CN117236704A - 一种钢铁生产线区域动态安全风险评估量化方法和装置 - Google Patents
一种钢铁生产线区域动态安全风险评估量化方法和装置 Download PDFInfo
- Publication number
- CN117236704A CN117236704A CN202311522909.9A CN202311522909A CN117236704A CN 117236704 A CN117236704 A CN 117236704A CN 202311522909 A CN202311522909 A CN 202311522909A CN 117236704 A CN117236704 A CN 117236704A
- Authority
- CN
- China
- Prior art keywords
- area
- black box
- production
- related data
- region
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 189
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 81
- 239000010959 steel Substances 0.000 title claims abstract description 81
- 238000012502 risk assessment Methods 0.000 title claims abstract description 56
- 238000004445 quantitative analysis Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 272
- 239000002699 waste material Substances 0.000 claims abstract description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 18
- 238000005096 rolling process Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 17
- 239000001301 oxygen Substances 0.000 claims description 17
- 229910052760 oxygen Inorganic materials 0.000 claims description 17
- 239000007789 gas Substances 0.000 claims description 16
- 239000003245 coal Substances 0.000 claims description 15
- 238000001816 cooling Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 14
- 239000002994 raw material Substances 0.000 claims description 12
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 claims description 9
- 238000003723 Smelting Methods 0.000 claims description 9
- 238000003491 array Methods 0.000 claims description 9
- 238000006477 desulfuration reaction Methods 0.000 claims description 9
- 230000023556 desulfurization Effects 0.000 claims description 9
- 229910052742 iron Inorganic materials 0.000 claims description 9
- 238000011002 quantification Methods 0.000 claims description 9
- 238000005245 sintering Methods 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 7
- 238000005453 pelletization Methods 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 239000002253 acid Substances 0.000 claims description 6
- 238000004939 coking Methods 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 6
- 238000007730 finishing process Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 238000010791 quenching Methods 0.000 claims description 6
- 230000000171 quenching effect Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000009628 steelmaking Methods 0.000 claims description 6
- 239000002893 slag Substances 0.000 claims description 5
- 239000000571 coke Substances 0.000 claims description 4
- 229910001021 Ferroalloy Inorganic materials 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 3
- 238000009500 colour coating Methods 0.000 claims description 3
- 238000009749 continuous casting Methods 0.000 claims description 3
- 230000009615 deamination Effects 0.000 claims description 3
- 238000006481 deamination reaction Methods 0.000 claims description 3
- 238000004512 die casting Methods 0.000 claims description 3
- 238000003618 dip coating Methods 0.000 claims description 3
- 238000004821 distillation Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000010891 electric arc Methods 0.000 claims description 3
- 238000009713 electroplating Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000011112 process operation Methods 0.000 claims description 3
- 238000000746 purification Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000005406 washing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 229910052725 zinc Inorganic materials 0.000 claims description 3
- 239000011701 zinc Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 8
- 238000007599 discharging Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- General Factory Administration (AREA)
Abstract
本发明涉及钢铁风险管控技术领域,提供了一种钢铁生产线区域动态安全风险评估量化方法和装置。所述方法包括:依次以被更替后的设备所在生产区域、与设备所在的生产区域位于同一钢铁生产线上的其他生产区域进行合并后所得区域进行输入输出相关数据的匹配,在得到匹配结果为差异度小于等于预设阈值情况后,对于黑盒区域内部的安全风险评估基于所更替设备自身的安全参数进行生成,黑和区域外部的其他生产区域仍然沿用历史的安全风险评估数据。本发明通过对黑盒区域进行评估和合并,从而找到能够等同于设备更换前的工作环境的区域,对该区域单独生成监测数据,对其他区域沿用历史监测数据,从而最大程度地复用历史监测数据,减少数据资源的浪费。
Description
技术领域
本发明涉及钢铁风险管控技术领域,特别是涉及一种钢铁生产线区域动态安全风险评估量化方法和装置。
背景技术
在区域动态风险评估研究中,较多集中于城市区域风险评估以及煤矿动态安全风险评估研究。冶金行业中的区域动态评估较少,重点以根据现场关键风险点建立评估模型,从而提高钢铁生产的安全性。
根据现有冶金行业区域动态风险评估研究结果,常见以固有风险、动态风险两个维度进行风险评估。其中动态风险指标主要以关键风险点,如关键物品、关键工艺、场所、作业等为风险评估对象;动态指标立足于人、机、环、管四个方面,其中,尤其以机和环境为研究重点,在进行了相应的设备更新之后,历史的数据在针对更设备更新后的风险评估量化时,通常没有一个非常有效的手段,通常要么就作为历史版本设备数据进行封存,作为历史案例学习;要么就是仅仅保留其中的关键数据作为典型事件学习。现有技术之中没有一种行之有效的手段,能够将相应设备更新之前的历史数据,有效的应用到设备更新之后的系统之中,从而造成了数据资源的浪费。
鉴于此,克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
发明内容
本发明要解决的技术问题是克服现有技术之中没有一种行之有效的手段,能够将相应设备更新之前的历史数据,有效的应用到设备更新之后的系统之中,从而造成了数据资源的浪费的问题。
本发明进一步要解决的技术问题是提供一种钢铁生产线区域动态安全风险评估量化方法和装置。
本发明采用如下技术方案:
第一方面,本发明提供了一种钢铁生产线区域动态安全风险评估量化方法,在钢铁生产线的第一区域中发生设备更替时,方法包括:
以被更替后的设备所在的生产区域作为第一黑盒区域,对于第一黑盒区域的输入输出相关数据进行采集;
将采集得到的第一黑盒区域的输入输出相关数据,带入历史搜集数据进行匹配;其中,所述匹配用于确认所述第一黑盒区域在完成设备更替前后的输入输出相关数据之间的差异度是否小于预设阈值;
若相应的匹配结果为差异度小于等于预设阈值,则与所述第一黑盒区域位于同一钢铁生产线上的上下游其他生产区域仍然沿用历史的安全风险评估数据;
若相应的匹配结果为差异度大于预设阈值,则将所述第一黑盒区域与其相邻的生产区域进行合并,从而使得第一黑盒区域扩大为第二黑盒区域,再对所述第二黑盒区域的输入输出相关数据进行采集和匹配;所述合并操作一直执行到覆盖预设比例的生产区域结束或者直到合并后输入输出相关数据的匹配结果为差异度小于等于预设阈值;
其中,在得到相关数据的匹配结果为差异度小于等于预设阈值情况后,对于第一黑盒区域、第二黑盒区域或第n黑盒区域内部的安全风险评估则基于所更替设备自身的安全参数进行生成。
优选的,所述输入输出相关数据包括输入相关数据和输出相关数据;
所述输入相关数据包括进料品种、进料成分、进料物质状态、进料温度、进料速度和进料前包含的工序操作中的一种或者多种;
所述输出相关数据包括出料品种、出料成分、出料物质状态、出料温度、出料速度中的一种或者多种。
优选的,所述确认所述第一黑盒区域,在完成设备更替前后的输入输出相关数据之间的差异度是否小于预设阈值,具体包括:
针对所述输入相关数据和输出相关数据构成二维矢量数组;
在进行设备更替的前后的二维矢量数组之前,先以输入相关数据作为第一级匹配要素,得到设备更替前后第一级匹配要素相似度满足预设条件的二维矢量数组;然后进行所述设备更替前后第一级匹配要素相似度满足预设条件的二维矢量数组之间的相似性是否小于预设阈值。
优选的,所述将所述第一黑盒区域与其相邻的生产区域进行合并,具体包括:
对位于所述第一黑盒区域的上下游生产区域进行分析,优先将生产区域与所述第一黑盒区域判定为同类型生产工艺的进行合并;
其中,生产区域的划分是在进行设备更替之前就完成,并且,相应的生产区域的划分粒度大小则是根据所要建立的风险评估精细程度和风险等级高低综合确定的。
优选的,所述合并操作一直执行到覆盖预设比例的生产区域,具体包括:
所述预设比例的生产区域具体指代两个工艺类型,或所述预设比例的生产区域具体指代相应工艺类型下1/5-1/3数量的工序;其中,工艺类型包括烧结工艺、球团工艺、炼铁工艺、炼钢工艺、轧钢工艺、炼焦工艺中的一种或者多种。
优选的,所述烧结工艺中包含的工序有原料输送工序、燃料破碎工序、配料工序、混合工序、烧结工序、成品冷却工序、成品筛分输送工序、环境除尘工序和脱硫脱硝工序中的一种或者多种;
所述球团工艺中包含的工序有原料输送工序、燃料制备工序、配料工序、制粒工序、焙烧工序、成品冷却工序、成品筛分工序、环境除尘工序和脱硫脱硝工序中的一种或者多种;
所述炼钢工艺中包含的工序有废原辅料运输工序、铁合金烘干贮存工序、铁水处理工序、转炉冶炼工序、电弧炉冶炼工序、感应炉冶炼工序、钢水精炼工序、连续铸造工序、钢水模铸工序、转炉煤气回收净化工序、炉渣处理工序和熔融金属吊运工序中的一种或者多种;
所述轧钢工艺中包含的工序有破鳞与高压水除鳞工序、粗轧工序、中轧工序、精轧工序、成品热处理工序、冷却工序、精整工序、开卷焊接工序、活套工序、酸洗工序、轧制工序、电镀工序、锌锅热镀工序、彩涂工序、盐浴工序、精整工序、退火工序和酸再生工序中的一种或者多种;
所述炼焦工艺中包含的工序有原料输送工序、配煤破碎工序、焦炉工序、干熄焦工序、湿熄焦工序、煤气初冷工序、煤气脱硫工序、煤气脱氨工序、煤气脱苯和终冷工序以及粗苯蒸馏工序中的一种或者多种。
优选的,当对于各个生产区域是按照工艺类型下所包含的各个工序类型进行划分,并且,在钢铁生产线的第一区域和第二区域同时发生设备更替时,方法包括:
确认所述第一区域和第二区域是否为钢铁生产线上相邻的两个区域;
若为相邻的两个区域,则将所述第一区域和第二区域共同作为所述第一黑盒区域进行相应的第一黑盒区域的输入输出相关数据的采集和匹配操作;
若为不相邻的两个区域,则进一步分析所述第一区域和第二区域是否属于同一工艺类型,若为同一工艺类型,并且,将第一区域和第二区域以及两者之间的生产区域共同作为第一黑盒区域时,所占用小于等于工艺类型内预设比例数量的工序时,则进一步执行第一黑盒区域的输入输出相关数据的采集和匹配操作;若不属于同一工艺类型,则分别在自身所在的工艺类型内作为相应第一黑盒区域,执行第一黑盒区域的输入输出相关数据的采集和匹配操作。
优选的,若所述第一区域是作为钢铁生产线中多个区域的共同服务主体时,此时,所述第一区域为制氧工艺、制氢工艺和资源回收工艺中的一种;此时,在进行第一黑盒区域的输入输出相关数据采集时,以第一区域所服务的其他生产区域中所需的总量数据作为采集对象。
优选的,所述预设阈值是根据实践经验获得,并且,对于多个风险等级设定不同的预设阈值;其中,风险等级越高,预设阈值越小。
第二方面,本发明还提供了一种钢铁生产线区域动态安全风险评估量化装置,用于实现第一方面所述的钢铁生产线区域动态安全风险评估量化方法,所述装置包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,用于执行第一方面所述的钢铁生产线区域动态安全风险评估量化方法。
第三方面,本发明还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,用于完成第一方面所述的钢铁生产线区域动态安全风险评估量化方法。
本发明通过对黑盒区域进行评估和合并,从而评估黑盒区域对钢铁生产线的整体影响程度,从而找到能够等同于设备更换前的工作环境的区域,对该区域单独生成监测数据,对其他区域沿用历史监测数据,从而能够最大程度地确保历史监测数据的复用,减少数据资源的浪费。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述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是本发明实施例提供的第一种钢铁生产线区域动态安全风险评估量化方法的流程示意图;
图2是本发明实施例提供的一种钢铁生产线区域动态安全风险评估量化方法中工艺类型的示意图;
图3是本发明实施例提供的一种钢铁生产线区域动态安全风险评估量化方法中合并操作的示意图;
图4是本发明实施例提供的一种钢铁生产线区域动态安全风险评估量化方法中输入输出相关数据的示意图;
图5是本发明实施例提供的第二种钢铁生产线区域动态安全风险评估量化方法的流程示意图;
图6是本发明实施例提供的一种钢铁生产线区域动态安全风险评估量化方法中输入相关数据的示意图;
图7是本发明实施例提供的第三种钢铁生产线区域动态安全风险评估量化方法的流程示意图;
图8是本发明实施例提供的一种钢铁生产线区域动态安全风险评估量化方法中第一黑盒区域的示意图;
图9是本发明实施例提供的一种钢铁生产线区域动态安全风险评估量化方法中第一区域和第二区域的示意图;
图10是本发明实施例提供的一种钢铁生产线区域动态安全风险评估量化装置的架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,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。
本发明中术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请中,除非另有明确的规定和限定,术语“连接”应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或成一体;可以是直接相连,也可以通过中间媒介间接相连。此外,术语“耦接”可以是实现信号传输的电性连接的方式。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
本发明实施例1提供了一种钢铁生产线区域动态安全风险评估量化方法,在钢铁生产线的第一区域中发生设备更替时,如图1所示,方法包括:
在步骤201中,以被更替后的设备所在的生产区域作为第一黑盒区域,对于第一黑盒区域的输入输出相关数据进行采集;将采集得到的第一黑盒区域的输入输出相关数据,带入历史搜集数据进行匹配;其中,所述匹配用于确认所述第一黑盒区域在完成设备更替前后的输入输出相关数据之间的差异度是否小于预设阈值;其中,所述预设阈值由本领域技术人员根据经验分析得到。所述预设阈值是根据实践经验获得,并且,在针对风险等级高的生产区域进行分析时,相应的预设阈值会设定得更为严格,即对于多个风险等级设定不同的预设阈值;其中,风险等级越高,预设阈值越小。如设定多个风险等级分别为1级、2级和3级,1级所对应的预设阈值为m1,2级所对应的预设阈值为m2,3级所对应的预设阈值为m3,其中,m3>m2>m1。所述历史搜集数据即设备更换前的输入输出相关数据。
在步骤202中,若相应的匹配结果为差异度小于等于预设阈值,则与所述第一黑盒区域位于同一钢铁生产线上的上下游其他生产区域仍然沿用历史的安全风险评估数据;当所述差异度小于等于预设阈值时,认为发生了设备更替后的第一黑盒区域对于其他生产区域所带来的影响较低,故其他生产区域可通过使用历史的安全风险评估数据进行后续风险监测。
在步骤203中,若相应的匹配结果为差异度大于预设阈值,则将所述第一黑盒区域与其相邻的生产区域进行合并,从而使得第一黑盒区域扩大为第二黑盒区域,再对所述第二黑盒区域的输入输出相关数据进行采集和匹配;所述合并操作一直执行到覆盖预设比例的生产区域结束或者直到合并后输入输出相关数据的匹配结果为差异度小于等于预设阈值;其中,所述预设比例由本领域技术人员根据告警监测需求分析得到。
其中,在得到相关数据的匹配结果为差异度小于等于预设阈值情况后,对于第一黑盒区域、第二黑盒区域或第n黑盒区域内部的安全风险评估则基于所更替设备自身的安全参数进行生成。即当相应黑盒区域在设备更替前后的差异度小于预设阈值时,认为该黑盒区域对于钢铁生产线上的其他生产区域影响较小,故其他生产区域沿用历史的监测数据,而对于黑盒区域自身,则使用所更替设备自身的安全参数,生成新的监测数据,以用于后续的告警监测。若合并操作执行到覆盖预设比例的生产区域结束后,仍未能得到输入输出相关数据的匹配结果为差异度小于等于预设阈值,则重新生成各生产区域的监测数据。
在此需要说明的是,上述步骤201-步骤202实际是依次扩大用于进行匹配的区域的过程;其中,用于匹配的区域由被更替的设备所在生产区域扩大到包括被更替设备所在生产区域的多个生产区域。
在实际使用中,由于钢铁生产线上各个设备之间是协调工作的,整个钢铁生产线的性能实际是由钢铁生产线中性能最低的设备所决定的,故而当一些设备发生更替时,可能出现虽然设备自身的性能有所变化,但对于钢铁生产线整体并没有太大影响的情况,以图2举例而言,若在进行设备更替前,煤粉制备喷吹设备所制备的煤粉与送氧设备所送入的氧气量恰好完全反应,此时,对送氧设备进行了更替,使得送氧设备送入的氧气量提升时,但由于煤粉制备喷吹设备所送入的煤粉量有限,故而煤粉和氧气的反应程度与进行设备更替前仍旧保持一致,并不对炼铁工艺造成影响;但在另一种情况下,若在进行设备更替前,煤粉制备喷吹设备所制备的煤粉与送氧设备所送入的氧气量反应后,还剩余有未参与反应的煤粉,即煤粉量过剩,当此时更换送氧设备,使其送入的氧气量提升时,则多送入的部分氧气则会与过剩的煤粉产生反应,从而使得高炉温度上升,对炼铁工艺这一整个生产区域产生影响。
在此需要说明的是,上述举例是仅考虑煤粉制备喷吹设备和送氧设备两者之间的影响而进行阐述的,但在实际使用中,一个生产区域中的多个设备之间的相互影响会更为复杂,且多个生产区域之间也会相互影响,故而本实施例通过依次对设备所在生产区域、以及相邻生产区域依次进行合并,即当更换多个设备时,尽可能将多个生产区域合并处理,以提高处理效率。如图3所示,生产区域a1、生产区域a2、生产区域a3、…、生产区域an属于工艺a,生产区域b1、生产区域b2、生产区域b3、…、生产区域bn属于工艺b,生产区域c1、生产区域c2、生产区域c3、…、生产区域cn属于工艺c,其中,当生产区域b1中的设备发生更换时,则第一黑盒区域为生产区域b1,若第一黑盒区域的匹配结果为差异度大于预设阈值,则将生产区域b1和生产区域b2合并形成第二黑盒区域,若第二黑盒区域的匹配结果为差异度大于预设阈值,则继续进行合并,直至合并至第n黑盒区域时,第n黑盒区域覆盖预设比例的生产区域或者第n黑盒区域的输入输出相关数据的匹配结果为差异度小于等于预设阈值。从而能够衡量设备被替换这一行为对钢铁生产线的影响程度,进而基于影响程度确定钢铁生产线的哪一部分能够使用历史监测数据,哪一部分需要重新生成监测数据。
本发明通过对黑盒区域进行评估和合并,从而评估黑盒区域对钢铁生产线的整体影响程度,从而找到能够等同于设备更换前的工作环境的区域,对该区域单独生成监测数据,对其他区域沿用历史监测数据,从而能够最大程度地确保历史监测数据的复用,减少数据资源的浪费。
在实际应用场景下,所述输入输出相关数据包括输入相关数据和输出相关数据;所述输入相关数据包括进料品种、进料成分、进料物质状态、进料温度、进料速度和进料前包含的工序操作中的一种或者多种;所述输出相关数据包括出料品种、出料成分、出料物质状态、出料温度、出料速度中的一种或者多种。
以相应黑盒区域为炼铁工艺生产区域举例而言,则进料品种包括:矿体、燃料、助燃物和助熔剂,进料成分为铁矿、焦炭、热风和石灰石,各进料成分所对应的进料物质状态、进料温度、进料速度和进料前包含的工序操作如图4所示,其中,热风的进料物质状态为气态,热风的进料温度可以是1000℃;出料品种包括:单质矿和矿渣,出料成分为铁水和铁矿渣,各出料成分的出料物质状态、出料温度和出料速度如图4所示,其中,铁水的出料物质状态为液态,出料温度可以是1500℃。
所述确认所述第一黑盒区域,在完成设备更替前后的输入输出相关数据之间的差异度是否小于预设阈值,如图5所示,具体包括:
在步骤301中,针对所述输入相关数据和输出相关数据构成二维矢量数组。
在步骤302中,在进行设备更替的前后的二维矢量数组之前,先以输入相关数据作为第一级匹配要素,得到设备更替前后第一级匹配要素相似度满足预设条件的二维矢量数组;然后进行所述设备更替前后第一级匹配要素相似度满足预设条件的二维矢量数组之间的相似性是否小于预设阈值。
所述二维矢量数组也可理解为由输入相关数据和输出相关数据所组成的一个特征向量,对特征向量中的输入相关数据进行匹配得到满足预设条件后,才可对输入相关数据和输出相关数据整体进行匹配;其中,当输入相关数据匹配得到不满足预设条件时,认为完成设备更替前后的输入输出相关数据之间的差异度大于预设阈值。
其中,在可选的实施方式中,所述满足预设条件是指第一黑盒区域在设备更换前的输入相关数据与第一黑盒区域在设备更换后的输入相关数据的维度一致,进料品种一致,进料成分一致,进料物质状态一致,进料温度一致,且各进料成分在更换前后的进料速度之间的差值小于更换前预设比例的进料速度,所述预设比例由本领域技术人员根据经验分析得到,如图6所示,若第一黑盒区域在设备更换前的输入相关数据和在设备更换后的输入相关数据如图6所示,则所述预设条件包括:
第一条件:第一黑盒区域在设备更换前的输入相关数据和在设备更换后的输入相关数据维度一致。
第二条件:;其中,i和j均为大于等于0的整数,且/>。
第三条件:;其中,j为正整数,且/>,rate为预设比例,rate大于等于0,且rate小于1。
当上述三个条件均能够满足时,则设备更替前后第一级匹配要素相似度满足预设条件。
所述设备更替前后第一级匹配要素相似度满足预设条件的二维矢量数组之间的差异度为各矢量的差异度的加权和,即输入相关数据的差异度与输出相关数据的差异度的加权和,表现为以下公式:
其中,为相应黑盒区域的差异度,/>为输入相关数据的差异度,/>为输出相关数据的差异度,/>和/>为相应的权重,由本领域技术人员根据经验分析得到。
其中,输入相关数据的差异度和输出相关数据的差异度由其中的各个相应数据之间的差异度的加权和得到,以图6所示的输入相关数据举例而言,则输入相关数据的差异度为:
其中,为(i,j)位置所对应的权重,由本领域技术人员根据经验分析得到,/>为(i,j)位置的数据的差异度,根据数据的类型不同,/>的计算方式也不同,如:当(i,j)位置的数据类型为可选的多个固定值时,如为固态、气态、液态等可选值时,可由本领域技术人员预设不同可选值之间的差异度,并将相同可选值之间的差异度预设为0,进而直接得到该类型数据的差异度,如预设所有不同可选值之间的差异度均为1,则当更换前相应位置数据与更换后该位置数据相同时差异度为0,不同时差异度为1。
当(i,j)位置的数据类型为数值时,则有:
在上述各公式中,均代指设备更换前输入相关数据中/>位置的数据,/>均代指设备更换后输入相关数据中/>位置的数据。
其中,当设备更换前输出相关数据与设备更换后输出相关数据存在维度差时,则对应存在维度差的位置的数据的差异度为1。如当设备更换前输出相关数据的维度为3×2,设备更换后输出相关数据的维度为3×3,则对于1×3、2×3和3×3位置的差异度均为1。
在优选的实施方式中,所述将所述第一黑盒区域与其相邻的生产区域进行合并,具体包括:对位于所述第一黑盒区域的上下游生产区域进行分析,优先将生产区域与所述第一黑盒区域判定为同类型生产工艺的进行合并;若在上下游没有同类型生产工艺的生产区域,则优先合并与所更换的设备距离最近的生产区域,若存在多个生产区域与所更换的设备距离最近(即这多个生产区域与所更换的设备之间的距离相同且最近),则优先合并与所更换的设备距离最近的下游生产区域。
其中,生产区域的划分是在进行设备更替之前就完成,并且,相应的生产区域的划分粒度大小则是根据所要建立的风险评估精细程度和风险等级高低综合确定的。当所需建立的告警精细程度越高(即告警越精细),风险等级越高,则生产区域的划分粒度越小,所划分得到生产区域的数量最多。如所述生产区域可以按照工艺类型进行划分,也可以按照工艺类型下所包含的各个工序类型进行划分,在此需要说明的是,这两种划分方式并非是绝对独立的,所述生产区域可以按照工艺类型进行划分可以是将一个工艺类型的所有设备划分到一个生产区域,也可以是将一个工艺类型下的设备划分到多个生产区域,其中,当一个工艺类型下的设备划分到多个生产区域时,依旧需要对于工艺类型下所包含的各个工序类型进行考量,即基于在工艺类型下各设备之间的上下游关系进行划分,所述按照工艺类型下所包含的各个工序类型进行划分可以是将一个工序类型划分为一个生产区域,也可以是将多个工序类型划分到一个生产区域,其中,当将多个工序类型划分到一个生产区域时,同样依旧需要对各个工艺类型进行考量,使一个生产区域仅属于一个工艺类型。
当按照工艺类型划分各个生产区域时,如图4所示,在一个生产区域中存在多个设备,如在炼铁工艺所对应的生产区域中包括:鼓风设备、热风炉、煤粉制备喷吹设备、送氧设备、高炉、铁水运输设备和铸铁设备等,当其中的一个设备发生了更替,如送氧设备发生了更替时,首先针对送氧设备所在生产区域的输入输出相关数据进行匹配,若匹配得到差异度大于预设阈值,则逐步合并其他相邻生产区域。
在一种可选的实施方式中,所述合并操作一直执行到覆盖预设比例的生产区域,具体包括:所述预设比例的生产区域具体指代两个工艺类型,或所述预设比例的生产区域具体指代相应工艺类型下1/5-1/3数量的工序;其中,工艺类型包括烧结工艺、球团工艺、炼铁工艺、炼钢工艺、轧钢工艺、炼焦工艺中的一种或者多种。
经过对钢铁生产线中设备更换对于钢铁生产线的影响程度进行多次分析得到:所述两个工艺类型和相应工艺类型下1/5-1/3数量的工序是相对能够衡量设备更换对于钢铁生产线整体的影响程度的关键位置,即当合并操作覆盖到两个工艺类型,或者覆盖到相应工艺类型下1/5-1/3数量的工序时,若依旧不能将合并所得黑盒区域在设备更换前后的差异度降低到预设阈值内时,则认为该设备已经有极大可能对于钢铁生产线整体产生了影响。
其中,具体是选取两个工艺类型还是相应工艺类型下1/5-1/3数量的工序作为预设比例则是由本领域技术人员根据生产区域的划分粒度大小、告警精细程度和风险等级高低综合确定的,通常来讲,若各生产区域的划分粒度越小,告警越精细,风险等级越高,则越偏向选用相应工艺类型下1/5-1/3数量的工序作为预设比例;若各生产区域的划分粒度越大,告警精细程度越粗,风险等级越低,则越偏向选用两个工艺类型作为预设比例。
所述烧结工艺中包含的工序有原料输送工序、燃料破碎工序、配料工序、混合工序、烧结工序、成品冷却工序、成品筛分输送工序、环境除尘工序和脱硫脱硝工序中的一种或者多种。
所述球团工艺中包含的工序有原料输送工序、燃料制备工序、配料工序、制粒工序、焙烧工序、成品冷却工序、成品筛分工序、环境除尘工序和脱硫脱硝工序中的一种或者多种。
所述炼钢工艺中包含的工序有废原辅料运输工序、铁合金烘干贮存工序、铁水处理工序、转炉冶炼工序、电弧炉冶炼工序、感应炉冶炼工序、钢水精炼工序、连续铸造工序、钢水模铸工序、转炉煤气回收净化工序、炉渣处理工序和熔融金属吊运工序中的一种或者多种。
所述轧钢工艺中包含的工序有破鳞与高压水除鳞工序、粗轧工序、中轧工序、精轧工序、成品热处理工序、冷却工序、精整工序、开卷焊接工序、活套工序、酸洗工序、轧制工序、电镀工序、锌锅热镀工序、彩涂工序、盐浴工序、精整工序、退火工序和酸再生工序中的一种或者多种。
所述炼焦工艺中包含的工序有原料输送工序、配煤破碎工序、焦炉工序、干熄焦工序、湿熄焦工序、煤气初冷工序、煤气脱硫工序、煤气脱氨工序、煤气脱苯和终冷工序以及粗苯蒸馏工序中的一种或者多种。
在优选的实施方式中,当对于各个生产区域是按照工艺类型下所包含的各个工序类型进行划分,并且,在钢铁生产线的第一区域和第二区域同时发生设备更替时,如图7所示,方法包括:
在步骤401中,确认所述第一区域和第二区域是否为钢铁生产线上相邻的两个区域。
在步骤402中,若为相邻的两个区域,则将所述第一区域和第二区域共同作为所述第一黑盒区域进行相应的第一黑盒区域的输入输出相关数据的采集和匹配操作;即使两个相邻区域分别属于不同的工艺类型,依旧合并作为第一黑盒区域,如图8所示,当生产区域an和与其相邻的生产区域b1中的设备均发生更换时,则将生产区域an和生产区域b1合并作为第一黑盒区域。
在步骤403中,若为不相邻的两个区域,则进一步分析所述第一区域和第二区域是否属于同一工艺类型,若为同一工艺类型,并且,将第一区域和第二区域以及两者之间的生产区域共同作为第一黑盒区域时,所占用小于等于工艺类型内预设比例数量的工序时,则进一步执行第一黑盒区域的输入输出相关数据的采集和匹配操作;若不属于同一工艺类型,则分别在自身所在的工艺类型内作为相应第一黑盒区域,执行第一黑盒区域的输入输出相关数据的采集和匹配操作。如图9所示,若生产区域an和生产区域b2发生设备更换,生产区域an和生产区域b2不相邻,且分属于不同工艺类型,故生产区域an作为一个第一黑盒区域,生产区域b2作为一个第一黑盒区域,分别进行后续匹配操作。
其中,若所述第一区域是作为钢铁生产线中多个区域的共同服务主体时,此时,所述第一区域为制氧工艺、制氢工艺和资源回收工艺中的一种;此时,在进行第一黑盒区域的输入输出相关数据采集时,以第一区域所服务的其他生产区域中所需的总量数据作为采集对象。
实施例2:
如图10所示,是本发明实施例的钢铁生产线区域动态安全风险评估量化装置的架构示意图。本实施例的钢铁生产线区域动态安全风险评估量化装置包括一个或多个处理器21以及存储器22。其中,图10中以一个处理器21为例。
处理器21和存储器22可以通过总线或者其他方式连接,图10中以通过总线连接为例。
存储器22作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序和非易失性计算机可执行程序,如实施例1中的钢铁生产线区域动态安全风险评估量化方法。处理器21通过运行存储在存储器22中的非易失性软件程序和指令,从而执行钢铁生产线区域动态安全风险评估量化方法。
存储器22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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器22可选包括相对于处理器21远程设置的存储器,这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器22中,当被所述一个或者多个处理器21执行时,执行上述实施例1中的钢铁生产线区域动态安全风险评估量化方法。
值得说明的是,上述装置和系统内的模块、单元之间的信息交互、执行过程等内容,由于与本发明的处理方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
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 (10)
1.一种钢铁生产线区域动态安全风险评估量化方法,其特征在于,在钢铁生产线的第一区域中发生设备更替时,方法包括:
以被更替后的设备所在的生产区域作为第一黑盒区域,对于第一黑盒区域的输入输出相关数据进行采集;
将采集得到的第一黑盒区域的输入输出相关数据,带入历史搜集数据进行匹配;其中,所述匹配用于确认所述第一黑盒区域在完成设备更替前后的输入输出相关数据之间的差异度是否小于预设阈值;
若相应的匹配结果为差异度小于等于预设阈值,则与所述第一黑盒区域位于同一钢铁生产线上的上下游其他生产区域仍然沿用历史的安全风险评估数据;
若相应的匹配结果为差异度大于预设阈值,则将所述第一黑盒区域与其相邻的生产区域进行合并,从而使得第一黑盒区域扩大为第二黑盒区域,再对所述第二黑盒区域的输入输出相关数据进行采集和匹配;所述合并操作一直执行到覆盖预设比例的生产区域结束或者直到合并后输入输出相关数据的匹配结果为差异度小于等于预设阈值;
其中,在得到相关数据的匹配结果为差异度小于等于预设阈值情况后,对于第一黑盒区域、第二黑盒区域或第n黑盒区域内部的安全风险评估则基于所更替设备自身的安全参数进行生成。
2.根据权利要求1所述的钢铁生产线区域动态安全风险评估量化方法,其特征在于,所述输入输出相关数据包括输入相关数据和输出相关数据;
所述输入相关数据包括进料品种、进料成分、进料物质状态、进料温度、进料速度和进料前包含的工序操作中的一种或者多种;
所述输出相关数据包括出料品种、出料成分、出料物质状态、出料温度和出料速度中的一种或者多种。
3.根据权利要求2所述的钢铁生产线区域动态安全风险评估量化方法,其特征在于,所述确认所述第一黑盒区域在完成设备更替前后的输入输出相关数据之间的差异度是否小于预设阈值,具体包括:
针对所述输入相关数据和输出相关数据构成二维矢量数组;
在进行设备更替的前后的二维矢量数组之前,先以输入相关数据作为第一级匹配要素,得到设备更替前后第一级匹配要素相似度满足预设条件的二维矢量数组;然后进行所述设备更替前后第一级匹配要素相似度满足预设条件的二维矢量数组之间的相似性是否小于预设阈值。
4.根据权利要求1所述的钢铁生产线区域动态安全风险评估量化方法,其特征在于,所述将所述第一黑盒区域与其相邻的生产区域进行合并,具体包括:
对位于所述第一黑盒区域的上下游生产区域进行分析,若存在与所述第一黑盒区域判定为同类型生产工艺的生产区域,则将生产区域与所述第一黑盒区域判定为同类型生产工艺的进行合并,若不存在与所述第一黑盒区域判定为同类型生产工艺的生产区域,则将距离所更替设备最近的生产区域和所述第一黑盒区域进行合并;
其中,生产区域的划分是在进行设备更替之前就完成,并且,相应的生产区域的划分粒度大小则是根据所要建立的风险评估精细程度和风险等级高低综合确定的。
5.根据权利要求1所述的钢铁生产线区域动态安全风险评估量化方法,其特征在于,所述合并操作一直执行到覆盖预设比例的生产区域,具体包括:
所述预设比例的生产区域具体指代两个工艺类型,或所述预设比例的生产区域具体指代相应工艺类型下1/5-1/3数量的工序;其中,工艺类型包括烧结工艺、球团工艺、炼铁工艺、炼钢工艺、轧钢工艺和炼焦工艺中的一种或者多种。
6.根据权利要求5所述的钢铁生产线区域动态安全风险评估量化方法,其特征在于,所述烧结工艺中包含的工序有原料输送工序、燃料破碎工序、配料工序、混合工序、烧结工序、成品冷却工序、成品筛分输送工序、环境除尘工序和脱硫脱硝工序中的一种或者多种;
所述球团工艺中包含的工序有原料输送工序、燃料制备工序、配料工序、制粒工序、焙烧工序、成品冷却工序、成品筛分工序、环境除尘工序和脱硫脱硝工序中的一种或者多种;
所述炼钢工艺中包含的工序有废原辅料运输工序、铁合金烘干贮存工序、铁水处理工序、转炉冶炼工序、电弧炉冶炼工序、感应炉冶炼工序、钢水精炼工序、连续铸造工序、钢水模铸工序、转炉煤气回收净化工序、炉渣处理工序和熔融金属吊运工序中的一种或者多种;
所述轧钢工艺中包含的工序有破鳞与高压水除鳞工序、粗轧工序、中轧工序、精轧工序、成品热处理工序、冷却工序、精整工序、开卷焊接工序、活套工序、酸洗工序、轧制工序、电镀工序、锌锅热镀工序、彩涂工序、盐浴工序、精整工序、退火工序和酸再生工序中的一种或者多种;
所述炼焦工艺中包含的工序有原料输送工序、配煤破碎工序、焦炉工序、干熄焦工序、湿熄焦工序、煤气初冷工序、煤气脱硫工序、煤气脱氨工序、煤气脱苯和终冷工序以及粗苯蒸馏工序中的一种或者多种。
7.根据权利要求1-6任一所述的钢铁生产线区域动态安全风险评估量化方法,其特征在于,当对于各个生产区域是按照工艺类型下所包含的各个工序类型进行划分,并且,在钢铁生产线的第一区域和第二区域同时发生设备更替时,方法包括:
确认所述第一区域和第二区域是否为钢铁生产线上相邻的两个区域;
若为相邻的两个区域,则将所述第一区域和第二区域共同作为所述第一黑盒区域进行相应的第一黑盒区域的输入输出相关数据的采集和匹配操作;
若为不相邻的两个区域,则进一步分析所述第一区域和第二区域是否属于同一工艺类型,若为同一工艺类型,并且,将第一区域和第二区域以及两者之间的生产区域共同作为第一黑盒区域时,所占用小于等于工艺类型内预设比例数量的工序时,则进一步执行第一黑盒区域的输入输出相关数据的采集和匹配操作;若不属于同一工艺类型,则分别在自身所在的工艺类型内作为相应第一黑盒区域,执行第一黑盒区域的输入输出相关数据的采集和匹配操作。
8.根据权利要求1-6任一所述的钢铁生产线区域动态安全风险评估量化方法,其特征在于,若所述第一区域是作为钢铁生产线中多个区域的共同服务主体时,此时,所述第一区域为制氧工艺、制氢工艺和资源回收工艺中的一种;此时,在进行第一黑盒区域的输入输出相关数据采集时,以第一区域所服务的其他生产区域中所需的总量数据作为采集对象。
9.根据权利要求1-6任一所述的钢铁生产线区域动态安全风险评估量化方法,其特征在于,所述预设阈值是根据实践经验获得,并且,对于多个风险等级设定不同的预设阈值;其中,风险等级越高,预设阈值越小。
10.一种钢铁生产线区域动态安全风险评估量化装置,其特征在于,所述装置包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,用于执行权利要求1-9任一所述的钢铁生产线区域动态安全风险评估量化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311522909.9A CN117236704B (zh) | 2023-11-16 | 2023-11-16 | 一种钢铁生产线区域动态安全风险评估量化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311522909.9A CN117236704B (zh) | 2023-11-16 | 2023-11-16 | 一种钢铁生产线区域动态安全风险评估量化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236704A true CN117236704A (zh) | 2023-12-15 |
CN117236704B CN117236704B (zh) | 2024-02-06 |
Family
ID=89089787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311522909.9A Active CN117236704B (zh) | 2023-11-16 | 2023-11-16 | 一种钢铁生产线区域动态安全风险评估量化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236704B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002251600A (ja) * | 1994-11-24 | 2002-09-06 | Matsushita Electric Ind Co Ltd | 最適化調整方法と最適化調整装置 |
US20090110262A1 (en) * | 2007-10-25 | 2009-04-30 | Takashi Noguchi | Evaluation object pattern determining apparatus, evaluation object pattern determining method, evaluation object pattern determining program and pattern evaluating system |
WO2015060805A1 (en) * | 2013-10-22 | 2015-04-30 | Ant Bilisim Elektronik Ve Enerji Teknolojileri Sanayi Ve Ticaret Anonim Sirketi | A system for processing data obtained from black boxes |
US20170160730A1 (en) * | 2015-12-08 | 2017-06-08 | International Business Machines Corporation | Production system having constraint evaluator generating constrained sequences |
KR20170130823A (ko) * | 2016-05-19 | 2017-11-29 | 대구대학교 산학협력단 | 중소.중견기업에 최적화된 내장된 i.o.t기술을 응용한 첨단제품 제조 자동화 라인의 설비고장과 품질불량의 가시적 예지 시스템 |
CN109447277A (zh) * | 2018-10-19 | 2019-03-08 | 厦门渊亭信息科技有限公司 | 一种通用的机器学习超参黑盒优化方法及系统 |
US20190219993A1 (en) * | 2016-09-08 | 2019-07-18 | Lee Jin JIN | System and method for monitoring factory facilities using active black box |
CN110609523A (zh) * | 2019-07-18 | 2019-12-24 | 浙江工业大学 | 一种茶叶初制过程各单元协同控制方法 |
CN111832859A (zh) * | 2019-04-18 | 2020-10-27 | 万洲电气股份有限公司 | 一种基于工业生产线管理同步优化和精确管控的智能优化节能系统 |
CN111950628A (zh) * | 2020-08-11 | 2020-11-17 | 上海交通大学 | 人工智能图像分类模型的鲁棒性评估与增强系统 |
CN114117852A (zh) * | 2021-11-18 | 2022-03-01 | 华北电力大学 | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 |
CN115239144A (zh) * | 2022-07-25 | 2022-10-25 | 中钢集团武汉安全环保研究院有限公司 | 一种基于区域风险管理的双重预防机制信息系统 |
CN115617606A (zh) * | 2022-09-30 | 2023-01-17 | 烟台杰瑞石油装备技术有限公司 | 设备监测方法和系统、电子设备、存储介质 |
CN116227927A (zh) * | 2023-03-01 | 2023-06-06 | 浪潮软件科技有限公司 | 一种化工园区风险区域的风险等级评估方法 |
CN116341272A (zh) * | 2023-04-03 | 2023-06-27 | 国家电网有限公司 | 一种用于配网工程数字化的施工安全风险管控系统 |
CN116708488A (zh) * | 2023-05-19 | 2023-09-05 | 上海金铎禹辰水环境工程有限公司 | 水利物联网设备状态同步方法、装置、设备及存储介质 |
CN116796202A (zh) * | 2023-07-17 | 2023-09-22 | 上海朗晖慧科技术有限公司 | 一种基于大数据的设备数据匹配方法及异常数据处理系统 |
US20230386656A1 (en) * | 2020-10-13 | 2023-11-30 | Diabeloop | Computerized system for the repeated determination of a set of at least one control parameters of a medical device |
-
2023
- 2023-11-16 CN CN202311522909.9A patent/CN117236704B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002251600A (ja) * | 1994-11-24 | 2002-09-06 | Matsushita Electric Ind Co Ltd | 最適化調整方法と最適化調整装置 |
US20090110262A1 (en) * | 2007-10-25 | 2009-04-30 | Takashi Noguchi | Evaluation object pattern determining apparatus, evaluation object pattern determining method, evaluation object pattern determining program and pattern evaluating system |
WO2015060805A1 (en) * | 2013-10-22 | 2015-04-30 | Ant Bilisim Elektronik Ve Enerji Teknolojileri Sanayi Ve Ticaret Anonim Sirketi | A system for processing data obtained from black boxes |
US20170160730A1 (en) * | 2015-12-08 | 2017-06-08 | International Business Machines Corporation | Production system having constraint evaluator generating constrained sequences |
KR20170130823A (ko) * | 2016-05-19 | 2017-11-29 | 대구대학교 산학협력단 | 중소.중견기업에 최적화된 내장된 i.o.t기술을 응용한 첨단제품 제조 자동화 라인의 설비고장과 품질불량의 가시적 예지 시스템 |
US20190219993A1 (en) * | 2016-09-08 | 2019-07-18 | Lee Jin JIN | System and method for monitoring factory facilities using active black box |
CN109447277A (zh) * | 2018-10-19 | 2019-03-08 | 厦门渊亭信息科技有限公司 | 一种通用的机器学习超参黑盒优化方法及系统 |
CN111832859A (zh) * | 2019-04-18 | 2020-10-27 | 万洲电气股份有限公司 | 一种基于工业生产线管理同步优化和精确管控的智能优化节能系统 |
CN110609523A (zh) * | 2019-07-18 | 2019-12-24 | 浙江工业大学 | 一种茶叶初制过程各单元协同控制方法 |
CN111950628A (zh) * | 2020-08-11 | 2020-11-17 | 上海交通大学 | 人工智能图像分类模型的鲁棒性评估与增强系统 |
US20230386656A1 (en) * | 2020-10-13 | 2023-11-30 | Diabeloop | Computerized system for the repeated determination of a set of at least one control parameters of a medical device |
CN114117852A (zh) * | 2021-11-18 | 2022-03-01 | 华北电力大学 | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 |
CN115239144A (zh) * | 2022-07-25 | 2022-10-25 | 中钢集团武汉安全环保研究院有限公司 | 一种基于区域风险管理的双重预防机制信息系统 |
CN115617606A (zh) * | 2022-09-30 | 2023-01-17 | 烟台杰瑞石油装备技术有限公司 | 设备监测方法和系统、电子设备、存储介质 |
CN116227927A (zh) * | 2023-03-01 | 2023-06-06 | 浪潮软件科技有限公司 | 一种化工园区风险区域的风险等级评估方法 |
CN116341272A (zh) * | 2023-04-03 | 2023-06-27 | 国家电网有限公司 | 一种用于配网工程数字化的施工安全风险管控系统 |
CN116708488A (zh) * | 2023-05-19 | 2023-09-05 | 上海金铎禹辰水环境工程有限公司 | 水利物联网设备状态同步方法、装置、设备及存储介质 |
CN116796202A (zh) * | 2023-07-17 | 2023-09-22 | 上海朗晖慧科技术有限公司 | 一种基于大数据的设备数据匹配方法及异常数据处理系统 |
Non-Patent Citations (2)
Title |
---|
DHARU DEWI: "Manufacturing risk identification in the steel industry", 《E3S WEB OF CONFERENCE》, pages 1 - 11 * |
吕希凡 等: "基于ISODATA的踩踏生成特征与集群风险关联性研究", 《安全与环境学报》, pages 1459 - 1466 * |
Also Published As
Publication number | Publication date |
---|---|
CN117236704B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arens et al. | Energy intensity development of the German iron and steel industry between 1991 and 2007 | |
Makkonen et al. | Optimisation of steel plant recycling in Finland: dusts, scales and sludge | |
CN104388613A (zh) | 一种高炉炉缸活跃性定量评价的方法 | |
CN107385201A (zh) | 一种含铁固废物智能处置系统及其控制方法 | |
CN117236704B (zh) | 一种钢铁生产线区域动态安全风险评估量化方法和装置 | |
Meng et al. | Dissection study of the deadman in a commercial blast furnace hearth | |
Na et al. | Evaluation and Improvement of Energy Utilization Efficiency in Typical Iron and Steel Smelting Route Based on Input‐Use‐End Model | |
Otsuka et al. | A hybrid expert system combined with a mathematical model for blast furnace operation | |
CN117236705B (zh) | 一种钢铁生产工艺参数安全监测告警方法和装置 | |
Oda et al. | Carbon intensity of the Japanese Iron and steel Industry: Analysis of factors from 2000 to 2019 | |
Bernasowski et al. | Support algorithm for blast furnace operation with optimal fuel consumption | |
Azadi et al. | Model predictive control of molten iron and slag quality indices in a large-scale ironmaking blast furnace using a hybrid dynamic model | |
Carayannis | Artificial intelligence and expert systems in the steel industry | |
RU2143006C1 (ru) | Способ монтажа агрегата для способа восстановительной плавки для производства передельного чугуна, агрегат для осуществления способа восстановительной плавки, способ производства передельного чугуна | |
Tigunov et al. | The alloying metals in Russia. The mineral and raw materials base in Russia: the status, utilization, prospects for the development | |
CN109355453A (zh) | 一种减少热轧盘条表面红锈的生产方法 | |
Mittal et al. | Development of a Predictive Model for Minimizing Ladle Desulfurization Cycle Time and Associated Costs | |
Arens et al. | Energy efficiency improvements in the German steel sector–more than window dressing | |
CN115630268B (zh) | 长流程钢铁企业碳排放评估模型的建立方法、评估方法及评估系统 | |
KR20190133857A (ko) | 원료 처리 방법 및 더스트 활용 방법 | |
US6264723B1 (en) | Method for manufacturing steel | |
Bradarić et al. | Recent experiences with improving steel-to-hot-metal ratio in BOF steelmaking | |
CN112029949B (zh) | 一种采用转炉全三脱冶炼工艺处理含锌废钢的方法 | |
Colla et al. | Comparison of different alternative steel technologies: evaluation of case studies for an innovative and sustainable steelwork | |
Silva et al. | Application of Computational Thermodynamics to Steel Processing: The Case of Steel Cleanness |
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 |