用于评估高炉操作状态的系统及方法与流程

本申请涉及一种用于评估高炉操作状态的系统及方法。

背景技术：

为了评估高炉的操作状态，已经尝试通过分析通过高炉的风口等捕获的图像数据来判断炉内状态，或者通过监控操作数据来判断炉内状态。

然而，在现有技术中，操作员仅通过图像数据来定性地判断高炉燃烧性或炉况，或者仅通过分析图像数据的亮度来判断炉内状态。

相关地，日本公开专利第2015-52148号(公开日：2015.03.19)公开了基于高炉操作状态判断的控制方法。

技术实现要素：

技术课题

在相关技术领域中，需要一种基于风口图像数据来定量地评估风口的燃烧性状态，并且以此为基础而综合评估高炉操作状态的方法。

解决课题的手段

为了解决上述课题，本发明的一个实施例提供一种用于评估高炉操作状态的系统。

根据本发明的一个实施例的用于评估高炉操作状态的系统可以包括：图像获取单元，获取设置在高炉上的多个风口中的每个风口的图像数据；图像收集单元，收集通过所述图像获取单元获取的每个风口的图像数据；风口燃烧状态判断单元，利用所述每个风口的图像数据并且基于人工智能来对每个风口的燃烧状态进行分类；风口燃烧状态指数生成单元，利用通过所述风口燃烧状态判断单元所分类的每个风口的燃烧状态分类结果来生成每个风口的燃烧状态指数；以及综合评估单元，基于所述每个风口的燃烧状态指数来生成综合燃烧状态指数。

另一方面，本发明的另一个实施例提供一种用于评估高炉操作状态的方法。

根据本发明的另一个实施例的用于评估高炉操作状态的方法可以包括以下步骤：收集设置在高炉上的多个风口中的每个风口的图像数据；利用所述每个风口的图像数据并且基于人工智能来对每个风口的燃烧状态进行分类；利用每个风口的燃烧状态分类结果来生成每个风口的燃烧状态指数；以及基于所述每个风口的燃烧状态指数来生成综合燃烧状态指数。

另外，如上所述的课题的解决方案未列出本发明的所有特征。通过参考下面的具体实施方式，可以更详细地理解本发明的各种特征及其优点和效果。

发明效果

根据本发明的一个实施例，可以基于利用风口图像数据的深度学习来对风口的燃烧状态进行分类，并且在利用风口的燃烧状态分类结果的基础上，通过附加利用风口图像数据分析结果和高炉操作数据分析结果来提取每个风口燃烧状态的指数，并且对高炉操作状态进行综合评估和控制。

据此，可以通过定量评估高炉燃烧性和炉况来保障高炉的稳定操作，并且提高生产率。

附图说明

图1为根据本发明的一个实施例的用于评估高炉操作状态的系统的结构图。

图2为描述根据本发明的一个实施例而基于深度学习来首次对风口燃烧状态进行分类的概念的图。

图3和图4为描述根据本发明的一个实施例的将基于深度学习来首次分类的结果按照预设时间周期积累为时间序列，并且基于积累的结果来确定每个风口的燃烧状态分类的概念的图。

图5为根据本发明的另一个实施例的用于评估高炉操作状态的方法的流程图。

具体实施方式

以下，将参照附图详细地描述优选实施例，以使得在本发明所属的技术领域中具有常规知识的技术人员能够容易地实现本发明。然而，在详细描述本发明的优选实施例时，如果对于相关的已知功能或结构的详细解释被认为是不必要地偏离本发明的主旨，则会省略其详细解释。此外，在所有附图中，相同的附图标记用于具有相似功能和作用的部件。

另外，在整个说明书中，当某一部件被描述为‘连接到’其它部件时，所述部件可以‘直接连接到’其它部件，或者也可以存在介于该部件与该其它部件之间的其它元件。此外，除非有明确相反的说明，否则术语“包括”应理解为表述包括其它构成要素，而非排除任意其它构成要素。

图1为根据本发明的一个实施例的用于评估高炉操作状态的系统的结构图。

参照图1，根据本发明的一个实施例的用于评估高炉操作状态的系统可以被构造为包括图像获取单元110、图像收集单元120、风口燃烧状态判断单元130、风口燃烧状态指数生成单元140、操作信息收集单元150、综合评估单元160以及炉况控制单元170。

图像获取单元110能够获取设置在高炉10上的每个风口11的图像数据。

例如，图像获取单元110可以包括安装在每个风口11上的多个相机，并且能够通过每个相机实时地(例如，以ms为单位)获取每个风口的图像数据。

图像收集单元120能够收集由图像获取单元110获取的每个风口的图像数据。

例如，图像收集单元120可以从图像获取单元110中所包括的多个相机收集每个风口实时获得的图像数据。

此外，图像收集单元120能够将收集的图像数据与包括风口编号和数据获取时间等的收集环境信息进行映射。

此外，已经由图像收集单元120完成映射的图像数据可以被存储到设置在高炉操作状态评估系统100中的数据存储器(未示出)，或者可以实时地发送到风口燃烧状态判断单元130。

风口燃烧状态判断单元130利用从图像收集单元120接收的每个风口的图像数据来对每个风口的燃烧状态进行分类，风口燃烧状态判断单元130可以被构造为包括基于ai的判断单元131和基于图像处理的判断单元132。

基于ai的判断单元131能够基于利用每个风口的图像数据的人工智能来对每个风口的燃烧状态进行分类。例如，基于ai的判断单元131能够基于深度学习来对每个风口的燃烧状态进行分类。

根据一个实施例，基于ai的判断单元131可以首先基于利用每个风口的图像数据的卷积神经网络(cnn，convolutionalneuralnetwork)来分类每个风口的燃烧状态。

根据需要，基于ai的判断单元131能够根据以时间序列进行积累的已进行首次分类的结果来确定风口燃烧状态分类，从而可以提高燃烧状态分类的匹配性。

将参考图2至图4更详细地描述基于ai的判断单元131对风口燃烧状态进行分类和确定的概念。

图2为描述根据本发明的一个实施例而基于深度学习来首次对风口燃烧状态进行分类的概念的图。

参照图2，基于ai的判断单元131能够基于图像深度学习(例如，基于cnn)来对通过每个风口获取的第一风口图像21至第n风口图像数据2n进行燃烧状态分类，从而获得第一风口燃烧状态分类结果21’至第n风口燃烧状态分类结果2n’。其中，n表示风口数。

图3和图4为描述根据本发明的一个实施例的基于深度学习而根据以时间序列进行积累的已进行首次分类的结果来确定风口燃烧状态分类的概念的图。

首先，参照图3，基于ai的判断单元131能够基于以时间序列进行积累的已进行首次分类的结果，即基于第一风口燃烧状态分类(31-1、31-2、31-3)、第二风口燃烧状态分类(32-1、32-2、32-3)和第n风口燃烧状态分类(3n-1、3n-2、3n-3)来确定每个风口的风口燃烧状态分类，从而可以获得所确定的风口燃烧状态分类结果31’至33’。

在本实施例中，在确定风口燃烧状态分类时，如果基于任意时间段(t-1至t+1)的已进行首次被分类的多个燃烧状态分类结果而发生预定次数或更多次的任意燃烧状态分类，可以确定该燃烧状态分类。由此，可以进一步提高风口燃烧状态分类的准确度。

接下来，参照图4，基于ai的判断单元131能够基于图像时间序列深度学习而根据以时间序列进行积累的已进行首次分类的燃烧状态分类结果，即根据第一风口燃烧状态分类(41-1、41-2、41-3)、第二风口燃烧状态分类(42-1、42-2、42-3)和第n风口燃烧状态分类(4n-1、4n-2、4n-3)来确定每个风口的风口燃烧状态分类，并且可以获得确定的风口燃烧状态的分类的确定结果41’至43’。

例如，基于ai的判断单元131能够利用在任意时间段(t-1至t+1)根据每个风口而进行首次分类的多个燃烧状态分类结果而基于循环神经网络(rnn，recurrentneuralnetwork)或递归卷积神经网络(rcnn，recurrentconvolutionalneuralnetwork)来确定每个风口的风口燃烧状态分类。

由于风口的燃烧状态随时间而连续变化，因此如果仅在某个时间点确定风口的燃烧状态，其精度可能会较低。

因此，根据本实施例，为了在全面考虑随时间而变化的燃烧状态的基础上确定风口燃烧状态分类，可以适用深度学习以进一步提高风口燃烧状态分类的准确度。

另一方面，如图3和图4所示，在基于时间序列累积结果确定风口燃烧状态分类时，用于累积首次分类结果的时间段(例如，t-1至t+1)和相应时间段的起始点(t-1)可能会影响分类的准确性。

根据一个实施例，在初期执行时，可以从最初感测到风口燃烧状态分类的时间点开始积累在用户预设的时间段以内积累的首次分类结果，并且由此确定风口燃烧状态。

此外，当风口燃烧状态分类的确定结果被累积之后，可以基于从最初感测到风口燃烧状态分类的时间点开始到风口燃烧状态分类转变为其它状态的时间点的经过时间信息来调整上述时间段，从而可以进一步提高分类的准确性。

基于ai的确定单元131所分类的风口燃烧状态可以包括：例如，正常燃烧状态、不良燃烧状态、未吹入煤粉、未还原熔融物落下(生矿落下)以及焦炭回旋。其中，未吹入煤粉意指判断煤粉是否未被吹入，未还原熔融物落下(生矿落下)意指判断本应该在炉的上部还原的原料是否因未被还原而出现未还原原料熔融物落下的情况，焦炭回旋意指判断炉中是否有焦炭回旋。

基于图像处理的判断单元132可以通过对每个风口的图像数据进行图像处理来诊断风口设备，从而判断风口燃烧状态。

根据实施例，基于图像处理的判断单元132可以通过针对每个风口的图像数据的图像处理来判断风口设备的异常状况，包括是否存在风口曲损、是否存在风口附着物、风口堵塞、喷枪弯曲或燃烧。

此外，基于图像处理的判断单元132可以通过对每个风口的图像数据进行图像处理来提取燃烧面积和燃烧亮度。

此外，在燃烧状态正常时，基于图像处理的判断单元132可以通过对每个风口的图像数据进行图像处理来判断煤粉流量。

基于图像处理的判断单元132在对每个风口的图像数据的进行图像处理时，可以适用本领域技术人员已知的各种图像处理技术，在此省略其详细描述。

基于ai的判断单元131和基于图像处理的判断单元132的判断可以并行执行。

由风口燃烧状态判断单元130分类的每个风口的燃烧状态分类结果和风口设备诊断结果可以与每个风口的图像数据和收集环境信息一起被映射而进行存储和管理。

风口燃烧状态指数生成单元140可以通过利用由风口燃烧状态判断单元130分类的每个风口的燃烧状态分类结果来生成每个风口的燃烧状态指数。

根据一个实施例，由风口燃烧状态指数生成单元140生成的每个风口的燃烧状态指数包括：不良燃烧状态指数、未吹入煤粉指数、未还原熔融物落下(生矿落下)指数、焦炭回旋指数、燃烧状态水平指数、煤粉流量指数以及风口回旋区(raceway)指数等。

例如，风口燃烧状态指数生成单元140按照设定的周期对基于由风口燃烧状态判断单元130的每个风口的燃烧状态分类结果而任意分类的结果的发生次数进行计数，并且可以通过对每个该当周期计数的次数进行计分来生成相关指数。

此外，风口燃烧状态指数生成单元140根据由风口燃烧状态判断单元130提取的燃烧面积和燃烧亮度来对燃烧状态水平指数进行计分，并且可以通过综合预设周期以内计算得出的分数来生成燃烧状态水平指数。其中，为了生成燃烧状态水平指数而使用的参考信息可以根据管理员输入的信号而被更新。由于更新的参考信息被实时反映，因此可以生成反映高炉状态的指数信息。

此外，风口燃烧条件指数生成单元140可以通过对由风口燃烧状态判断单元130判断的风口设备诊断结果进行计分来生成风口设备异常指数。在此，风口设备异常指数可以包括风口曲损指数、风口附着物指数、风口堵塞指数、喷枪损坏指数等。

操作信息收集单元150用于实时收集在高炉操作期间生成的操作信息。其中，操作信息可以包括例如高炉炉体温度、压力、冷却水流量等。

由操作信息收集单元150实时收集的操作信息可以与由如上所述的风口燃烧状态指数生成单元140生成的风口燃烧状态指数信息进行映射而被存储和管理。

综合评估单元160基于由风口燃烧状态指数生成单元140生成的每个风口的燃烧状态指数信息和由操作信息收集单元150收集的操作信息而沿着高炉的圆周方向进行综合评价。

根据一个实施例，综合评估单元160可以通过全面考虑由风口燃烧状态指数生成单元140而生成的每个风口的燃烧状态指数信息来生成综合燃烧状态指数。例如，这些综合燃烧状态指数可以包括不良燃烧综合指数、未吹入煤粉综合指数、未还原熔融物落下(生矿落下)综合指数等一对一地与每个风口中生成的风口燃烧状态指数映射的综合燃烧状态指数。

此外，综合评估单元160可以基于每个风口上产生的风口回旋区(raceway)指数而生成周向平衡指数。

此外，综合评估单元160可以基于每个风口上产生的风口设备异常指数来生成风口设备异常指数。

炉况控制单元170基于由风口燃烧状态指数生成单元140生成的每个风口的燃烧状态指数信息或由综合评估单元160生成的综合燃烧状态指标来执行实施煤粉吹入控制、n2驱气控制、高炉装料控制中的至少一种来控制高炉炉况。

根据一个实施例，在任意风口的煤粉未吹入指数超过预设参考值的情况下，炉况控制单元170可以执行煤粉吹入控制。

此外，在任意风口区域因发生生矿落下而造成未还原熔融物的落下指数超过预设参考值的情况下，炉况控制单元170可以执行高炉装料控制。

根据另一个实施例，炉况控制单元170可以基于综合燃烧状态指数或周向平衡指数来对多个风口实施综合控制。

例如，仅在任意的一个方向发生生矿落下的情况下，可以例如通过变更填料分布来变更填料落下的方向，从而可以进行高炉装料控制。

以上参照图1描述的用于评估高炉操作状态的系统100可以通过对输入数据适用人工智能算法、执行图像处理、结合可计算各种指数的处理装置和用于执行高炉控制的控制装置来实现。

图5为根据本发明的另一个实施例的用于评估高炉操作状态的方法的流程图。

参照图5，根据本发明另一个实施例的用于评估高炉操作状态的方法，可以通过图像获取单元110和图像收集单元120来实时地收集设置在高炉上的每个风口的图像数据(s510)。

此后，可以基于风口燃烧状态判断单元130而利用每个风口的图像数据来对每个风口的燃烧状态进行分类(s520)。具体地，可以根据基于ai的判断单元131，即基于利用每个风口的图像数据的人工智能来进行首次风口燃烧状态分类(s521)，然后基于分类结果来确定风口燃烧状态分类(s522)。此外，可以根据基于图像处理的判断单元132，在通过对每个风口的图像数据的图像处理来分类每个风口的燃烧状态同时进行风口设备诊断(s525)。

此后，通过风口燃烧状态指数生成单元140而基于每个风口的燃烧状态分类结果来生成每个风口的燃烧状态指数(s530)，并且通过综合评估单元160而基于已生成的每个风口的燃烧状态指数来沿着周向综合评价高炉操作状态(s540)。

此后，可以基于得到综合评价的操作状态而由炉况控制单元170来控制炉况(s550)。

由于参照图5描述的上述每个步骤的具体执行方法与参照图1至图4描述的上述内容相同，因此将省略重复的描述。

本发明不限于如上所述的实施例和附图。然而，对于本领域技术人员来说显而易见的是，在不背离本发明的精神和范围的情况下可以进行各种修改和变化。