一种预测高炉透气性的方法与流程

本发明涉及高炉炼铁中辅助控制技术领域，特别是涉及一种预测高炉透气性的方法。

背景技术：

高炉透气性表示在一定条件下，炉内气流通过料层的能力，其直接决定了高炉煤气流分布是否合理，从而最终影响高炉生产是否稳定顺行。因此在高炉生产中，透气性的合理预判及有效控制作为最核心的操作环节之一，一直为炼铁工作者所关心。

高炉透气性的变化与生产中的诸多因素有关，比如原燃料、送风、布料等都会对透气性产生影响。但很长时间以来，高炉操作者只是被动的去适应高炉透气性的变化，通过各种经验方法，解决透气性恶化的问题，这往往会使高炉炉况出现波动。近些年来，随着高炉自动化程度的提高及管理水平的提升，高炉操作者逐渐重视起透气性的提前预判问题。但目前透气性预测方面的研究还存在着一些问题，如建立的模型仅具备离线计算，或者影响因素选取仅考虑局部且是固定参数，难以适应工业化应用等，因此在实际生产中，操作者对透气性的控制仍然大多凭经验，这对高炉的顺行产生不利影响。

因此，急需改变传统的被动应对模式，转而从各方面综合信息，提前判断高炉透气性的变化趋势，从而提前采取措施进行预防，

技术实现要素：

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种预测高炉透气性的方法，用于解决在现有高炉生产管理技术中，操作者依靠经验判断、并被动应对透气性变化，从而容易造成炉况波动的问题。

步骤一，采集高炉运行数据库的历史数据，所述历史数据包含当前时间段所使用原燃料质量参数、操作控制参数以及透气性参数所对应数据；

步骤二，分析历史数据并进行预处理，甄选所述历史数据得到符合生产要求的实际数据；

步骤三，获取当前时间段内高炉透气性的影响因子，并将所述影响因子按重要性的贡献大小进行权重排序；

步骤四，根据透气性影响因子权重排序结果，选择影响权重较大的若干因子与透气性参数建立一一对应的数据集；

步骤五，将数据集的影响因子按照透气性参数进行分类，按照数据标签依次分类，形成若干类别下的影响因子和透气性数据，计算每个类别中影响因子的中心；

步骤六，以黑箱模型建模为基础，在若干分类下，分别建立起若干个透气性预测子模型；

步骤七，当预测高炉透气性趋势变化时，将调整后的原燃料质量参数或者操作控制参数，按照其对应的类别数据输入至对应的透气性预测子模型；

步骤八，根据高炉运行数据库采集数据的频率，采用最新的数据对透气性预测模型的参数进行更新。

为实现上述目的及其他相关目的，本发明提供一种预测高炉透气性的方法，包括：

如上所述，本发明的动态评价高炉炉况顺行的方法，具有以下有益效果：

本发明通过利用现有数据分析挖掘以及建模技术，在充分考虑高炉所使用原燃料条件及操作参数的基础上，以各透气性影响因素的权重选择合理的影响因子，并根据影响因子的聚类结果建立子预测模型，当需要调整高炉原料或操作时，操作者只需将调整后的参数输入模型，由模型根据数据特征自动选择相应的子预测模型，即可得到透气性变化情况，实现对高炉透气性的预测，解决了高炉操作人员凭经验对高炉透气性进行评判而带来的问题，可为高炉操作者判断透气性变化方向提供支撑，从而为判断操作调整是否合理提供依据。同时，本发明可以实现透气性预测的动态更新，即随着高炉实时数据的刷新，透气性预测模型也同时动态更新，这样可以及时根据炉况的变化而得到影响透气性的因素排序以及分类结果，进而优化模型的预测精度，从而避免由于数据维护或者炉况发生大的波动时，预测结果不准确的问题，易于实现工业化的应用。

附图说明

图1显示为本发明的高炉透气性预测方法的流程图；

图2显示为本发明的影响因子数据集分类的示意图；

图3显示为本发明的高炉透气性预测模型使用的示意图。

元件标号说明：

S101～S108：步骤一至步骤八

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，本发明提供一种高炉透气性预测的方法流程图，包括：

在步骤S101中，采集高炉运行数据库的历史数据，所述历史数据包含当前时间段所使用原燃料质量参数、操作控制参数以及透气性参数所对应数据；

具体地，所述原燃料质量参数，为高炉生产所使用的焦炭主要质量指标和烧结矿、球团矿、块矿的主要质量指标。其中，焦炭主要质量指标包括粒度组成、工业分析、M40、M10、CSR、CRI等，烧结矿、球团矿、块矿的主要质量指标包括化学成分、粒度组成、碱度、物理强度、还原性等；

所述操作控制参数，为高炉生产所涉及的四大制度及出铁相关的主要参数，包括料制参数、送风制度参数、造渣制度参数、热制度以及出铁参数等。

透气性参数选择为压损，通过以下公式计算：

其中：S——压损，Pa·min/Nm³；ΔP——全压差，kpa；V_BG——炉腹煤气量，Nm³/min

所述历史数据，为之前一段历史时间的数据，以当前时刻为基准点，取时间跨度为过去H小时的测量或计算数据，以M分钟移动平均值为一组数据(每个参数有60*H/M个数据)，其中，1≤H≤240,1≤M≤10；

在本实施例中，通过对高炉当前所原燃料质量参数、操作控制参数以及透气性参数对应数据采集，可以为后续合理准确数据分析与建模提供数据基础。

在步骤S102中，分析历史数据并进行预处理，甄选所述历史数据得到符合生产要求的实际数据；

具体地，所述对数据进行甄别与筛选，为根据高炉日常生产过程中的采集到的参数范围确定合理的参数阈值，超过此阈值的则判断为异常数据，将其剔除，避免影响透气性预测结果的正确性；

在本实施例中，通过利用现有数据分析技术，甄别并筛选出异常的历史数据，可达到使高炉透气性预测结果更为切合生产实际状况的目的。

在步骤S103中，获取当前时间段内高炉透气性的影响因子，并将所述影响因子按重要性的贡献大小进行权重排序；

具体地，所述高炉透气性的影响因子，为步骤S101中所提到的高炉生产过程中采集到的原燃料质量参数、操作控制参数；

所述影响因子权重排序，为利用现有数据挖掘技术，通过分析透气性与影响因子之间的关系，计算出权重指数，按照权重指数从大到小依次对影响因子进行排序；权重指数取值范围0～1，取原燃料质量参数和操作控制参数的个数为K，各参数的权重指数为W₁、W₂、…、W_K，其中，0≤W_i≤1，i＝1,2,…,K且

在本实施例中，通过对各透气性影响因子的权重排序，可达到为高炉透气性预测提供精准化参数的目的。

在步骤S104中，根据透气性影响因子权重排序结果，选择影响权重较大的若干因子与透气性参数一起重新建立起一一对应的数据集；

具体地，所述选择影响权重较大的若干因子，为根据在步骤S101中所选则的时间段内，根据步骤S103中各因子权重之和的变化，确定后续建模所需的原燃料质量参数、操作控制参数，即对步骤S101所列的各种参数进行重要性筛选，筛选原则为：

取原燃料质量参数和操作控制参数的个数为K，各参数的权重指数按照从大到小为W₁、W₂、…、W_K，对应的参数名称为A₁、A₂、…、A_K，其中，0≤W_i≤1，i＝1,2,…,K，当∑W_i≥0.8时，选择W_i之前的对应的参数A₁、A₂、…_、A_i作为后续采用的参数。

所述数据集，为根据权重排序得到的参数A₁、A₂、…、A_i，每个参数根据步骤S101中所述，均有一组由当前和之前一段历史时间数据点组成的数据集，即以当前时刻为基准点，取时间跨度为过去H小时的测量或计算数据，以M分钟移动平均值为一组数据(每个参数有N＝60*H/M个数据)，其中，1≤H≤240,1≤M≤10，数据集的具体形式如下所示：

其中A_iN表示参数A_i第N个时刻的记录值，S_N表示对应N时刻的压损实测值。

在本实施例中，通过权重排序筛选影响透气性较大的参数，可达到为后续预测方法减少维数、提高计算的实时性和准确性的目的。

在步骤S105中，将数据集的影响因子按照透气性参数进行分类，按照数据标签依次分类，形成若干类别下的影响因子和透气性数据，计算每个类别中影响因子的中心；

具体地，所述影响因子分类，为将步骤S104中的数据集中的N组影响因子的数据，即根据各组数据的自身属性进行分类，类别编号分别为1，2，……n，其中n≤5，每一类下的数据集示意如图2所示；

所述数据标签，为记录数据条目时对应的时刻点；

所述每个分类影响因子中心，为根据分类后的各影响因子参数数值，计算这一类中各影响因子的平均值，计算方法举例如下式：

其中表示分类为n的类别中，参数A₁所有数据的中心，即所有数据的平均值；A_1i表示在第n类中参数A₁在某时刻的值，j表示第n类中包含参数A₁的数量。

在本实施例中，通过确定各影响因子的分类，形成各类别下影响因子和透气性的数据集，并计算出每个分类影响因子的中心，可达到为后续透气性预测模型建立提供更为精准的数据的目的。

在步骤S106中，以黑箱模型建模为基础，在若干分类下，分别建立起若干个透气性预测子模型；

具体地，所述若干个透气性预测子模型，为根据步骤S105中得到的每个类别下的影响因子和透气性数据集，建立黑箱模型，各影响因子作为模型输入参数，透气性参数则为输出参数，透气性预测子模型数量需与步骤S105中类别数一致；

在本实施例中，通过建立不同类别下的透气性子模型，达到可以使透气性预测结果更有针对性的适应不同的原燃料质量参数和操作控制参数类型的目的。

在步骤S107中，当预测高炉透气性趋势变化时，将调整后的原燃料质量参数或者操作控制参数，按照其对应的类别数据输入至对应的透气性预测子模型；

具体地，所述参照数据中心归类，为将调整后的原燃料质量参数或者操作控制参数组成一组新的数据，将其与步骤S105中计算的每个类别的影响因子中心进行遍历对比，利用现有数据挖掘技术，计算其最符合哪一类的数据特征，从而将其归类至那一类中。

所述选择相应的透气性预测子模型，根据归类结果，选择其类别下的透气性预测子模型，将调整后的原燃料质量参数或者操作控制参数组成一组新的数据作为输入参数，则模型会输出预测的透气性数值，具体使用方法见图3所示。

在本实施例中，通过对调整后的原燃料质量参数或者操作控制参数进行归类，分别使用相应类别下的预测子模型，可达到更为精确的预测结果的目的。

在步骤S108中，根据高炉运行数据库采集数据的频率，采用最新的数据对透气性预测模型的参数进行更新。

具体地，所述模型动态采用最新数据更新，为模型可根据高炉数据采集的更新频率，用最新数据覆盖相应时长的最前期历史建模数据，从而使模型可以实现动态化的重新建立。

在本实施例中，通过充分考虑高炉数据采集的更新频率，动态对高炉透气性预测模型进行重建，可以达到保证预测效果正确性的目的，也可为模型维护提供良好的使用条件。

综上所述，本发明通过利用现有数据分析挖掘以及建模技术，在充分考虑高炉所使用原燃料条件及操作参数的基础上，以各透气性影响因素的权重选择合理的影响因子，并根据影响因子的聚类结果建立子预测模型，当需要调整高炉原料或操作时，操作者只需将调整后的参数输入模型，由模型根据数据特征自动选择相应的子预测模型，即可得到透气性变化情况，实现对高炉透气性的预测，解决了高炉操作人员凭经验对高炉透气性进行评判而带来的问题，可为高炉操作者判断透气性变化方向提供支撑，从而为判断操作调整是否合理提供依据。同时，本发明可以实现透气性预测的动态更新，即随着高炉实时数据的刷新，透气性预测模型也同时动态更新，这样可以及时根据炉况的变化而得到影响透气性的因素排序以及分类结果，进而优化模型的预测精度，从而避免由于数据维护或者炉况发生大的波动时，预测结果不准确的问题，易于实现工业化的应用。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。