高炉内部状态的分类方法技术

本发明专利技术公开一种高炉内部状态的分类方法，包括：在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数，所述特征参数包括输入量及输出量；对选取的特征参数进行降维处理；对观测量进行聚类处理；基于隐马尔可夫模型建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习；以及采用Viterbi算法对高炉内部状态进行识别。上述高炉内部状态的分类方法可以弥补现有技术的不足，提高数学模型的应用效果。

The classification method of the internal state of the blast furnace

【技术实现步骤摘要】
高炉内部状态的分类方法
本专利技术属于一种高炉的过程控制方法，特别涉及一种高炉内部状态的分类方法。
技术介绍
高炉被公认为是最复杂的冶金反应器之一。为了更好地理解、优化和智能控制高炉炼铁过程，高炉数学模型被开发出来指导高炉生产。这些数学模型一般都基于现场可获取的数据，可获取数据一般通过现场传感器检测，或按照检测数据计算获取。以高炉为控制对象，可获取数据可分为输入量(如原燃料因素、布料因素、喷吹因素、鼓风因素等)和输出量(如十字测温情况、炉顶煤气情况、出渣铁情况、散热情况、各部位压力情况、顺行情况等)。然而，作为一个复杂的反应容器，高炉数学模型的应用效果与其内部状态密切相关，由于炉内状况无法直接检测，而可获取的数据如观测量、控制量只是间接的反映炉内某一方面的状况，且数量有限，造成数学模型在建模及应用时缺少直接、及时、准确的炉内信息量，使得模型的应用效果受限。例如目前已出现了大量对高炉炉温进行预测及控制的模型，由于缺少高炉内部状态的信息，使得炉温的预测建模在实际应用时存在缺陷，具体表现在：(1)模型的训练数据无法有效选取：(a)若选择某段时间的数据为基础进行建模，在经历较长的时间段之后，高炉内部状态已经变化，模型不适应于新的内部状态，预测结果明显恶化；(b)若一直选择最新生产数据进行建模，内部状态变化可能很小，但是最新生产数据中某些项可能变化很小，在预测时如果这些数据项存在明显变化，模型将无法适应；(c)若选择足够长时间段的数据进行建模，由于这些数据包含多种内部状态的情况，将无法准确给出预测结果。(2)无法给出准确的炉温控制方案：炉温调整方案应与炉内的状况相符合，由于缺少炉内状态信息，无法给出准确的控制方案。
技术实现思路
针对现有技术中存在的技术问题，本专利技术提供一种高炉内部状态区分方法，其可以弥补现有技术的不足，提高数学模型的应用效果。本专利技术所提供的一种高炉内部状态的分类方法，包括：在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数，所述特征参数包括输入量及输出量；对选取的特征参数进行降维处理；对观测量进行聚类处理；基于隐马尔可夫模型建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习；以及采用Viterbi算法对高炉内部状态进行识别。其中，所述输入量包括原燃料因素、布料因素、鼓风因素及喷吹因素；所述输出量包括十字测温情况、炉顶煤气情况、出渣铁情况、散热情况、各部位压力情况、顺行情况。其中，所述原燃料因素包括焦比、焦丁比及综合负荷，布料因素包括矿批重量、焦批重量及矿焦比，鼓风因素包括风压、风温、鼓风动能、炉腹煤气量、鼓风湿度、富氧率及理论燃烧温度，喷吹因素包括煤比。其中，炉顶煤气情况包括煤气利用率、十字测温中心、边缘温度值及炉顶温度，出渣铁情况包括二元碱度、三元碱度、四元碱度、高炉利用系数及冶炼强度，散热情况包括全炉热负荷、炉喉、炉身、炉腰、炉腹及炉缸部位不同标高的热电偶测温平均值，各部位压力情况包括压差、炉内各层静压值及透气性指数，顺行情况包括日滑料次数及下料速度。其中，所述步骤“在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数”中，对特征参数进行采集时对其进行离散化处理，处理方式为：设定时间段长度s，将历史生产中的一段时间S以s为小片段连续划分，总共划分为T个，即T＝S/s，将T个时间段内的观测量当作T个样本，T个样本的特征量向量表示为X1,X2,...Xi,...,XT，Xi＝[x1,x2,...xi,...,xl]T，每个特征向量的维数为l。其中，所述步骤“对选取的特征参数进行降维处理”中采用主成分分析法来实现降维，得到样本特征矢量序列O＝{O1,O2,LOi,L,OT}，其中Oi＝[Oi1,Oi2，...,Oij,...,Oid]T，d≤l。其中，所述步骤“对观测量进行聚类处理”采用K-MEANS算法，包括：对于给定的包含T个d维数据点的标准化数据集样本O，O＝{O1,O2,LOi,L,OT}，要聚类的类别数为M，将数据对象组织为M个划分C＝{ck,i＝1,2,...M}，每个划分代表一个类ck，每个类ck有一个类别中心μi，其中μi＝[μi1,μi2,...,μd]T，聚类选取欧氏距离作为相似性和距离判断准则，计算该类内各点到聚类中心μj的距离平方和公式为聚类目标是使各类总的距离平方和最小。其中，进行聚类的过程包括：M类中心位置的选取：将全部T个时间段的综合操作炉型当做同一类，这T个数据的总均值为第一个初始聚类中心；除第一类的初始聚类中心和离它最远的一个样本作为第二类的初始聚类中心；由(M-1)类的代表中心点和离它们最远的一个数据对象作为K类问题的初始聚类中心；以及聚类算法的迭代过程：根据T个数据对象与聚类中心的欧氏距离，按欧氏距离最近的准则分别将该T个数据对象分配给与其最相似的聚类中心所代表的类；计算每个类别中所有对象的均值作为该类别的新聚类中心；计算所有样本到其所在类别聚类中心的距离平方和J(C)值，聚类结束的条件是：当聚类中心和J(C)值不发生改变，结束迭代过程，否则，继续迭代。其中，所述步骤“基于隐马尔可夫模型建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习”中，所述统计模型采用5元组{N,M,π,A,B}表示，其中N表示隐马尔克夫模型中的状态数，M表示状态观察到的符号数，A表示状态转移概率分布，B表示观测符号的概率分布，π表示初始状态概率分布。其中，所述步骤“采用Viterbi算法对高炉内部状态进行识别”包括：在t时刻，定义沿一条路径且所产生的观察序列的最大概率为δt(i)：其中，定义Ψt+1(j)表示t+1时刻的最佳状态为j时t时刻的最佳状态，该最佳状态为最佳高炉内部状态序列；aij＝P[qt+1＝j|qt＝i]，其中aij表示内部状态的转移概率，表示t+1时刻的观测状态为时被观测成了j状态的概率。由于高炉内部状态是客观存在的，且内部状态随着生产进行是可以相互转换的，可以用随机过程来表征。又由于观测量是间接的反映炉内某一方面的状况，且数量有限，一组观测量不能唯一对应一种内部状态，因此观测状态以一定的概率反映内部状态。因此，高炉内部状态转换、观测状态反映内部状态的关系是一个双重随机过程。本专利技术所述的高炉内部状态分类方法可对该双重随机过程建立隐式马尔可夫模型，并基于此模型对高炉内部状态进行区分，为高炉数学模型的应用提供高炉内部状态类别信息，弥补现有技术的不足，提高数学模型的应用效果。附图说明图1是本专利技术所述的一种高炉内部状态分类方法的较佳实施方式的流程图。图2是图1中步骤S1中测温点径向分布示意图。图3是图1中步骤S4中所述的统计模型的示意图。具体实施方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本专利技术。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。请参考图1所示，其为本本文档来自技高网...

【技术保护点】
一种高炉内部状态的分类方法，包括：在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数，所述特征参数包括输入量及输出量；对选取的特征参数进行降维处理；对观测量进行聚类处理；基于隐马尔可夫模型建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习；以及采用Viterbi算法对高炉内部状态进行识别。

【技术特征摘要】
1.一种高炉内部状态的分类方法，包括：在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数，所述特征参数包括输入量及输出量；对选取的特征参数进行降维处理；对观测量进行聚类处理；基于隐马尔可夫模型建立内部状态转换、观测状态反映内部状态关系的统计模型，并进行参数学习；以及采用Viterbi算法对高炉内部状态进行识别。2.如权利要求1所述的高炉内部状态的分类方法，其特征在于：所述输入量包括原燃料因素、布料因素、鼓风因素及喷吹因素；所述输出量包括十字测温情况、炉顶煤气情况、出渣铁情况、散热情况、各部位压力情况、顺行情况。3.如权利要求2所述的高炉内部状态的分类方法，其特征在于：所述原燃料因素包括焦比、焦丁比及综合负荷，布料因素包括矿批重量、焦批重量及矿焦比，鼓风因素包括风压、风温、鼓风动能、炉腹煤气量、鼓风湿度、富氧率及理论燃烧温度，喷吹因素包括煤比。4.如权利要求2所述的高炉内部状态的分类方法，其特征在于：炉顶煤气情况包括煤气利用率、十字测温中心、边缘温度值及炉顶温度，出渣铁情况包括二元碱度、三元碱度、四元碱度、高炉利用系数及冶炼强度，散热情况包括全炉热负荷、炉喉、炉身、炉腰、炉腹及炉缸部位不同标高的热电偶测温平均值，各部位压力情况包括压差、炉内各层静压值及透气性指数，顺行情况包括日滑料次数及下料速度。5.如权利要求1所述的高炉内部状态的分类方法，其特征在于：所述步骤“在高炉过程控制系统的本地数据库中采集高炉内部状态区分需要的特征参数”中，对特征参数进行采集时对其进行离散化处理，处理方式为：设定时间段长度s，将历史生产中的一段时间S以s为小片段连续划分，总共划分为T个，即T＝S/s，将T个时间段内的观测量当作T个样本，T个样本的特征量向量表示为X1,X2,...Xi,...,XT，Xi＝[x1,x2,...xi,...,xl]T，每个特征向量的维数为l。6.如权利要求1所述的高炉内部状态的分类方法，其特征在于：所述步骤“对选取的特征参数进行降维处理”中采用主成分分析法来实现降维，得到样本特征矢量序列O＝{O1,O2,LOi,L,OT}，其中Oi＝[Oi1,Oi2，...,Oij,...,Oid]T，d≤l。7.如权利要求1所述的高炉内部状态的分类方法，其特征在于：所述步骤“对观测量进行聚类处理”采用K-MEANS算法，包括：对于给定的包含T个d维数据点的标准化数据集样本O，O＝{O1,O2,LOi,L,OT}，要聚类的类别数为M，将数据对象组织为M个划分C＝{ck,i＝1...

【专利技术属性】
技术研发人员：王高鹏，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50