所述任务链表确定矿热炉的预测图层的步骤包括:
步骤S101:实时接收工作人员上传的含有优先级的任务需求,根据所述优先级将任务需求填充至任务组;所述任务需求包括条件参数数组;
任务需求由工作人员上传,在上传时,会标记任务需求的优先级;将同一优先级的任务需求归为一类,得到任务组;所述任务需求由多个条件参数组成,比如温度、电流、电压和气压等。
步骤S102:根据任务组的优先级确定各任务组的选取概率,基于所述选取概率随机提取各个任务组中的任务需求,建立任务链表;
创建任务链表时,除了优先级,还需要考虑其他因素,比如,如果两个任务的相似度较高,那么它们作为相邻任务进行处理是最好的选择;因此,本发明技术方案通过随机选取的方式,创建多个任务链表,分析多个任务链表对应的参数变化情况后,由工作人员确认最终的任务链表;其中,优先级越高,选取概率越高,对应任务组中的任务靠前的机率越大。
步骤S103:计算不同任务链表下矿热炉的参数变化信息,根据所述参数变化信息同步创建预测图层;
对每个任务链表,都计算参数变化信息,并同步创建预测图层。
步骤S104:显示含有预测图层的矿热炉,接收工作人员输入的选取信息,确定目标任务链表;
预测图层的创建过程由步骤S103完成,步骤S104是工作人员的确认过程。
作为本发明技术方案的一个优选实施例,所述计算不同任务链表下矿热炉的参数变化信息,根据所述参数变化信息同步创建预测图层的步骤包括:
获取矿热炉的三维模型,根据所述三维模型建立点位矩阵;其中,所述三维模型的边界为矿热炉在所有参数下的最大影响边界;所述参数至少包括温度、电流和阻抗;
在备案的任务流程库中查询任务链表中各任务的变化率矩阵;所述变化率矩阵用于表征某一参数下各任务对各点位的影响程度;
根据历史数据获取各任务的平均时长,根据平均时长对变化率矩阵进行积分,变化量矩阵;
根据预设的激活函数将变化量矩阵转换为预测图层。
上述内容对预测图层的创建过程进行了限定,首先,获取矿热炉的三维模型,由三维模型建立点位矩阵,所述点位矩阵为三维矩阵;由于矿热炉对其周围也存在一定影响,因此,获取的三维模型除了包括矿热炉本体,还会包括一定尺寸内的周围区域。
然后,根据预设备案的任务流程,可以查询到每次任务对各点位的影响情况,每种参数都对应一个变化率矩阵。
最后,根据各个任务的持续时长以及对应的变化率矩阵计算积分(相当于分段函数积分),可以得到变化量矩阵;根据变化量矩阵达到了哪些阈值,进而在图层中确定表示数值,这一过程由所述激活函数完成;所述激活函数的含义是变化量达到一定阈值时,输出一个数值;所述阈值的数量由工作人员预先设定。
在本发明技术方案的一个实例中,所述根据预设的激活函数将变化量矩阵转换为预测图层的步骤包括:
遍历提取变化量矩阵中的元素,输入预设的激活函数,得到对应的图层数值;
根据预设的行列顺序提取变化量矩阵中的变化量,将变化量输入所述激活函数,可以确定变化量达到了哪个程度,由图层数值表示。
根据变化量矩阵的尺寸创建基准图层,将所述图层数值插入所述基准图层;
创建与变化量矩阵尺寸相同的基准图层(默认的图层,所有像素点的数值为初始值),将图层数值插入基准图层。
对含有图层数值的基准图层进行曲线拟合,得到预测图层;
变化量矩阵中的元素是离散数值,对离散数值进行拟合,得到预测图层。
图3为矿热炉短网调控数据处理方法的第二子流程框图,所述根据所述预测图层在矿热炉中确定传感节点,基于传感节点获取传感数据的步骤包括:
步骤S201:读取三维模型,基于三维模型统计各个参数下的预测图层;
读取上述内容中的矿热炉的三维模型 ,将预测图层插入所述三维模型。
步骤S202:基于预设的颗粒度遍历所述三维模型中的空间点,统计各个空间点在预测图层中的数值;
颗粒度用于表示遍历精度,根据预设的颗粒度遍历空间点,获取空间点对应的多个预测图层的数值。
步骤S203:对统计到的数值进行分析,确定各个空间点的价值;
预测图层的数量与待分析的参数种类相同,一般情况下包括温度、电流、阻抗、气压等,因此,每个空间点都对应多个预测图层的数值,也即,是一个数组;对数组进行常规的数学分析,比如计算均值和方差,根据均值和方差可以确定各个空间点的价值。
步骤S204:选取价值达到预设的价值条件的空间点,作为传感节点;
将价值与预设的价值条件进行比对,根据比对结果,确定可以作为传感节点的空间点。
步骤S205:在传感节点处安装传感设备,并建立与传感设备的连接通道,实时获取传感数据;
传感节点用于安装传感设备,通过传感设备即可获取到传感数据;一般情况下,一个传感节点处,安装多个传感设备,用于获取不同类型的传感数据(温度、电流、阻抗、气压等)。
进一步的,所述在传感节点处安装传感设备,并建立与传感设备的连接通道,实时获取传感数据的步骤包括:
获取传感节点与三维模型中的矿热炉的包含关系,根据包含关系确定可行度;包含时可行度为1,不包含时可行度为0;
根据可行度剔除无效节点,在剩余传感节点处安装传感设备;
根据传感设备的类型创建数据存储库,建立与传感设备的连接通道;所述数据存储库为三维数据集;
实时获取含有时间戳的传感数据。
上述内容对于传感数据的获取过程进行了限定,首先,考虑到实际安装因素,获取传感节点是否属于矿热炉的基体,如果属于矿热炉的基体,那么无需外接固定座,直接安装传感设备即可;因此,通过包含关系对传感节点进行筛选。
然后,在筛选后的传感节点处安装传感设备,建立数据存储库,获取传感数据即可。
其中,对于数据存储库需要进行说明,一种参数类型(温度、电流、阻抗、气压等)对应一个数据存储库,所述数据存储库包括多个单元,每个单元都与一个传感设备对应;当获取到传感数据时,插入对应的单元,因此,数据存储库是每个时刻的三维数据的集合。
图4为矿热炉短网调控数据处理方法的第三子流程框图,所述叠加所述传感数据,并对叠加后的传感数据进行识别,根据识别结果确定矿热炉状态矩阵的步骤包括:
步骤S301:根据时间顺序读取各个数据存储库中的传感数据,输入预设的数值转换模型,得到三维数值层;
数据存储库是按照时间排序的三维数据,根据时间读取读取数据存储库中的数据,输入预设的数值转换模型,可以将不同格式的传感数据转换为数值;对每个数据存储库(温度、电流、阻抗、气压等参数对应的数据存储库)都执行同样的操作。
步骤S302:组合三维数值层,得到以组合方式为索引的组合层;
组合得到的三维数值层,可以得到扩充后的待分析样本,称为组合层;所述组合层以组合方式为索引;需要说明的是,组合数可以为一。
步骤S303:将所述组合层输入预设的频域变换公式,得到变换层;
组合层中的数据量较大,在分析时,有时候只需要部分数据,即可确定矿热炉状态,因此,通过频域变换公式,对组合层中的数据进行数据集中,将低频数据集中起来,可以使得后续的比对分析过程无须进行全局分析,极大地提高了识别速度。
步骤S304:根据所述变换层确定矿热炉状态矩阵;
根据频域变换后的数据确定矿热炉状态,识别效率较高。
具体的,所述频域变换公式为:
;
;c(v)和c(w)与c(u)采用同一分段函数;
式中,为变换层中点/>的值,/>为组合层中点的值;N为各个方向上的数值总数;其中,三维数值组、组合层和变换层中各个方向的数值总数相同;数值总数相同的含义是,三维数值组、组合层和变换层是方阵,而正常情况下,很难出现完美的方阵,因此,在生成上述数据的过程中,需要通过默认的辅助数据对缺失部分进行补齐,使得它们成为方阵。
所述频域变换公式本质上是三维DCT变换,其原理可以参考一维DCT变换和二维DCT变换;其输入是一个矩阵,输出也是一个矩阵。
此外,关于上述的N,工作人员可以先对组合层进行分块,从而借助多个变换器完成频域变换过程,提高变换速度。
在本发明技术方案的一个实例中,所述根据所述变换层确定矿热炉状态矩阵的步骤包括:
根据预设的递增尺寸截取各个变换层;
将截取到的各个变换层输入训练好的浅层识别模型,确定各个变换层的异常度;
根据异常度选取目标变换层,并查询对应的组合方式,对组合方式取交集,确定目标类型;所述目标类型为传感设备的类型;
根据目标类型定位数据存储库,读取对应时刻的传感数据,作为矿热炉状态矩阵。
上述内容提供了一种具体的由变换层确定矿热炉状态矩阵的方案,由工作人员借助现有的浅层学习技术,建立由变换层至异常度的映射函数,然后,依次在变换层中截取部分内容,输入浅层识别模型,即可得到异常度;其中,截取的部分内容越来越大,当存在异常时,识别过程停止。
对所述浅层识别模型的说明如下,深度学习技术包含表示学习和浅层学习,表示学习的目的是提取原始数据的特征,在本发明技术方案中,将变换层作为原始数据的特征,因此,表示学习部分已经完成,后续的映射函数建立环节,采用现有的分类器即可,训练样本由工作人员建立。
进一步的,当某个组合层对应的变换层的异常度较高时,读取组合层的组合方式,由组合方式即可确定哪些参数可能存在问题,记录当前时刻,即可得到哪些时刻,哪些参数存在异常,此时,查询对应的数据存储库,读取传感数据即可。
图5为矿热炉短网调控数据处理方法的第四子流程框图,所述根据矿热炉状态矩阵确定短网参数调节指令的步骤包括:
步骤S401:根据矿热炉状态矩阵对应的传感数据的类型在预设的卷积核库中查询卷积特征;
步骤S402:根据所述卷积特征遍历矿热炉状态矩阵,确定异常区及异常类型;
步骤S403:将异常区及异常类型向质检端发送,接收质检端反馈的调节指令。
在本发明技术方案的一个实例中,根据传感数据的类型查询卷积特征,根据卷积特征遍历传感数据,计算匹配度,根据匹配度即可确定异常情况;将异常情况向质检端(人工端)发送,接收质检端反馈的调节指令即可。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种矿热炉短网调控数据处理方法,其特征在于,所述方法包括:
获取矿热炉的任务链表,根据任务链表确定矿热炉的预测图层;所述预测图层为三维数据,用于表征不同指标下矿热炉空间内各处的状态;
根据所述预测图层在矿热炉中确定传感节点,基于传感节点获取传感数据;所述传感节点与预测图层间存在包含关系;
叠加所述传感数据,并对叠加后的传感数据进行识别,根据识别结果确定矿热炉状态矩阵;
根据矿热炉状态矩阵确定短网参数调节指令;
所述获取矿热炉的任务链表,根据任务链表确定矿热炉的预测图层的步骤包括:
实时接收工作人员上传的含有优先级的任务需求,根据所述优先级将任务需求填充至任务组;所述任务需求包括条件参数数组;
根据任务组的优先级确定各任务组的选取概率,基于所述选取概率随机提取各个任务组中的任务需求,建立任务链表;
计算不同任务链表下矿热炉的参数变化信息,根据所述参数变化信息同步创建预测图层;
显示含有预测图层的矿热炉,接收工作人员输入的选取信息,确定目标任务链表;
所述计算不同任务链表下矿热炉的参数变化信息,根据所述参数变化信息同步创建预测图层的步骤包括:
获取矿热炉的三维模型,根据所述三维模型建立点位矩阵;其中,所述三维模型的边界为矿热炉在所有参数下的最大影响边界;所述参数至少包括温度、电流和阻抗;
在备案的任务流程库中查询任务链表中各任务的变化率矩阵;所述变化率矩阵用于表征某一参数下各任务对各点位的影响程度;
根据历史数据获取各任务的平均时长,根据平均时长对变化率矩阵进行积分,变化量矩阵;
根据预设的激活函数将变化量矩阵转换为预测图层;
所述根据预设的激活函数将变化量矩阵转换为预测图层的步骤包括:
遍历提取变化量矩阵中的元素,输入预设的激活函数,得到对应的图层数值;
根据变化量矩阵的尺寸创建基准图层,将所述图层数值插入所述基准图层;
对含有图层数值的基准图层进行曲线拟合,得到预测图层;
所述根据所述预测图层在矿热炉中确定传感节点,基于传感节点获取传感数据的步骤包括:
读取三维模型,基于三维模型统计各个参数下的预测图层;
基于预设的颗粒度遍历所述三维模型中的空间点,统计各个空间点在预测图层中的数值;
对统计到的数值进行分析,确定各个空间点的价值;
选取价值达到预设的价值条件的空间点,作为传感节点;
在传感节点处安装传感设备,并建立与传感设备的连接通道,实时获取传感数据;
所述在传感节点处安装传感设备,并建立与传感设备的连接通道,实时获取传感数据的步骤包括:
获取传感节点与三维模型中的矿热炉的包含关系,根据包含关系确定可行度;包含时可行度为1,不包含时可行度为0;
根据可行度剔除无效节点,在剩余传感节点处安装传感设备;
根据传感设备的类型创建数据存储库,建立与传感设备的连接通道;所述数据存储库为三维数据集;
实时获取含有时间戳的传感数据;
所述叠加所述传感数据,并对叠加后的传感数据进行识别,根据识别结果确定矿热炉状态矩阵的步骤包括:
根据时间顺序读取各个数据存储库中的传感数据,输入预设的数值转换模型,得到三维数值层;
组合三维数值层,得到以组合方式为索引的组合层;
将所述组合层输入预设的频域变换公式,得到变换层;
根据所述变换层确定矿热炉状态矩阵。
2.根据权利要求1所述的矿热炉短网调控数据处理方法,其特征在于,所述频域变换公式为:
;
;c(v)和c(w)与c(u)采用同一分段函数;
式中,为变换层中点/>的值,/>为组合层中点/>的值;N为各个方向上的数值总数。
3.根据权利要求1所述的矿热炉短网调控数据处理方法,其特征在于,所述根据所述变换层确定矿热炉状态矩阵的步骤包括:
根据预设的递增尺寸截取各个变换层;
将截取到的各个变换层输入训练好的浅层识别模型,确定各个变换层的异常度;
根据异常度选取目标变换层,并查询对应的组合方式,对组合方式取交集,确定目标类型;所述目标类型为传感设备的类型;
根据目标类型定位数据存储库,读取对应时刻的传感数据,作为矿热炉状态矩阵。
4.根据权利要求1所述的矿热炉短网调控数据处理方法,其特征在于,所述根据矿热炉状态矩阵确定短网参数调节指令的步骤包括:
根据矿热炉状态矩阵对应的传感数据的类型在预设的卷积核库中查询卷积特征;
根据所述卷积特征遍历矿热炉状态矩阵,确定异常区及异常类型;
将异常区及异常类型向质检端发送,接收质检端反馈的调节指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310643738.9A CN116379793B (zh) | 2023-06-02 | 2023-06-02 | 一种矿热炉短网调控数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310643738.9A CN116379793B (zh) | 2023-06-02 | 2023-06-02 | 一种矿热炉短网调控数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116379793A CN116379793A (zh) | 2023-07-04 |
CN116379793B true CN116379793B (zh) | 2023-08-15 |
Family
ID=86979090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310643738.9A Active CN116379793B (zh) | 2023-06-02 | 2023-06-02 | 一种矿热炉短网调控数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116379793B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135785A (zh) * | 2014-08-18 | 2014-11-05 | 孙孟君 | 一种矿热炉节电方法 |
CN106766905A (zh) * | 2017-02-13 | 2017-05-31 | 中冶东方工程技术有限公司 | 控制矿热炉内电气参数平衡的方法及装置 |
CN109492839A (zh) * | 2019-01-17 | 2019-03-19 | 东华大学 | 一种基于rnn-lstm网络的矿热炉工况预测方法 |
CN111898669A (zh) * | 2020-07-24 | 2020-11-06 | 大连重工机电设备成套有限公司 | 一种基于机器学习的直流矿热炉异常事件预警系统 |
CN112858820A (zh) * | 2021-01-19 | 2021-05-28 | 苏州工业园区苏容电气有限公司 | 三相交流矿热炉低压导体在线寿命监测系统 |
CN112858816A (zh) * | 2021-01-14 | 2021-05-28 | 苏州工业园区苏容电气有限公司 | 三相交流矿热炉实时电气参数全面检测系统 |
CN113344257A (zh) * | 2021-05-21 | 2021-09-03 | 武汉大学 | 一种国土空间信息服务云平台中图层分析响应时间的混合预测方法 |
WO2022010377A1 (ru) * | 2020-07-06 | 2022-01-13 | Акционерное Общество "Ротек" | Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов |
CN113962405A (zh) * | 2021-09-02 | 2022-01-21 | 大连重工机电设备成套有限公司 | 一种智能矿热炉远程运维系统 |
CN114518732A (zh) * | 2022-02-10 | 2022-05-20 | 宁夏瑞资联实业有限公司 | 一种dcs矿热炉炉控系统 |
CN114580756A (zh) * | 2022-03-09 | 2022-06-03 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据驱动的矿热炉节能优化方法及其装置 |
CN114707385A (zh) * | 2022-04-12 | 2022-07-05 | 中国地质大学(武汉) | 基于Krylov子空间的深部地层导热系数三维预测方法及装置 |
US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
CN115574945A (zh) * | 2022-09-20 | 2023-01-06 | 大连重工机电设备成套有限公司 | 一种矿热炉巡检机器人控制系统及方法 |
CN115758820A (zh) * | 2022-11-14 | 2023-03-07 | 中国地质大学(武汉) | 深部地层导热系数三维瞬态预测方法、装置及电子设备 |
CN115854355A (zh) * | 2022-08-01 | 2023-03-28 | 浙江大学 | 一种蓄热式热力氧化炉的故障预测与诊断系统及方法 |
-
2023
- 2023-06-02 CN CN202310643738.9A patent/CN116379793B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135785A (zh) * | 2014-08-18 | 2014-11-05 | 孙孟君 | 一种矿热炉节电方法 |
CN106766905A (zh) * | 2017-02-13 | 2017-05-31 | 中冶东方工程技术有限公司 | 控制矿热炉内电气参数平衡的方法及装置 |
CN109492839A (zh) * | 2019-01-17 | 2019-03-19 | 东华大学 | 一种基于rnn-lstm网络的矿热炉工况预测方法 |
WO2022010377A1 (ru) * | 2020-07-06 | 2022-01-13 | Акционерное Общество "Ротек" | Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов |
CN111898669A (zh) * | 2020-07-24 | 2020-11-06 | 大连重工机电设备成套有限公司 | 一种基于机器学习的直流矿热炉异常事件预警系统 |
CN112858816A (zh) * | 2021-01-14 | 2021-05-28 | 苏州工业园区苏容电气有限公司 | 三相交流矿热炉实时电气参数全面检测系统 |
CN112858820A (zh) * | 2021-01-19 | 2021-05-28 | 苏州工业园区苏容电气有限公司 | 三相交流矿热炉低压导体在线寿命监测系统 |
US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
CN113344257A (zh) * | 2021-05-21 | 2021-09-03 | 武汉大学 | 一种国土空间信息服务云平台中图层分析响应时间的混合预测方法 |
CN113962405A (zh) * | 2021-09-02 | 2022-01-21 | 大连重工机电设备成套有限公司 | 一种智能矿热炉远程运维系统 |
CN114518732A (zh) * | 2022-02-10 | 2022-05-20 | 宁夏瑞资联实业有限公司 | 一种dcs矿热炉炉控系统 |
CN114580756A (zh) * | 2022-03-09 | 2022-06-03 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据驱动的矿热炉节能优化方法及其装置 |
CN114707385A (zh) * | 2022-04-12 | 2022-07-05 | 中国地质大学(武汉) | 基于Krylov子空间的深部地层导热系数三维预测方法及装置 |
CN115854355A (zh) * | 2022-08-01 | 2023-03-28 | 浙江大学 | 一种蓄热式热力氧化炉的故障预测与诊断系统及方法 |
CN115574945A (zh) * | 2022-09-20 | 2023-01-06 | 大连重工机电设备成套有限公司 | 一种矿热炉巡检机器人控制系统及方法 |
CN115758820A (zh) * | 2022-11-14 | 2023-03-07 | 中国地质大学(武汉) | 深部地层导热系数三维瞬态预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116379793A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230318B (zh) | 钢包缺陷检测分类方法、装置、设备及计算机可读介质 | |
CN109978403B (zh) | 一种产品装配过程的质量管控方法、装置及设备 | |
CN1875386A (zh) | 作业机械的管理系统 | |
CN109255112A (zh) | 一种报告自动生成方法和系统 | |
US20230037249A1 (en) | Systems and methods for graphite electrode identification and monitoring | |
CN104516339A (zh) | 优化化工间歇生产操作的方法及经优化的生产操作系统 | |
CN116379793B (zh) | 一种矿热炉短网调控数据处理方法 | |
JPH0584631A (ja) | 数値制御装置およびセルコントローラ | |
CN116026420A (zh) | 一种基于轴承加工的参数检测方法及系统 | |
CN113652535A (zh) | 智能化热处理生产线的控制方法及装置 | |
CN102804090B (zh) | 用于在机床上的简化的故障处理的方法和设备 | |
EP3712281B1 (en) | Blast control device for blast furnace and method therefor | |
JP2021018569A (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 | |
CN111290267B (zh) | 基于LabVIEW的火电模型辨识装置和辨识方法 | |
CN102053571A (zh) | 信息采集终端的数据采集方法 | |
CN114943364A (zh) | 一种网带炉智能可视化管理方法及装置 | |
CN112204547A (zh) | 基于工业对象模型的数据处理方法、装置及设备 | |
CN113537612A (zh) | 基于遗传算法动态规划技术的重过载转供方法 | |
CN116883410B (zh) | 一种磨斑自动化检测与评价的方法、系统以及设备 | |
CN108170138A (zh) | 扫地机控制方法及装置 | |
CN113110054B (zh) | 一种烧结机自学习控制方法 | |
CN118097239A (zh) | 锅炉受热面寿命预测方法、装置、介质及设备 | |
CN113743622B (zh) | 基于n-1准则的配电网分析系统及方法 | |
CN117468084B (zh) | 晶棒生长控制方法、装置、长晶炉系统和计算机设备 | |
US20240077849A1 (en) | Systems and Methods for Using Wire Printing Process Data to Predict Material Properties and Part Quality |
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 |