CN117556386A - 一种炉内精炼过程中的温度数据监测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种炉内精炼过程中的温度数据监测方法。方法包括：获取炉内精炼监测时间段对应的温度数据曲线；对所述温度数据曲线进行划分，得到温度数据曲线对应的各子温度数据曲线；根据各子温度数据曲线上的各温度数据点，得到所述温度数据曲线上的各最佳分段温度数据点；根据各最佳分段温度数据点，得到各目标温度数据序列；对各目标温度数据序列进行时序分解，得到各目标温度数据序列对应的趋势项、季节项和残差项，对趋势项、季节项和残差项进行监测。本发明能够有效地对温度数据进行监测。

Description

一种炉内精炼过程中的温度数据监测方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种炉内精炼过程中的温度数据监测方法。

背景技术

炉内精炼是一种冶金工艺，主要应用于钢铁生产过程中的炼钢阶段，它旨在进一步降低钢中的杂质含量，提高钢的纯度和质量。而在炉内精炼过程中的化学反应通常与温度密切相关，因此通常是通过监测温度数据来实时了解和控制反应的进行情况，确保反应达到预期的效果，且合适的温度可以使得杂质被有效地去除，进而提高产品的纯净度和质量；因此在炉内精炼过程中对温度数据进行有效的监测至关重要。

现有技术中通常是通过对炉内精炼过程中所采集的完整的温度数据序列进行时序分解，然后基于分解得到的趋势项、季节项和残差项来实现对炉内精炼过程中的温度数据的监测，但是炉内精炼过程中的不同时段的温度波动变化存在差异，即整个炉内精炼过程中温度存在多种波动起伏特征，如果直接对采集到的完整的温度数据序列进行分解，会使得时序分解的结果不能较准确的捕捉温度整体趋势变化，进而不能有效的对炉内精炼过程中的温度数据变化进行监测。

发明内容

为了解决上述问题，本发明提供的一种炉内精炼过程中的温度数据监测方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种炉内精炼过程中的温度数据监测方法，包括以下步骤：

获取炉内精炼监测时间段对应的温度数据曲线；所述温度数据曲线由N个温度数据点构成，N大于0；

对所述温度数据曲线进行划分，得到所述温度数据曲线对应的各子温度数据曲线；

根据所述各子温度数据曲线上的各温度数据点，得到所述温度数据曲线上的各最佳分段温度数据点；

根据所述各最佳分段温度数据点，得到各目标温度数据序列；

对所述各目标温度数据序列进行时序分解，得到所述各目标温度数据序列对应的趋势项、季节项和残差项，对所述趋势项、季节项和残差项进行监测。

优选的，获取炉内精炼监测时间段对应的温度数据曲线的方法，包括：

获取炉内精炼监测时间段对应的各温度数据点，所述温度数据点的纵坐标为温度数据，横坐标为采集温度数据时的时间；

以时间为横轴，以温度数据为纵轴，构建得到时序空间，按照时间的顺序依次将所述各温度数据点映射到时序空间中，并按照时间的先后顺序进行依次相连，得到炉内精炼监测时间段对应的温度数据曲线。

优选的，得到所述温度数据曲线对应的各子温度数据曲线的方法，包括：

对所述温度数据曲线进行均匀划分，得到所述温度数据曲线对应的各子温度数据曲线。

优选的，得到所述温度数据曲线上的各最佳分段温度数据点的方法，包括：

计算所述各子温度数据曲线上各温度数据点的二阶导数，将所述各子温度数据曲线上各温度数据点的二阶导数为0的数量记为对应子温度数据曲线对应的拐点数量；

计算所述各子温度数据曲线上各温度数据点对应的温度数据的均值，并记为对应子温度数据曲线对应的温度数据均值；

根据所述各子温度数据曲线对应的拐点数量、各子温度数据曲线上温度数据点的数量以及各子温度数据曲线对应的温度数据均值，得到各子温度数据曲线对应的特征值；

根据所述各子温度数据曲线对应的温度数据均值和所述各子温度数据上各温度数据点对应的温度数据，得到所述各子温度数据曲线对应的温度相似评估值；

根据所述特征值和所述温度相似评估值，得到所述温度数据曲线上的各最佳分段温度数据点。

优选的，根据如下公式计算各子温度数据曲线对应的特征值：

其中，为所述温度数据曲线对应的第j个子温度数据曲线对应的特征值，/>为第一权重值，/>为所述温度数据曲线对应的第j个子温度数据曲线对应的拐点数量， Norm()为归一化函数，/>为第二权重值，/>为所述温度数据曲线对应的第j个子温度数据曲线对应的温度数据均值，/>为炉内精炼监测时间段对应的温度数据曲线对应的第j个子温度数据曲线上温度数据点的数量。

优选的，根据如下公式计算各子温度数据曲线对应的温度相似评估值：

其中，为所述温度数据曲线对应的第/>个子温度数据曲线对应的温度相似评估值，exp()为以自然常数e为底的指数函数，/>为所述温度数据曲线对应的第/>个子温度数据曲线上温度数据点的数量，/>为所述温度数据曲线对应的第/>个子温度数据曲线上第b个温度数据点对应的温度数据，/>为所述温度数据曲线对应的第/>个子温度数据曲线对应的温度数据均值。

优选的，根据所述特征值和所述温度相似评估值，得到所述温度数据曲线上的各最佳分段温度数据点的方法，包括：

获取所述各子温度数据曲线对应的相邻子温度数据曲线；

将所述温度数据曲线对应的第1个子温度数据曲线上的第1个温度数据点和和对应的最后一个子温度数据曲线上的最后一个温度数据点记为最佳分段温度数据点；

判断所述温度数据曲线对应的第1个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及所述第1个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间差值的绝对值是否大于预设第一阈值，若是，则将所述第1个子温度数据曲线上的最后一个温度数据点记为最佳分段温度数据点，并继续判断温度数据曲线对应的第2个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及所述第2个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间差值的绝对值是否大于预设第一阈值，若不是，则继续判断温度数据曲线对应的第3个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及所述第3个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间差值的绝对值是否大于预设第一阈值，若是，则将所述第3个子温度数据曲线上的最后一个温度数据点记为最佳分段温度数据点，并继续判断温度数据曲线对应的第4个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及所述第4个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间差值的绝对值是否大于预设第一阈值，以此类推，得到温度数据曲线上的各最佳分段温度数据点。

优选的，所述各子温度数据曲线对应的相邻子温度数据曲线在时间上位于对应子温度数据曲线后面、与对应子温度数据曲线在时间上连续且相邻。

优选的，得到各目标温度数据序列的方法，包括：

将所述温度数据曲线上相邻的两个最佳分段温度数据点之间的所有数据温度点构成的温度数据曲线，记为目标温度数据曲线；

根据各目标温度数据曲线上各温度数据点对应的温度数据，构建得到各目标温度数据曲线对应的温度数据序列，并记为目标温度数据序列。

有益效果：本发明首先获取炉内精炼监测时间段对应的温度数据曲线；然后对温度数据曲线进行划分，得到温度数据曲线对应的各子温度数据曲线；之后根据各子温度数据曲线上的各温度数据点，得到温度数据曲线上的各最佳分段温度数据点；对各子温度数据曲线进行分析能够较准确的确定最佳分段温度数据点；最后根据各最佳分段温度数据点，得到各目标温度数据序列，并对各目标温度数据序列进行时序分解，得到各目标温度数据序列对应的趋势项、季节项和残差项，对趋势项、季节项和残差项进行监测。本发明能够较准确的获取趋势项、季节项和残差项，基于获取的较准确的趋势项、季节项和残差项，能够有效地对温度数据进行监测。

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和优点，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的介绍，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它附图。

图1为本发明一种炉内精炼过程中的温度数据监测方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。

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

本实施例提供了一种炉内精炼过程中的温度数据监测方法，详细说明如下：

如图1所示，该一种炉内精炼过程中的温度数据监测方法，包括以下步骤：

步骤S001，获取炉内精炼监测时间段对应的温度数据曲线；对所述温度数据曲线进行划分，得到所述温度数据曲线对应的各子温度数据曲线。

由于在炉内精炼过程中，其内部温度通常会出现一定程度的波动，而且内部温度的波动与多种因素有关，包括工艺参数、物料特性、燃烧状态和设备控制等，即炉内温度的变化受多种因素的综合影响，因此炉内精炼过程中不同时段产生的升降温存在一定差异，即炉内精炼过程中的不同时段的温度波动存在差异；例如在炉内精炼的过程中，加料和燃料投入会导致温度的阶段性波动，其它的各种化学反应同样会导致温度的阶段性波动，且氧气喷吹释放热量、燃烧控制、炉内搅拌等不同阶段的操作所分别带来的阶段性温度波动也会存在不同的波动差。而如果不考虑炉内精炼过程中的不同时段的温度波动的差异，直接对完整的温度数据序列进行时序分解，可能会导致时序分解的结果不能较准确的捕捉温度整体趋势变化，即不能有效的对炉内精炼过程中的温度数据进行监测，但是也不能为了考虑炉内精炼过程中的不同时段的温度波动的差异，而随意设置进行时序分解时的窗口区间，即不能为了消除炉内精炼过程中的不同时段的温度波动的差异的影响，而随意的对完整的温度数据序列进行划分，因为在进行时序分解的过程中需要进行拟合处理，而较大的窗口区间长度可以使拟合处理更关注邻近点的权重，可以减少离群值或异常值的影响得到更为平滑的季节项或趋势项，但同样会丢失局部的数据短期波动信息，导致分解结果产生较大的偏差；而较小的窗口区间长度虽然可以更敏感的捕捉时序数据短期的波动，但其同样对异常离群值非常敏感，且无法较为客观地反应整体数据的变化特征；因此本实施例提供了一种炉内精炼过程中的温度数据监测方法，该方法是依据温度数据波动情况来确定窗口区间，即通过对数据温度曲线上不同曲线段的特征，确定最佳分段温度数据点，基于最佳分段温度数据点对温度数据曲线进行划分，然后对划分后得到的各序列进行时序分解，并对分解得到的趋势项、季节项和残差项进行监测，且基于最佳分段温度数据点得到的趋势项、季节项和残差项较准确，即能较准确的捕捉温度数据趋势变化，进而可以实现有效且较准确的对炉内精炼过程中的温度数据进行监测。

因此本实施例首先获取炉内精炼监测时间段对应的各温度数据点，且温度数据点的纵坐标为温度数据，横坐标为温度传感器采集温度数据时的时间；具体应用中，需要根据实际情况设置温度传感器的位置，也需要根据实际情况设置炉内精炼监测时间段的时间长度以及在时间上连续且相邻的温度数据之间的采集时间的间隔，例如可以设置炉内精炼监测时间段对应的长度为完整的炉内精炼过程对应的时间长度，可以设置在炉内精炼监测时间段中每间隔1秒采集一个温度数据。

然后以时间为横轴，以温度数据为纵轴，构建得到时序空间，然后按照时间的顺序依次将炉内精炼监测时间段对应的各温度数据点映射到时序空间中，并按照时间的先后顺序进行依次相连，得到炉内精炼监测时间段对应的温度数据曲线，即温度数据曲线由N个温度数据点构成，N大于0，且N的值与在炉内精炼监测时间段中温度传感器采集温度数据的次数相关，例如炉内精炼监测时间段中温度传感器采集温度数据的次数为5，则表明N的值为5；之后对炉内精炼监测时间段对应的温度数据曲线进行均匀划分，得到温度数据曲线对应的各子温度数据曲线以及各子温度数据曲线上的各温度数据点，即一个温度数据点对应一个温度数据；且所有子温度数据曲线上的温度数据点的数量相同、所有子温度数据曲线对应的时间长度相同；具体应用中，需要根据实际情况设置子温度数据曲线上的温度数据点的数量，例如可以设置每个子温度数据曲线上的温度数据点的数量均为5，即每个子温度数据曲线对应5个温度数据。

步骤S002，根据所述各子温度数据曲线上的各温度数据点，得到所述温度数据曲线上的各最佳分段温度数据点。

接下来本实施例将对各子温度数据曲线进行分析，确定温度数据曲线上的各最佳分段温度数据点，所述温度数据曲线上的各最佳分段温度数据点是后续确定目标温度数据序列的依据，且最佳分段温度数据点的获取主要依据各子温度数据曲线对应的特征值和温度相似评估值，即所述特征值和温度相似评估值均能反映对应子温度数据曲线特征，因此得到温度数据曲线上的各最佳分段温度数据点的具体过程为：

计算各子温度数据曲线上各温度数据点的二阶导数，统计各子温度数据曲线上各温度数据点的二阶导数为0的数量，且各子温度数据曲线上各温度数据点的二阶导数为0的数量为对应子温度数据曲线上的拐点数量，即将各子温度数据曲线上各温度数据点的二阶导数为0的数量记为对应子温度数据曲线对应的拐点数量；所述子温度数据曲线上各温度数据点的二阶导数为0的数量可以反映对应曲线的变化趋势特征；计算各子温度数据曲线上各温度数据点对应的温度数据的均值，并记为对应子温度数据曲线对应的温度数据均值；且各子温度数据曲线对应的温度数据均值可以表征各子温度数据曲线对应的温度数据的大小；即根据如下公式计算各子温度数据曲线对应的温度数据均值：

其中，为炉内精炼监测时间段对应的温度数据曲线对应的第j个子温度数据曲线对应的温度数据均值，/>为炉内精炼监测时间段对应的温度数据曲线对应的第j个子温度数据曲线上第i个温度数据点对应的温度数据，/>为炉内精炼监测时间段对应的温度数据曲线对应的第j个子温度数据曲线上温度数据点的数量。

本实施例将通过各子温度数据曲线对应的拐点数量和各子温度数据曲线对应的子温度数据曲线上温度数据的均值来共同表征对应的子温度数据曲线，因此本实施例根据各子温度数据曲线对应的拐点数量、各子温度数据曲线上温度数据点的数量以及各子温度数据曲线对应的温度数据均值，得到各子温度数据曲线对应的特征值；所述特征值主要用于后续去确定最佳分段温度数据点；根据如下公式计算各子温度数据曲线对应的特征值：

其中，为炉内精炼监测时间段对应的温度数据曲线对应的第j个子温度数据曲线对应的特征值，/>为第一权重值，/>为炉内精炼监测时间段对应的温度数据曲线对应的第j个子温度数据曲线对应的拐点数量， Norm()为归一化函数，/>为第二权重值。

另外，当的值和/>的值越大时，表明/>的值越大；且/>表征第j个子温度数据曲线上温度数据的趋势变化频率，对/>和/>进行归一化，是为了使取值结果映射到0到1之间且保留原始数据之间的关联性；具体应用中需要根据实际情况设置第一权重和第二权重的值，由于/>表征第j个子温度数据曲线上温度数据的趋势变化频率，且趋势变化频率相对来说能更客观的反映对应子温度数据曲线的特征，所以本实施例将第一权重值设置为0.6，将第二权重值设置为0.4。

对于炉内精炼监测时间段对应的温度数据曲线对应的第j个子温度数据曲线：计算该子温度数据曲线对应的特征值与该子温度数据曲线对应的相邻子温度数据曲线对应的特征值之间的差值的绝对值；所述该子温度数据曲线对应的相邻子温度数据曲线是指在时间上位于该子温度数据曲线后面、与该子温度数据曲线在时间上连续且与该子温度数据曲线相邻的子温度数据曲线；例如温度数据曲线对应的第2个子温度数据曲线与温度数据曲线对应的第1个子温度数据曲线相邻，且在时间上第2个子温度数据曲线与第1个子温度数据曲线相邻并位于第1个子温度数据曲线的后面。并且当该子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间的差值的绝对值小于等于预设第一阈值时，表明该子温度数据曲线与其对应的相邻子温度数据曲线的特征值相似，否则，则表明该子温度数据曲线上存在最佳分段温度数据点的可能性更大。具体应用中，需要根据实际情况设置预设第一阈值的值，本实施例将预设第一阈值的值设置为0.2。

但是仅仅基于各子温度数据曲线对应的特征值还不能较准确且较全面的表征子温度数据曲线的特征，即基于子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间的差值的绝对值还不能较准确的确定温度数据曲线上的各最佳分段温度数据点，所以为了更加准确的确定最佳分段温度数据点，还需要分析各子温度数据曲线上各温度数据点对应的温度数据的相似性，且越不相似，表明对应子温度数据曲线上存在最佳分段温度数据点的可能性越大，即后续将依据各子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间的差值的绝对值以及各子温度数据曲线上各温度数据点对应的温度数据的相似性共同确定温度数据曲线上的各最佳分段温度数据点；因此本实施例根据各子温度数据曲线对应的温度数据均值和各子温度数据上各温度数据点对应的温度数据，得到各子温度数据曲线对应的温度相似评估值；即各子温度数据曲线上各温度数据点对应的温度数据与对应子温度数据曲线对应的温度数据均值之间的差值的绝对值可以反映对应子温度数据曲线上各温度数据的相似性，所述相似性是后续确定最佳分段温度数据点的重要因素；根据如下公式计算各子温度数据曲线对应的温度相似评估值：

其中，为炉内精炼监测时间段对应的温度数据曲线对应的第/>个子温度数据曲线对应的温度相似评估值，exp()为以自然常数e为底的指数函数，/>为炉内精炼监测时间段对应的温度数据曲线对应的第/>个子温度数据曲线上温度数据点的数量，/>为炉内精炼监测时间段对应的温度数据曲线对应的第/>个子温度数据曲线上第b个温度数据点对应的温度数据，/>为炉内精炼监测时间段对应的温度数据曲线对应的第/>个子温度数据曲线对应的温度数据均值。

另外，当的值越大时，表明对应对应子温度数据曲线上的温度数据越相似，当的值越小时，表明对应子温度数据曲线上的温度数据差异越大，且/>的值越小，表明对应子温度数据曲线上存在最佳分段温度数据点的可能性越大； />的值越小，/>的值越大，/>的值越大，/>的值越小，且使用exp()函数的目的是为了使得温度相似评估值位于0到1之间；当分段子温度数据曲线对应的温度相似评估值大于等于预设第二阈值时，则表明对应子温度数据曲线上的各温度数据相似性较大，当分段子温度数据曲线对应的温度相似评估值小于等于预设第二阈值时，则表明对应分段子温度数据曲线上的各温度数据差异性较大。

具体应用中，需要根据实际情况设置预设第二阈值，本实施例将预设第二阈值设置为0.8。

本实施例将温度数据曲线对应的第1个子温度数据曲线上的第1个温度数据点和温度数据曲线对应的最后一个子温度数据曲线上的最后一个温度数据点也记为最佳分段温度数据点记为最佳分段温度数据点。

紧接着判断温度数据曲线对应的第1个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及温度数据曲线对应的第1个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值（温度数据曲线对应的第2个子温度数据曲线对应的特征值）之间差值的绝对值是否大于预设第一阈值，若是，则将温度数据曲线对应的第1个子温度数据曲线上的最后一个温度数据点记为最佳分段温度数据点，并继续判断温度数据曲线对应的第2个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及温度数据曲线对应的第2个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值（温度数据曲线对应的第3个子温度数据曲线对应的特征值）之间差值的绝对值是否大于预设第一阈值，若不是，则继续判断温度数据曲线对应的第3个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及温度数据曲线对应的第3个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值（温度数据曲线对应的第4个子温度数据曲线对应的特征值）之间差值的绝对值是否大于预设第一阈值，若是，则将温度数据曲线对应的第3个子温度数据曲线上的最后一个温度数据点记为最佳分段温度数据点，并继续判断温度数据曲线对应的第4个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及温度数据曲线对应的第4个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值（温度数据曲线对应的第5个子温度数据曲线对应的特征值）之间差值的绝对值是否大于预设第一阈值，以此类推，得到温度数据曲线上的各最佳分段温度数据点。

至此，通过上述过程得到了温度数据曲线上的各最佳分段温度数据点。而且本实施例后续基于各子温度数据曲线对应的特征值和温度相似评估值可以将特征相近的子温度数据曲线划分到一起，即考虑到了炉内精炼过程中的不同时段的温度波动变化存在差异这种情况。

步骤S003，根据所述各最佳分段温度数据点，得到各目标温度数据序列。

紧接着本实施例将基于最佳分段温度数据点确定目标温度数据序列，具体过程为：

将温度数据曲线上相邻的两个最佳分段温度数据点之间的所有温度数据点构成的温度数据曲线，记为目标温度数据曲线；且最佳分段温度数据点是否位于目标温度数据曲线上或者目标温度数据曲线存在的最佳分段温度数据点的数量需要根据实际情况设置，例如温度数据曲线上存在4个最佳分段温度数据点，这4个最佳分段温度数据点中包含温度数据曲线上的第1个温度数据点和最后一个温度数据点，那么第1个最佳分段温度数据点、第2个最佳分段温度数据点以及在温度数据曲线上的第1个最佳分段温度数据点与第2个最佳分段温度数据点之间的所有温度数据点构成的温度数据曲线为目标温度数据曲线，第3个最佳分段温度数据点以及在温度数据曲线上第2个最佳分段温度数据点与第3个最佳分段温度数据点之间的所有温度数据点构成的温度数据曲线为目标温度数据曲线，第4个最佳分段温度数据点以及在温度数据曲线上第3个最佳分段温度数据点与第4个最佳分段温度数据点之间的所有温度数据点构成的温度数据曲线为目标温度数据曲线。

然后根据各目标温度数据曲线上各温度数据点对应的温度数据，构建得到各目标温度数据曲线对应的温度数据序列，并记为目标温度数据序列；所述目标温度数据序列中的温度数据是按照时间的先后顺序排列的。

至此，得到了各目标温度数据序列。

步骤S004，对所述各目标温度数据序列进行时序分解，得到所述各目标温度数据序列对应的趋势项、季节项和残差项，对所述趋势项、季节项和残差项进行监测。

然后利用STL算法分别对各目标温度数据序列进行时序分解，得到各目标温度数据序列对应的趋势项、季节项和残差项，然后分别对各目标温度数据序列对应的趋势项、季节项和残差项进行监测；且相对于直接对完整温度数据数据进行分解，然后对分解得到趋势项、季节项和残差项进行监测来说，本实施例基于数据特征确定的最佳分段温度数据点，确定各目标温度数据序列，然后对各目标温度数据序列进行时序分解得到的趋势项、季节项和残差项进行监测更加有效且准确。

另外，趋势项可以表现出数据随时间变化的长期方向，例如如果趋势项逐年升高，那么可能说明温度正在上升，所以通过对趋势项的监测，可以发现可能的气候变化或其他长期变动；季节项可以反映出数据的周期性变动，通常与季节性因素有关，例如温度数据通常会在夏季和冬季之间呈现出明显的差异，所以通过监测季节项，可以预测温度的季节性变化，并找出可能的异常；残差项是实际数据减去趋势和季节项后得到的部分，包含了除了趋势和季节性之外的所有信息，这可能包括随机噪声、测量误差，或者其他未知因素造成的影响，所以对残差项进行监测，可以帮助发现数据中的异常或突变。

而且在得到季节项后，将其从原始序列中剔除，然后得到残差项；之后对这些残差项使用LOESS（局部加权回归平滑）或其他拟合方法进行趋势估计。LOESS方法会根据数据点与待拟合位置的距离赋予不同的权重，使得靠近待拟合位置的数据点有更大的影响力，拟合得到的趋势项表示时间序列的长期变化趋势。由于STL算法局部以及加权回归平滑为公知技术，因此本实施例不再详细描述。

本实施例不仅能有效的对数据进行监测还能减少存储空间，例如对于趋势项，可以使用多项式拟合、曲线拟合或简化模型等方法来减少存储空间，如可以使用较低阶的多项式来逼近趋势项，或者采用特定的函数形式来表示趋势；对于季节项，可以使用不同的编码策略来压缩数据，常见的方法是使用季节性模式的平均值或差异表示，如在具有明显周期性的时间序列中，可以只存储一个完整周期的季节项，并根据需要进行复制或插值；而对于残差项，如果趋势项和季节项已经能够很好地解释时间序列的变化，而残差项较小或不重要，可以选择去除残差项来进行数据压缩，这样可以只存储趋势项和季节项，从而减少数据的存储量。

本实施例首先获取炉内精炼监测时间段对应的温度数据曲线；然后对温度数据曲线进行划分，得到温度数据曲线对应的各子温度数据曲线；之后根据各子温度数据曲线上的各温度数据点，得到温度数据曲线上的各最佳分段温度数据点；对各子温度数据曲线进行分析能够较准确的确定最佳分段温度数据点；最后根据各最佳分段温度数据点，得到各目标温度数据序列，并对各目标温度数据序列进行时序分解，得到各目标温度数据序列对应的趋势项、季节项和残差项，对趋势项、季节项和残差项进行监测。本实施例能够较准确的获取趋势项、季节项和残差项，基于获取的较准确的趋势项、季节项和残差项，能够有效地对温度数据进行监测。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种炉内精炼过程中的温度数据监测方法，其特征在于，该方法包括如下步骤：

获取炉内精炼监测时间段对应的温度数据曲线；所述温度数据曲线由N个温度数据点构成，N大于0；

对所述温度数据曲线进行划分，得到所述温度数据曲线对应的各子温度数据曲线；

根据所述各子温度数据曲线上的各温度数据点，得到所述温度数据曲线上的各最佳分段温度数据点；

根据所述各最佳分段温度数据点，得到各目标温度数据序列；

对所述各目标温度数据序列进行时序分解，得到所述各目标温度数据序列对应的趋势项、季节项和残差项，对所述趋势项、季节项和残差项进行监测。

2.如权利要求1所述的一种炉内精炼过程中的温度数据监测方法，其特征在于，获取炉内精炼监测时间段对应的温度数据曲线的方法，包括：

获取炉内精炼监测时间段对应的各温度数据点，所述温度数据点的纵坐标为温度数据，横坐标为采集温度数据时的时间；

以时间为横轴，以温度数据为纵轴，构建得到时序空间，按照时间的顺序依次将所述各温度数据点映射到时序空间中，并按照时间的先后顺序进行依次相连，得到炉内精炼监测时间段对应的温度数据曲线。

3.如权利要求1所述的一种炉内精炼过程中的温度数据监测方法，其特征在于，得到所述温度数据曲线对应的各子温度数据曲线的方法，包括：

对所述温度数据曲线进行均匀划分，得到所述温度数据曲线对应的各子温度数据曲线。

4.如权利要求1所述的一种炉内精炼过程中的温度数据监测方法，其特征在于，得到所述温度数据曲线上的各最佳分段温度数据点的方法，包括：

计算所述各子温度数据曲线上各温度数据点的二阶导数，将所述各子温度数据曲线上各温度数据点的二阶导数为0的数量记为对应子温度数据曲线对应的拐点数量；

计算所述各子温度数据曲线上各温度数据点对应的温度数据的均值，并记为对应子温度数据曲线对应的温度数据均值；

根据所述各子温度数据曲线对应的拐点数量、各子温度数据曲线上温度数据点的数量以及各子温度数据曲线对应的温度数据均值，得到各子温度数据曲线对应的特征值；

根据所述各子温度数据曲线对应的温度数据均值和所述各子温度数据上各温度数据点对应的温度数据，得到所述各子温度数据曲线对应的温度相似评估值；

根据所述特征值和所述温度相似评估值，得到所述温度数据曲线上的各最佳分段温度数据点。

5.如权利要求4所述的一种炉内精炼过程中的温度数据监测方法，其特征在于，根据如下公式计算各子温度数据曲线对应的特征值：

；

其中，为所述温度数据曲线对应的第j个子温度数据曲线对应的特征值，/>为第一权重值，/>为所述温度数据曲线对应的第j个子温度数据曲线对应的拐点数量， Norm()为归一化函数，/>为第二权重值，/>为所述温度数据曲线对应的第j个子温度数据曲线对应的温度数据均值，/>为炉内精炼监测时间段对应的温度数据曲线对应的第j个子温度数据曲线上温度数据点的数量。

6.如权利要求4所述的一种炉内精炼过程中的温度数据监测方法，其特征在于，根据如下公式计算各子温度数据曲线对应的温度相似评估值：

；

其中，为所述温度数据曲线对应的第/>个子温度数据曲线对应的温度相似评估值，exp()为以自然常数e为底的指数函数，/>为所述温度数据曲线对应的第/>个子温度数据曲线上温度数据点的数量，/>为所述温度数据曲线对应的第/>个子温度数据曲线上第b个温度数据点对应的温度数据，/>为所述温度数据曲线对应的第/>个子温度数据曲线对应的温度数据均值。

7.如权利要求4所述的一种炉内精炼过程中的温度数据监测方法，其特征在于，根据所述特征值和所述温度相似评估值，得到所述温度数据曲线上的各最佳分段温度数据点的方法，包括：

获取所述各子温度数据曲线对应的相邻子温度数据曲线；

将所述温度数据曲线对应的第1个子温度数据曲线上的第1个温度数据点和和对应的最后一个子温度数据曲线上的最后一个温度数据点记为最佳分段温度数据点；

判断所述温度数据曲线对应的第1个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及所述第1个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间差值的绝对值是否大于预设第一阈值，若是，则将所述第1个子温度数据曲线上的最后一个温度数据点记为最佳分段温度数据点，并继续判断温度数据曲线对应的第2个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及所述第2个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间差值的绝对值是否大于预设第一阈值，若不是，则继续判断温度数据曲线对应的第3个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及所述第3个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间差值的绝对值是否大于预设第一阈值，若是，则将所述第3个子温度数据曲线上的最后一个温度数据点记为最佳分段温度数据点，并继续判断温度数据曲线对应的第4个子温度数据曲线对应的温度相似评估值是否小于预设第二阈值以及所述第4个子温度数据曲线对应的特征值与其对应的相邻子温度数据曲线对应的特征值之间差值的绝对值是否大于预设第一阈值，以此类推，得到温度数据曲线上的各最佳分段温度数据点。

8.如权利要求7所述的一种炉内精炼过程中的温度数据监测方法，其特征在于，所述各子温度数据曲线对应的相邻子温度数据曲线在时间上位于对应子温度数据曲线后面、与对应子温度数据曲线在时间上连续且相邻。

9.如权利要求1所述的一种炉内精炼过程中的温度数据监测方法，其特征在于，得到各目标温度数据序列的方法，包括：

将所述温度数据曲线上相邻的两个最佳分段温度数据点之间的所有数据温度点构成的温度数据曲线，记为目标温度数据曲线；

根据各目标温度数据曲线上各温度数据点对应的温度数据，构建得到各目标温度数据曲线对应的温度数据序列，并记为目标温度数据序列。