一种基于大数据的高炉炉缸活跃性评价与预测方法及系统技术方案

本申请涉及一种基于大数据的高炉炉缸活跃性评价与预测方法及系统，所述方法包括：基于高炉生产历史数据和数据预处理获取高炉炉缸活跃性应用数据；基于高炉炉缸活跃性应用数据和机器学习建立高炉炉缸活跃性评价模型，通过评价模型对高炉炉缸活跃性进行初步评价；基于高炉炉缸活跃性应用数据和机器学习对高炉炉缸活跃性评价模型进行修正，基于修正后的评价模型对高炉炉缸活跃性进行最终评价和等级划分；基于高炉炉缸活跃性应用数据和深度学习、自学习建立高炉炉缸活跃性预测模型，通过预测模型对高炉炉缸活跃性进行预测。本申请基于上述方法，实现了对高炉炉缸活跃性的准确评价、精准预测，为高炉优质、高产、低耗、顺行提供了保障。了保障。了保障。

A method and system for evaluating and predicting the activity of blast furnace hearth based on big data

【技术实现步骤摘要】
一种基于大数据的高炉炉缸活跃性评价与预测方法及系统


[0001]本申请属于数据处理
，具体涉及一种基于大数据的高炉炉缸活跃性评价与预测方法及系统。

技术介绍

[0002]高炉炉缸状态对高炉生产“优质、低耗、高产、长寿、高效率”有着重要影响。例如：高质量铁水有赖于炉缸内渣铁间耦合反应的充分进行；喷吹燃料以降低焦炭的消耗将使得炉缸内“骨架”负荷加重；高炉操作者期望稳定、高效的生产，而这又要求高炉炉缸能提供充足、稳定、沿炉缸径向及周向分布均匀的热量和还原气体，且大量的贴水要能从炉缸内顺利排出；生铁生产要有具有竞争力，就必须延长高炉寿命，而炉缸是高炉本体中最难维护的区域，同时又是决定高炉寿命的关键部位。渣铁最终汇聚于炉缸，炉缸的活跃是高炉生产的焦点。也就是说，高炉炉缸活跃状态时高炉稳定顺行的基础，量化高炉炉缸活跃性随指导高炉生产操作有重要意义。
[0003]就目前来说，基于渣铁流动阻力系数建立的高炉炉缸活跃性评价方法存在一定的实施难度和局限性，例如炉缸内焦炭料柱取样难、相关参数无法直接测量、模型经验系数多、与高炉操作和高炉炉况关联性差等。高炉炉缸活跃性具有复杂性、多变性、非线性等特点，其影响因素错综复杂且具有时间滞后性，基于温度数据建立的高炉炉缸活跃性评价方法，数据利用率低，未能充分挖掘出高炉生产数据中有价值的信息，造成数据资源浪费；虽然能够对当前炉缸活跃状态进行评价，但是无法提前预测炉缸状态变化并反馈高炉操作建议，另外算法与机理融合度低，验证性不足，与高炉实际生产情况有一定差距。
[0004]鉴于此，提供一种基于大数据的高炉炉缸活跃性评价与预测方法及系统，实现了高炉炉缸活跃性准确评价、精准预测，为高炉的高产、低耗、顺行提供保障。

技术实现思路

[0005](一)要解决的技术问题
[0006]鉴于现有技术的上述缺点、不足，本申请提供一种基于大数据的高炉炉缸活跃性评价与预测方法及系统。
[0007](二)技术方案
[0008]为达到上述目的，本申请采用如下技术方案：
[0009]第一方面，本申请提供一种基于大数据的高炉炉缸活跃性评价与预测方法，包括：
[0010]S1、收集高炉生产历史数据，并通过数据预处理对所述高炉生产历史数据进行治理，获取高炉炉缸活跃性应用数据；
[0011]S2、基于高炉炉缸活跃性应用数据确定高炉炉缸活跃性的计算方法，通过集成所述计算方法来建立高炉炉缸活跃性评价模型，并通过所述评价模型对高炉炉缸活跃性进行初步评价；
[0012]S3、基于高炉炉缸活跃性应用数据获取高炉炉况稳定性指数，基于高炉炉况稳定
性指数对高炉炉缸活跃性评价模型进行修正，并基于修正后的高炉炉缸活跃性评价模型对高炉炉缸活跃性进行最终评价和等级划分；
[0013]S4、基于高炉炉缸活跃性应用数据获取高炉炉缸活跃性的影响参数，通过对影响参数进行深度学习来建立高炉炉缸活跃性预测模型，并通过所述预测模型对高炉炉缸活跃性进行预测。
[0014]可选的，还包括：
[0015]S5、获取高炉生产实时数据，基于所述高炉生产实时数据对高炉炉缸活跃性预测模型进行学习和训练，并通过自学习更新所述预测模型的神经网络超参数和影响参数。
[0016]可选的，S1包括：
[0017]所述高炉历史数据包括高炉原燃料数据、高炉操作数据、高炉冶炼状态数据和渣铁排放数据；
[0018]所述预处理包括数据缺失值处理、异常值处理、数据频次对齐和时滞性处理。
[0019]可选的，S2包括：
[0020]S2
‑
1、基于高炉炉缸活跃性应用数据，获取各高炉炉缸活跃性计算方法与炉况参数之间的相关性，并基于所述相关性确定高炉炉缸活跃性的计算方法；
[0021]所述炉况参数包括焦比、透气性、鼓风动能、煤气利用率、热负荷；
[0022]S2
‑
2、通过机器学习对确定的计算方法进行系数修正，并通过集成修正后的计算方法来建立高炉炉缸活跃性评价模型；
[0023]S2
‑
3、基于高炉炉缸活跃性评价模型获取高炉炉缸活跃性指数，通过所述高炉炉缸活跃性指数对高炉炉缸活跃性进行初步评价。
[0024]可选的，S3包括：
[0025]S3
‑
1、基于高炉炉缸活跃性应用数据获取高炉炉况参数，并通过集成高炉炉况参数，获取高炉炉况稳定性指数；
[0026]所述高炉炉况参数包括高炉经济指标、高炉顺行指标、炉缸侵蚀指标；
[0027]S3
‑
2、基于高炉炉况稳定性指数检验高炉炉缸活跃性评价模型的准确性，获取检验结果，并基于所述检验结果修正高炉炉缸活跃性评价模型；
[0028]S3
‑
3、基于修正后的高炉炉缸活跃性评价模型，获取最终的高炉炉缸活跃性指数，并基于高炉炉况稳定性指数和最终的高炉炉缸活跃性指数，对高炉炉缸活跃性进行等级划分。
[0029]可选的，S3
‑
3包括：
[0030]若高炉炉况稳定性指数和最终的高炉炉缸活跃性指数均高于对应的预设值，则高炉炉缸活跃性处于第一等级；
[0031]若高炉炉况稳定性指数低于预设值且最终的高炉炉缸活跃性指数高于预设值，或是高炉炉况稳定性指数高于预设值且最终的高炉炉缸活跃性指数低于预设值，则高炉炉缸活跃性处于第二等级；
[0032]若高炉炉况稳定性指数和最终的高炉炉缸活跃性指数均低于对应的预设值，则高炉炉缸活跃性处于第三等级。
[0033]可选的，S4包括：
[0034]基于获取的影响参数，通过确定神经网络超参数建立高炉炉缸活跃性预测模型；
[0035]所述神经网络超参数包括隐藏层层数、各层神经元节点数、学习率、激活函数、丢弃率以及迭代次数。
[0036]第二方面，本申请提供一种基于大数据的高炉炉缸活跃性评价与预测系统，包括：
[0037]数据治理模块，具体用于采集高炉生产历史数据，并通过数据预处理对所述高炉生产历史数据进行处理，获取高炉炉缸活跃性应用数据；
[0038]炉缸活跃性评价模块，具体用于基于高炉炉缸活跃性应用数据确定高炉炉缸活跃性的计算方法，通过集成所述计算方法来建立高炉炉缸活跃性评价模型，并通过所述评价模型对高炉炉缸活跃性进行初步评价；
[0039]炉缸活跃性修正模块，具体用于基于高炉炉缸活跃性应用数据获取高炉炉况稳定性指数，基于高炉炉况稳定性指数对高炉炉缸活跃性评价模型进行修正，并基于修正后的高炉炉缸活跃性评价模型对高炉炉缸活跃性进行最终评价和等级划分；
[0040]炉缸活跃性预测模块，具体用于基于高炉炉缸活跃性应用数据获取高炉炉缸活跃性的影响参数，通过对影响参数进行深度学习来建立高炉炉缸活跃性预测模型，并通过所述预测模型对高炉炉缸活跃性进行预测；
[0041]炉缸活跃性更新模块，具体用于基于新获取的高炉生产实时数据，通过自学习对高炉炉缸活跃性预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的高炉炉缸活跃性评价与预测方法，其特征在于，包括：S1、收集高炉生产历史数据，并通过数据预处理对所述高炉生产历史数据进行治理，获取高炉炉缸活跃性应用数据；S2、基于高炉炉缸活跃性应用数据确定高炉炉缸活跃性的计算方法，通过集成所述计算方法来建立高炉炉缸活跃性评价模型，并通过所述评价模型对高炉炉缸活跃性进行初步评价；S3、基于高炉炉缸活跃性应用数据获取高炉炉况稳定性指数，基于高炉炉况稳定性指数对高炉炉缸活跃性评价模型进行修正，并基于修正后的高炉炉缸活跃性评价模型对高炉炉缸活跃性进行最终评价和等级划分；S4、基于高炉炉缸活跃性应用数据获取高炉炉缸活跃性的影响参数，通过对影响参数进行深度学习来建立高炉炉缸活跃性预测模型，并通过所述预测模型对高炉炉缸活跃性进行预测。2.根据权利要求1所述的评价与预测方法，其特征在于，还包括：S5、获取高炉生产实时数据，基于所述高炉生产实时数据对高炉炉缸活跃性预测模型进行学习和训练，并通过自学习更新所述预测模型的神经网络超参数和影响参数。3.根据权利要求1所述的评价与预测方法，其特征在于，S1包括：所述高炉历史数据包括高炉原燃料数据、高炉操作数据、高炉冶炼状态数据和渣铁排放数据；所述预处理包括数据缺失值处理、异常值处理、数据频次对齐和时滞性处理。4.根据权利要求1所述的评价与预测方法，其特征在于，S2包括：S2
‑
1、基于高炉炉缸活跃性应用数据，获取各高炉炉缸活跃性计算方法与炉况参数之间的相关性，并基于所述相关性确定高炉炉缸活跃性的计算方法；所述炉况参数包括焦比、透气性、鼓风动能、煤气利用率、热负荷；S2
‑
2、通过机器学习对确定的计算方法进行系数修正，并通过集成修正后的计算方法来建立高炉炉缸活跃性评价模型；S2
‑
3、基于高炉炉缸活跃性评价模型获取高炉炉缸活跃性指数，通过所述高炉炉缸活跃性指数对高炉炉缸活跃性进行初步评价。5.根据权利要求4所述的评价与预测方法，其特征在于，S3包括：S3
‑
1、基于高炉炉缸活跃性应用数据获取高炉炉况参数，并通过集成高炉炉况参数，获取高炉炉况稳定性指数；所述高炉炉况参数包括高炉经济指标、高炉顺行指标、炉缸侵蚀指标；S3
‑

【专利技术属性】
技术研发人员：储满生，石泉，唐珏，王茗玉，齐月松，刘志强，柳政根，吕炜，
申请(专利权)人：东北大学，
类型：发明
国别省市：