本发明涉及钢铁冶炼控制技术领域，尤其涉及一种基于案例库的炉缸堆积诊断及处理方法。
背景技术：
随着高炉炼铁的发展，高炉大型化近年来突飞猛进，中国内容积超过1000m3的大型高炉达到了500座以上，其中内容积超过2000m3的高炉也有200座以上，高炉越大，对于高炉的管理与维护的难度就越大，对于高炉而言，炉缸堆积是影响高炉工作状况的最要因素之一，炉缸堆积就是由于炉缸焦炭质量下降、炉温降低、漏水等使得炉缸焦炭透液性下降，影响渣铁排放，处理措施不当会损坏炉缸冷却设备，威胁炉缸炉底耐火材料，造成炉缸炉底耐火材料的异常侵蚀。对于现国内各个钢厂在2000m3以上的高炉炉缸炉底一般都安装有150～250只检测温度、流量等传感器，一般5分钟采集一次数据，因数据量太大，一般这些数据仅仅是显示一下，供操作人员参考一下。但是因为数据量太大，人工无法在最短的时间内准确的诊断炉缸堆积状况，从而对于可能引发的危险不能及时进行处理。
针对这些问题，各国的钢铁企业在实践中摸索出了许多方法，如文献“Model Analysis of the Operation of the Blast Furnace Hearth with a Sitting and Floating Dead Man，ISIJ International,Vol.43(2003),No.10,pp.1519–1527”中记载了一种利用数学模型来评估炉缸中残存的渣、铁量，从而保证炉缸正常工作的方法，这种方法是通过计算炉缸中残存的渣铁数量来保证炉缸堆积，但这种方法不能评估焦炭透液性、耐火材料侵蚀状况、炉缸温度等因素对炉缸影响；如文献“Heat Transfer Analysis and Estimation of Refractory Wear in an Iron Blast Furnace Hearth Using Finite Element Method，ISIJ International,Vol.45(2005),No.8,pp.1122–1128”以及文献“传热边界逆解在高炉炉缸侵蚀诊断中的应用，东北大学学报(自然科学版)，Vol.30，No.8，Aug.2009，P1135-1138.”这两篇文献中虽然都记载了利用传热学模型计算炉缸、炉底的侵蚀状况来判断炉缸状态，但是计算过程中假设太多(如假定耐火材料的传热系数，假定炉缸焦炭的透液系数，假定炉缸中焦炭的形状等)，这些假设实际上是很难测定的，所以计算结果也很难进行验证，而且高炉炉缸本身的状况也是变化的，而这些模型只能计算某一个时间断面的炉缸状况，实际的计算结果只能作参考；再如文献“In-furnace Conditions as Prerequisites for Proper Use and Design of Mud to Control Blast Furnace Taphole Length，ISIJ International,Vol.38(1 998),No.2,pp.116-1 25”中记载了利用数学模型来管理高炉炉缸工作状态的技术思路，这种方法利用炉缸打泥量、铁口深度、渣铁排放时间、开口时间等参数构建数学模型来保证炉缸堆积的稳定，这种方法侧重于炉缸的平衡，对于炉缸中的温度、侵蚀状况、气流变化、焦炭状况等对炉缸堆积的影响关注较少。
国内大部分钢铁企业仅仅是管理炉缸水温差、热负荷，通过流过炉缸的冷却水带走的热量来评估高炉炉缸堆积，这种方法是更加粗放的管理模式，这也是导致炉缸安全问题频发的原因。
技术实现要素：
本发明的目的是提供一种基于案例库的炉缸堆积诊断及处理方法，该方法能全面、及时与准确地诊断炉缸堆积状况并且针对堆积的状况及时处理炉缸堆积的问题。
为实现上述目的，本发明所设计的基于案例库的炉缸堆积诊断及处理方法包括以下步骤：
1)采集数据：按时间间隔为5～10分钟，实时采集温度检测数据，冷却水量数据、冷却水温数据，风口区工作数据，对每批出炉的渣、铁进行化验获得渣铁化验数据；所述风口区工作数据包括风口区进风面积，风口区风速，风口区理论燃烧温度；
2)储存数据：将步骤1)中的数据储存在数据库中；
3)数据预处理：在数据库中利用步骤1)中的渣铁化验数据设定渣铁样本，对渣铁样本进行模式识别，提取a个有效模式，在a个有效模式中再通过嵌套识别，筛选出a1个渣铁重点模式；
在数据库中利用步骤1)中温度检测数据与风口区工作数据设定炉温单元，在炉温单元中对时间间隔为30～60分钟的数据取平均值得到炉温样本，对炉温样本进行模式识别，提取b个有效模式，在b个有效模式中再通过嵌套识别，筛选出b1个炉温重点模式；
在数据库中利用步骤1)中冷却水量数据与冷却水温数据设定冷却水温差及热负荷单元，在冷却水温差及热负荷单元中对时间间隔为30～60分钟的数据取平均值得到冷却水温差及热负荷样本，对冷却水温差及热负荷样本进行模式识别，提取c个有效模式，在c个有效模式中再通过嵌套识别，筛选出c1个冷却水温差及热负荷重点模式；
其中，a1个渣铁重点模式、b1个炉温重点模式与c1个冷却水温差及热负荷重点模式排列组合形成堆积案例库，堆积案例库储存了必然发生炉缸堆积状况的n个案例；
4)设定处理模式库：针对堆积案例库中的每一个案例对应设定该案例的处理措施，所有的处理措施构成处理模式库；
5)模式匹配：按时间间隔为40～80分钟，实时采集炉内温度检测数据，炉内冷却水量数据，冷却水温数据，风口区工作数据，以及对每批出炉的渣、铁进行化验获得渣铁化验数据，将采集到的数据自动与堆积案例库中的案例进行匹配，当采集到的数据与堆积案例库中的案例匹配时，针对该堆积案例从处理模式库中调取对应的处理措施，处理措施将信号分别传输给炉顶布料PLC系统，炉底冷却PLC系统，炉前管理PLC系统以及鼓风DCS系统；所述炉顶布料PLC系统执行布料控制，所述炉底冷却PLC系统执行调节冷却水的温度与流量控制，所述炉前管理PLC系统执行铁口控制，所述鼓风DCS系统执行鼓风参数控制。
作为优选方案：所述a为9、b为7、c为7；a1为4、b1为3、c1为3，所述n为36。
作为优选方案：所述步骤5)中布料控制包括布料品种、布料重量与布料分布的控制。
作为优选方案：所述步骤5)中铁口控制包括炮泥强度、打泥量与打泥时间的控制，以及铁口长度、铁口通道直径与出铁次数的控制。
作为优选方案：所述布料分布的控制包括布料角度，中心加焦，加锰矿，加萤石，以及堵风口的控制。
作为优选方案：所述步骤1)中的时间间隔为5分钟，所述步骤3)中的时间间隔为30分钟，所述步骤5)中的时间间隔为60分钟。
本发明的有益效果在于：
1)本发明通过高炉的温度检测数据，渣铁化验数据，风口区工作数据与渣铁化验数据等信息建立数据库，利用模式识别与嵌套识别技术找出炉缸堆积模式，采用多个方面的数据来诊断缸是否发生堆积，这种诊断更加全面，及时与准确。
2)通过炉缸堆积模式对应设定处理模式，当诊断出炉缸堆积状况后立即启动处理模式，可以实现及时的处理炉缸堆积问题，避免事故的发生，全过程为自动化控制，避免工人进行人工分析与处理的失误。
3)处理过程中包括炉顶布料PLC系统，炉底冷却PLC系统，炉前管理PLC系统以及鼓风DCS系统，对炉缸进行全面的堆积处理，实现高炉的正常运行。
附图说明
图1为本发明的流程示意图。
具体实施方式
为更好地理解本发明，以下将结合附图和具体实例对发明进行详细的说明。
为解决现有技术中存在的问题，本发明提供一种基于案例库的炉缸堆积诊断及处理方法，具体地说，本发明通过高炉的温度检测数据，渣铁化验数据，风口区工作数据与渣铁化验数据等信息建立数据库，利用模式识别与嵌套识别技术找出炉缸堆积模式，多种炉缸堆积模式组成堆积案例库，针对堆积案例库中每一个堆积案例设定该案例的处理措施，每个案例的处理措施构成处理模式库；然后实时采集炉内的数据，将堆积案例库与炉内数据匹配，通过匹配技术评估炉缸的状态，当发生匹配现象时，从处理模式库中调取对应的处理措施，处理措施将信号传输给PLC系统与DCS系统，指导高炉进行布料、冷却与鼓风参数的调整。以下将通过具体的实施例来对本发明基于案例库的炉缸堆积诊断及处理方法的优选方式进行详细地说明。
此实施例针对内容积为3200m3的大型高炉，该高炉二级机安装有1套Oracle数据库系统，3套PLC系统(分别为炉顶布料PLC系统、炉底冷却PLC系统与炉前管理PLC系统)，1套鼓风DCS系统(Distributed Control System，集散控制系统)。如图1所示，此实施例包括以下步骤：
1)采集数据：按时间间隔为5分钟，实时采集温度检测数据，冷却水量数据、冷却水温数据，风口区工作数据，对每批出炉的渣、铁进行化验获得渣铁化验数据；所述风口区工作数据包括风口区进风面积，风口区风速，风口区燃烧温度；
其中，温度检测数据：该高炉的炉缸上一共设有208个温度检测传感器，炉底设有159个温度检测传感器，冷却器上设有5个流量传感器与7个水温传感器，因此每5分钟共采集到温度208+159+5+7＝379个温度数据，一天共采集379×288＝109152个温度数据。
其中，渣铁化验数据：该高炉每天出铁15次，每次都需要对渣、铁数据进行化验，其中一次化验可以获得数据量：炉渣10个数据，生铁13个数据，温度测定1个数据。共计每次可以获取24个数据。这样每天的数据量是24×15＝360个渣铁化验数据。
其中，风口区工作数据：在高炉的风口区设置3个风口区进风面积传感器，3个风口区风速传感器，3个风口区燃烧温度，因此每5分钟共采集到风口区工作数据共9个，一天共获得9×288＝2592个风口区工作数据。
收集数据的时间为一年，因此，一年内共采集温度检测数据：39840480个；渣铁化验数据：131400个；风口区工作数据：946080个。
2)储存数据：将以上一年内的数据储存在数据库中；
3)数据预处理：根据需要对相关数据进行甄别，选取需要重点关注的数据：在数据库中利用131400个渣铁化验数据设定为渣铁样本，渣铁样本中包括Al2O2含量、温度(T)、熵(S)、MgO含量、温度差(ΔT)、熵变(ΔS)等131400个数据，对渣铁样本(131400个数据)进行模式识别，提取9个有效模式，在9个有效模式中再通过嵌套识别，筛选出4个渣铁重点模式；
在数据库中将步骤1)中利用39840480个温度检测数据与946080个风口区工作数据设定为炉温单元，在炉温单元中对时间间隔为30分钟的数据取平均值得到炉温样本，一个炉温样本中包含8个温度检测元素，一年内炉温样本中包括6640080个样本数。对炉温样本进行模式识别，提取7个有效模式，在7个有效模式中再通过嵌套识别，筛选出3个炉温重点模式；
在数据库中将步骤1)中利用温度检测数据、冷却水量数据与冷却水温数据总共39840480个数据设定为冷却水温差及热负荷单元，在冷却水温差及热负荷单元中对时间间隔为30分钟的数据取平均值得到冷却水温差及热负荷样本，一个冷却水温差及热负荷样本中包括4个元素，一年内冷却水温差及热负荷样本中包括6640080个样本数，对冷却水温差及热负荷样本进行模式识别，提取7个有效模式，在7个有效模式中再通过嵌套识别，筛选出3个冷却水温差及热负荷重点模式；
其中，4个渣铁重点模式、3个炉温重点模式与3个冷却水温差及热负荷重点模式排列组合，一共可形成4×3×3＝36种重点模式，36种重点模式形成堆积案例库，堆积案例库储存了必然发生炉缸堆积状况的36个案例；
4)设定处理模式库：针对堆积案例库中的每一个案例对应设定该案例的处理措施，所有的处理措施构成处理模式库，处理模式库共包括36种处理措施。
5)模式匹配：按时间间隔为60分钟，实时采集炉内温度检测数据，炉内冷却水量数据，冷却水温数据，风口区工作数据，以及对每批出炉的渣、铁进行化验获得渣铁化验数据，将采集到的数据自动与堆积案例库中的案例进行匹配，当采集到的数据与堆积案例库中的案例匹配时，针对匹配的案例从处理模式库中调取对应的处理措施，处理措施将信号分别传输给炉顶布料PLC系统，炉底冷却PLC系统，炉前管理PLC系统以及鼓风DCS系统；
所述布料PLC系统执行布料控制，布料控制包括布料品种、布料重量与布料分布的控制，其中的布料分布控制包括布料角度，中心加焦，加锰矿，加萤石，以及堵风口的控制。
冷却PLC系统执行调节冷却水温度与流量的控制，
炉前管理PLC系统执行铁口控制，铁口控制包括炮泥强度、打泥量与打泥时间的控制，以及铁口长度、铁口通道直径与出铁次数的控制。
鼓风DCS系统执行鼓风参数控制，鼓风参数控制包括风口区进风面积，风口区风速，风口区燃烧温度的控制。
经过炉顶布料PLC系统，炉底冷却PLC系统，炉前管理PLC系统以及鼓风DCS系统共同操作后，通过继续观察炉内温度检测数据，冷却水量数据、冷却水温数据，风口区工作数据，渣铁化验数据，再利用这些检测的数据与案例库进行模式匹配，诊断是否还存在炉缸堆积的现象，若还存在炉缸堆积的现象，针对此次的数据再次从处理模式库中调取对应的处理措施，持续执行相关操作。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。