CN116938256A - 基于大数据的回转炉运行参数智能管理方法 - Google Patents

Abstract

本发明涉及数据压缩技术领域，具体涉及基于大数据的回转炉运行参数智能管理方法，包括：获取待编码数据序列；根据待编码数据序列获取待编码数据序列中的所有目标字符段，获取各类目标字符段；根据各类目标字符段的数量与各类目标字符段内字符数量，得到各种字符之间的理想间隔，生成待编码数据序列中距离字典区最近的字符的字典区大小，并对待编码数据序列进行数据压缩，得到回转炉运行参数的压缩结果；对回转炉运行参数的压缩结果进行大数据分析，实现对回转炉异常情况的及时预警。本发明通过提高压缩回转炉运行参数效率后，通过收集大量数据，基于大数据方法对其进行处理分析，实现对回转炉异常情况的及时预警。

Description

基于大数据的回转炉运行参数智能管理方法

技术领域

本发明涉及数据压缩技术领域，具体涉及基于大数据的回转炉运行参数智能管理方法。

背景技术

回转炉是一种用于冶炼铁的大型冶炼设备，它是目前最常用的铁制造方法之一，广泛应用于钢铁工业，其工作原理是利用高温燃烧、还原和冶炼的过程将生铁矿石转化为熔融的铁和副产品，主要包括炉渣和煤气。为了提高生产效率、降低成本、延长设备寿命，并保护环境和确保安全，回转炉运行时需要监控、管理、调整其运行参数。基于大数据的回转炉运行参数智能管理方法是利用大数据技术和智能算法来对回转炉运行参数进行监测、分析和优化的方法，据此可以实现对回转炉运行参数的智能管理，提高运行效率、降低能耗和安全风险，优化生产过程，提高产能和产品质量。

基于大数据的回转炉运行参数智能管理方法需要采集大量运行参数数据进行存储，以便后续数据分析，实现智能优化预测和决策支持，以实现对回转炉的控制和异常情况的及时处理。为了增加大数据方法的可信度，需要采集尽可能多的数据进行存储，采用数据压缩方法缩减数据内存，充分利用存储空间。LZ77编码是一种基于字典的无损压缩算法，针对于回转炉运行参数具有良好的压缩效果，然而，它是一种局部匹配算法，只考虑当前滑动窗口内的重复片段，会导致一些较远的重复片段无法被捕获，使得最终的压缩率较低。

发明内容

本发明提供基于大数据的回转炉运行参数智能管理方法，以解决现有的问题。

本发明的基于大数据的回转炉运行参数智能管理方法采用如下技术方案：

本发明一个实施例提供了基于大数据的回转炉运行参数智能管理方法，该方法包括以下步骤：

采集回转炉运行参数获取待编码数据序列；

根据待编码数据序列，获取待编码数据序列中的各种字符；根据待编码数据序列中的各个字符之间的字符片段获取待编码数据序列中的所有目标字符段，对所有目标字符段进行归类，获取各类目标字符段；根据各类目标字符段的数量与各类目标字符段内字符数量，得到各种字符之间的理想间隔；

获取待编码数据序列中距离字典区最近与第二近的字符；根据各种字符之间的理想间隔以及待编码数据序列中距离字典区最近与第二近的字符，生成待编码数据序列中距离字典区最近的字符的字典区大小；根据待编码数据序列中距离字典区最近的字符的字典区大小对待编码数据序列进行数据压缩，得到回转炉运行参数的压缩结果；

对回转炉运行参数的压缩结果进行大数据分析，实现对回转炉异常情况的及时预警。

优选的，所述获取待编码数据序列中的各种字符，具体包括：

待编码数据序列中的各种字符的种类有数字0-9中的10个数字、小数点以及空格号12种字符。

优选的，所述获取待编码数据序列中的所有目标字符段，包括的具体步骤如下：

任取待编码数据序列中任意两个字符，所述任意两个字符中的左侧的字符记为第个字符、右侧的字符记为第/>个字符，如果从第/>个字符到第/>个字符之间的字符段中没有与第/>个字符或第/>个字符相同的字符，则将第/>个字符到第/>个字符的字符段记为一个目标字符段，否则不构成目标字符段。

优选的，所述对所有目标字符段进行归类，获取各类目标字符段，包括的具体步骤如下：

将待编码数据序列中相同的字符归为同一种字符，并将所有的目标字符段内第一个字符相同且最后一个字符相同的字符段归为同一类目标字符段。

优选的，所述根据各类目标字符段的数量与各类目标字符段内字符数量，得到各种字符之间的理想间隔的具体获取步骤如下：

将在编码序列中以第种字符和第/>种字符分别为第一个字符和最后一个字符的目标字符段记为（/>）类目标字符段，统计（/>）类目标字符段的数量记为/>；并统计（）类目标字符段内每个目标字符段内的字符数量，将待编码数据序列上所有（/>）类目标字符段中第/>个目标字符段包含的字符数量记为/>；

再根据（）类目标字符段的数量/>以及（/>）类目标字符段内每个目标字符段内的字符数量，得到第/>种字符到第/>种字符的理想间隔；同理得到各种字符之间的理想间隔。

优选的，所述得到第种字符到第/>种字符的理想间隔包括的具体计算公式如下：

式中，表示第/>种字符到第/>种字符的理想间隔。

优选的，所述获取待编码数据序列中距离字典区最近与第二近的字符；根据各种字符之间的理想间隔以及待编码数据序列中距离字典区最近与第二近的字符，生成待编码数据序列中距离字典区最近的字符的字典区大小，包括的具体步骤如下：

将在待编码数据序列中距离字典区最近以及第二近的字符分别记为字符与字符，而将字符/>与字符/>对应的字符种类分别记为第/>种字符与第/>种字符；根据第/>种字符到第/>种字符之间的理想间隔、第/>个字符到第/>个字符的理想间隔以及第/>种字符到第/>种字符的理想间隔，生成字符/>的字典区大小，同理生成待编码数据序列中距离字典区最近的字符的字典区大小。

优选的，所述生成字符的字典区大小，包括的具体计算公式如下：

式中，表示字符/>的字典区大小，/>表示第/>种字符到第/>种字符的理想间隔，/>表示第/>个字符到第/>个字符的理想间隔，/>表示第/>种字符到第/>种字符的理想间隔，/>为取最大值函数，/>为取最小值函数，/>为向上取整运算。

优选的，所述得到回转炉运行参数的压缩结果，包括的具体步骤如下：

根据自适应生成待编码数据序列的字典区，使用LZ77压缩算法，对待编码数据进行压缩，得到回转炉运行参数的压缩结果。

优选的，所述对回转炉运行参数的压缩结果进行大数据分析，实现对回转炉异常情况的及时预警，包括的具体步骤如下：

将回转炉运行参数的压缩结果利用LZ77算法进行解压缩，得到待编码数据序列，将待编码数据序列输入到神经网络中，判断出待编码数据序列是否存在异常运行参数，如果存在则发出报警信号；如果不存在则不出报警信号；

而神经网络的训练方法为：采集大量的回转炉运行参数，大量的回转炉运行参数构成的待编码数据序列作为数据集，为数据集中每个待编码数据序列分配标签，如果待编码数据序列中含有异常运行参数，那么分配的标签为1；如果待编码数据序列中不含有异常运行参数，那么分配的标签为0；利用数据集训练神经网络。

本发明的技术方案的有益效果是：由于回转炉运行参数具有较高的重复性，所以可以对回转炉运行参数使用压缩算法进行数据压缩处理，但是传统的压缩算法中的字典区是固定的，若回转炉运行参数中若重复的数据间隔大于压缩算法中的字典区长度的字符无法被检索出来，从而导致回转炉运行参数得不到良好的压缩；所以本发明提出了一种基于自适应窗口的编码压缩算法，基于大数据方法对采集到的历史数据进行处理，获取数据序列中各种可能的字符的出现的理想间隔，对待编码数据序列进行编码时，根据待编码数据序列中待编码区字符的理想间隔，调整滑动窗口的长度，使得滑动窗口的待编码区内尽可能长的字符串能够在前方字典区中被匹配，提升数据压缩效率，同时控制滑动窗口长度，避免因窗口过长导致查找匹配效率下降；最终在收集大量数据后，基于大数据方法对其进行处理分析，以实现对回转炉异常情况的及时预警。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于大数据的回转炉运行参数智能管理方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于大数据的回转炉运行参数智能管理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于大数据的回转炉运行参数智能管理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于大数据的回转炉运行参数智能管理方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集回转炉运行参数，获取待编码数据序列。

需要说明的是，回转炉运行参数有：炉内气压、炉顶气压以及炉内温度等各种各样的参数，但这些回转炉运行参数中的字符种类是固定的，而回转炉运行参数中的字符包括：0-9、小数点以及空格号；这些字符在回转炉运行参数中会或多或少的重复出现，因此在对回转炉运行参数进行智能管理时，可根据各种字符存在重复出现这一特征进行优化存储，实现回转炉运行参数的智能管理。

具体的，通过回转炉内的各种传感器采集回转炉运行参数，将按时序采集得到的回转炉运行参数作为待编码数据序列。

步骤S002：根据待编码数据序列，得到各种字符之间的理想间隔。

需要进一步说明的是，由于回转炉在运行时的稳定行高，所以回转炉运行参数的局部重复率高，所以在本实施例中采取LZ77压缩思想对回转炉运行参数进行压缩，而LZ77压缩算法作为一种典型的基于字典的压缩算法，是通过一个滑动窗口依次对各字符进行编码，其中滑动窗口分为两个区域，左侧为字典区，右侧为待编码区，编码时，在字典区查找与待编码区被编码的字符匹配的字符串，输出一个三元组作为被编码数据的编码结果；LZ77压缩算法的核心思想是根据待编码数据序列的局部相似性，利用滑动窗口内加入字典的已被编码的字符对待编码字符串进行编码，因此滑动窗口的长度至关重要，理论上是窗口越长，字符串重复的可能性越高，压缩效率越高，但是窗口过长，查找的效率也会降低。

因此，本实施例通过待编码数据序列中字符重复出现的可能性，自适应生成窗口长度方式，通过判断待编码数据序列中字符的重复情况，合理的设置滑动窗口的长度，尽可能使得待编码区内较长的字符串能够在字典区中找到与其匹配的字符串，需要获取待编码数据序列中字符的重复情况，即需要获取字符两两间的平均间隔。

具体的，任取待编码数据序列中任意两个字符，其中左侧的字符记为第个字符、右侧的字符记为第/>个字符，如果从第/>个字符到第/>个字符之间的字符段中没有与第/>个字符或第/>个字符相同的字符，则将第/>个字符到第/>个字符的字符段记为一个目标字符段，否则不构成目标字符段；

通过上述方法获取待编码数据序列中所有目标字符段，将待编码数据序列中相同的字符归为同一种字符，并将所有的目标字符段内第一个字符相同且最后一个字符相同的字符段归为同一类目标字符段，以各类目标字符段中的第一个字符的种类与最后一个字符的种类表征各类目标字符段，例如将以第种字符和第/>种字符分别为第一个字符和最后一个字符的目标字符段记为（/>）类目标字符段；

统计待编码数据序列中（）类目标字符段的数量记为/>，即待编码数据序列中有/>个目标字符段，且这些目标字符段的第一个字符都是第/>种字符且最后一个字符都是第/>种字符；

统计（）类目标字符段内每个目标字符段内的字符数量，将待编码数据序列上所有（/>）类目标字符段中第/>个目标字符段包含的除首尾字符外的字符数量记为/>。

最后，根据待编码数据序列中（）类目标字符段的数量与目标字符段内除首尾字符外的字符数量，计算各类目标字符段内除首尾字符外的字符数量，其具体的计算公式为：

式中，表示在所有（/>）类目标字符段中的第/>个目标字符内除首尾字符外的字符数量；/>表示待编码数据序列中（/>）类目标字符段的数量；/>表示所有（/>）类目标字符段内除首尾字符外的字符数量的均值；将（/>）类目标字符段内除首尾字符外的字符数量均值/>作为第/>种字符到第/>种字符的理想间隔。

值得一提的是，第种字符与第/>种字符是可以相等的，即第/>种字符与第/>种字符可以为同一种字符，此时将第/>种字符到第/>种字符之间的理想间隔称为第/>种到第/>种字符的理想间隔。

至此，获取第种字符到第/>种字符的理想间隔，同理得到各种字符之间的理想间隔。

步骤S003：各种字符之间的理想间隔以及待编码数据序列中距离字典区最近与第二近的字符，生成待编码数据序列中距离字典区最近的字符的字典区大小。

需要说明的是，本实施例是基于LZ77压缩算法的思想上，尽可能的将同种字符同时录入字典区这一目的而生成自适应字典区的；而为了能够进一步提高LZ77压缩算法的压缩率，需要根据距离字典区最近的两个字符生成自适应字典区。

具体的，将在待编码数据序列中距离字典区最近以及第二近的字符分别记为字符与字符/>，而将字符/>与字符/>对应的字符种类分别记为第/>种字符与第/>种字符。

需要进一步说明的是，当第种字符到第/>种字符的理想间隔，同时小于第/>种字符的理想间隔以及第/>种字符的理想间隔时，表明第/>个字符与第/>个字符在待编码数据序列中组成字符对的可能性大；

反之，若第种字符到第/>种字符的理想间隔，没有同时小于第/>种字符的理想间隔以及第/>种字符的理想间隔时，表明第/>个字符与第/>个字符在待编码数据序列中组成字符对的可能性小。

最后通过第个字符与第/>字符在待编码数据序列中组成字符对的可能性，自适应生成第/>个字符字典区大小。

具体的，根据通过任意两个字符之间的理想间隔，生成任意字符自适应字典区大小的距离计算公式如下：

式中，表示字符/>的字典区大小，/>表示第/>种字符到第/>种字符的理想间隔，/>表示第/>个字符到第/>个字符的理想间隔，/>表示第/>种字符到第/>种字符的理想间隔，/>为取最大值函数，/>为取最小值函数，/>为向上取整运算。

至此，实现自适应生成待编码数据序列的字典区。

步骤S004：根据待编码数据序列中距离字典区最近的字符的字典区大小对待编码数据序列进行数据压缩，得到回转炉运行参数的压缩结果。

需要说明的是，在对待编码数据序列进行基于LZ77压缩运算时，本实施例不断地根据待编码区字符的理想间隔调整字典区的长度，使得待编码区尽可能长的字符串能在字典区找到相匹配的字符串；使得待编码区的字符串与字典区的字符串匹配的可能性大大提高，打破了LZ77编码时滑动窗口固定的限制，避免因字典区长度不足导致的待编码区字符串无法匹配的情况，提升了压缩率。

具体的，在使用LZ77算法对待编码数据序列进行压缩时，不断地根据距离字典区最近的两个字符来调整字典区大小，达到提高压缩结果的压缩率的目的。

步骤S005：对回转炉运行参数的压缩结果进行大数据分析，实现对回转炉异常情况的及时预警。

通过待编码数据序列中的任意两个字符之间的理想间隔，生成自适应LZ77滑动窗口，获取待编码数据序列对应的编码压缩结果，将其进行存储。

将存储的数据利用LZ77算法进行解压缩，得到步骤S001的待编码数据序列，将待编码数据序列输入到神经网络中，判断待编码数据序列是否存在异常运行参数。如果存在则发出报警信号；如果不存在则不出报警信号。

本实施例中所使用的神经网络为LSTM神经网络，该网络的训练方法为：通过大量的回转炉运行参数，这些运行参数构成的待编码数据序列作为数据集，人为的为数据集中每个待编码数据序列分配标签，如果待编码数据序列中含有异常运行参数，那么分配的标签为1；如果待编码数据序列中不含有异常运行参数，那么分配的标签为0。利用该是数据集训练神经网络。其中数据集和标签训练神经网络，网络的训练方法是公知的，本实施例不再进行具体赘述。

收集大量数据后，基于大数据方法对其进行处理分析，以实现对回转炉异常情况的及时预警。

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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于大数据的回转炉运行参数智能管理方法，其特征在于，该方法包括以下步骤：

采集回转炉运行参数获取待编码数据序列；

根据待编码数据序列，获取待编码数据序列中的各种字符；根据待编码数据序列中的各个字符之间的字符片段获取待编码数据序列中的所有目标字符段，对所有目标字符段进行归类，获取各类目标字符段；根据各类目标字符段的数量与各类目标字符段内字符数量，得到各种字符之间的理想间隔；

获取待编码数据序列中距离字典区最近与第二近的字符；根据各种字符之间的理想间隔以及待编码数据序列中距离字典区最近与第二近的字符，生成待编码数据序列中距离字典区最近的字符的字典区大小；根据待编码数据序列中距离字典区最近的字符的字典区大小对待编码数据序列进行数据压缩，得到回转炉运行参数的压缩结果；

对回转炉运行参数的压缩结果进行大数据分析，实现对回转炉异常情况的及时预警。

2.根据权利要求1所述基于大数据的回转炉运行参数智能管理方法，其特征在于，所述获取待编码数据序列中的各种字符，具体包括：

待编码数据序列中的各种字符的种类有数字0-9中的10个数字、小数点以及空格号12种字符。

3.根据权利要求1所述基于大数据的回转炉运行参数智能管理方法，其特征在于，所述获取待编码数据序列中的所有目标字符段，包括的具体步骤如下：

任取待编码数据序列中任意两个字符，所述任意两个字符中的左侧的字符记为第个字符、右侧的字符记为第/>个字符，如果从第/>个字符到第/>个字符之间的字符段中没有与第/>个字符或第/>个字符相同的字符，则将第/>个字符到第/>个字符的字符段记为一个目标字符段，否则不构成目标字符段。

4.根据权利要求1所述基于大数据的回转炉运行参数智能管理方法，其特征在于，所述对所有目标字符段进行归类，获取各类目标字符段，包括的具体步骤如下：

将待编码数据序列中相同的字符归为同一种字符，并将所有的目标字符段内第一个字符相同且最后一个字符相同的字符段归为同一类目标字符段。

5.根据权利要求1所述基于大数据的回转炉运行参数智能管理方法，其特征在于，所述根据各类目标字符段的数量与各类目标字符段内字符数量，得到各种字符之间的理想间隔的具体获取步骤如下：

将在编码序列中以第种字符和第/>种字符分别为第一个字符和最后一个字符的目标字符段记为（/>）类目标字符段，统计（/>）类目标字符段的数量记为/>；并统计（/>）类目标字符段内每个目标字符段内的字符数量，将待编码数据序列上所有（/>）类目标字符段中第/>个目标字符段包含的字符数量记为/>；

再根据（）类目标字符段的数量/>以及（/>）类目标字符段内每个目标字符段内的字符数量，得到第/>种字符到第/>种字符的理想间隔；同理得到各种字符之间的理想间隔。

6.根据权利要求5所述基于大数据的回转炉运行参数智能管理方法，其特征在于，所述得到第种字符到第/>种字符的理想间隔包括的具体计算公式如下：

式中，表示第/>种字符到第/>种字符的理想间隔。

7.根据权利要求1所述基于大数据的回转炉运行参数智能管理方法，其特征在于，所述获取待编码数据序列中距离字典区最近与第二近的字符；根据各种字符之间的理想间隔以及待编码数据序列中距离字典区最近与第二近的字符，生成待编码数据序列中距离字典区最近的字符的字典区大小，包括的具体步骤如下：

将在待编码数据序列中距离字典区最近以及第二近的字符分别记为字符与字符/>，而将字符/>与字符/>对应的字符种类分别记为第/>种字符与第/>种字符；根据第/>种字符到第/>种字符之间的理想间隔、第/>个字符到第/>个字符的理想间隔以及第/>种字符到第种字符的理想间隔，生成字符/>的字典区大小，同理生成待编码数据序列中距离字典区最近的字符的字典区大小。

8.根据权利要求7所述基于大数据的回转炉运行参数智能管理方法，其特征在于，所述生成字符的字典区大小，包括的具体计算公式如下：

式中，表示字符/>的字典区大小，/>表示第/>种字符到第/>种字符的理想间隔，表示第/>个字符到第/>个字符的理想间隔，/>表示第/>种字符到第/>种字符的理想间隔，/>为取最大值函数，/>为取最小值函数，/>为向上取整运算。

9.根据权利要求1所述基于大数据的回转炉运行参数智能管理方法，其特征在于，所述得到回转炉运行参数的压缩结果，包括的具体步骤如下：

根据自适应生成待编码数据序列的字典区，使用LZ77压缩算法，对待编码数据进行压缩，得到回转炉运行参数的压缩结果。

10.根据权利要求9所述基于大数据的回转炉运行参数智能管理方法，其特征在于，所述对回转炉运行参数的压缩结果进行大数据分析，实现对回转炉异常情况的及时预警，包括的具体步骤如下：

将回转炉运行参数的压缩结果利用LZ77算法进行解压缩，得到待编码数据序列，将待编码数据序列输入到神经网络中，判断出待编码数据序列是否存在异常运行参数，如果存在则发出报警信号；如果不存在则不出报警信号；

而神经网络的训练方法为：采集大量的回转炉运行参数，大量的回转炉运行参数构成的待编码数据序列作为数据集，为数据集中每个待编码数据序列分配标签，如果待编码数据序列中含有异常运行参数，那么分配的标签为1；如果待编码数据序列中不含有异常运行参数，那么分配的标签为0；利用数据集训练神经网络。