專利名稱：一種對高爐料面狀態進行報警的系統及方法
技術領域：
本發明涉及冶金行業中的高爐液面分析，更具體地，是一種對高爐料面狀態進行報警的系統及方法。
背景技術：
鋼鐵工業是國民經濟的基礎工業。在鋼鐵生產中，長期穩定運行的爐況是高爐高產低耗延長使用壽命的必要條件。高爐煉鐵是在一個密閉的容器內進行的，爐內發生物理、化學過程極其復雜，爐內現象和爐況狀態無法直接觀察。另一方面，高爐爐況與爐內料面分布形狀有著十分緊密的關系。料位高低、爐料偏析情況、下料速度快慢、是否崩料懸料，對及時準確地判斷和預報高爐爐況有著十分重要的作用。因此，對高爐爐內料面分布情況的檢測及根據檢測結果進行預警處理，是該行業長期以來致力于解決的一個技術問題。授權公告號為CN1233149C的中國發明專利公開了一種對插入式爐窯攝象儀的圖象進行圖象處理方法。其特點是在高爐生產時爐內無可見光的條件下，接收爐料發出的紅外光線，轉化為爐內料面及設備的紅外圖象，再用計算機對該圖象進行圖象處理，得到料面氣流分布和溫度分布數據。該方法僅對料面的分布情況進行判斷，不能獲得料面形狀，難以判斷料面是哪種異常狀態。授權公告號為CN101492750B的中國發明專利公開了一種基于工業相控陣雷達的高爐料面測量與控制系統。其特點是準確描述出固體料面各點的高度信息，并通過與PLC或DCS系統的連鎖，獲得不同時刻加料的種類與加料的時間，從而獲得多個料面層的形狀，進而獲得固體料面的3D成像。但是，該方法沒有對料面的異常狀態進行進一步分析、對料面進行預測以及報警。因此，需要一種新的高爐料面狀態進行報警的系統及方法，以實現對高爐的料面準確的檢測、分析、預測及報警等功能。

發明內容
本發明的目的，在于解決現有技術中不能對高爐料面進行準確分析、預測及進行異常情況報警的缺陷，從而提供了一種對高爐料面狀態進行報警的系統及方法。本發明的對高爐料面進行報警的系統，包括數據采集模塊、數據傳輸模塊、數據庫模塊、數據分析模塊以及監測模塊，其中所述數據采集模塊包括多個雷達，所述多個雷達用于對所述料面上的多個測量點進行料位測量，并獲取該多個測量點的料位物理信號，所述料位物理信號為料位高度信號;所述數據傳輸模塊與所述數據采集模塊相連接，用于將所述多個測量點的料位物理信號轉換成數字信號形式的料位數據，并傳輸至系統數據庫模塊內；所述系統數據庫模塊與所述數據傳輸模塊以及所述數據分析模塊相連接，用于接、收并存儲各個階段由所述數據傳輸模塊傳輸的料位數據，以及存儲多個布料參數；所述數據分析模塊用于對本階段料面的料位進行預測并計算得出預測料位數據，并將該預測料位數據與本階段的料位數據進行比較，判斷本階段料面料位是否異常，所述數據分析模塊包括料面類型訓練單元，用于根據所述數據庫模塊內存儲的多個階段的料位數據，對料面類型進行分類，并通過數學算法訓練得出各階段料位數據與其下一階段料面形狀之間的回歸模型；料面預測單元，用于利用所述回歸模型，對本階段的料位數據進行預測；以及異常狀態判斷單元，用于根據設定的料線閾值，以及將所述預測的料位數據與本階段的料位數據相比較，判斷本階段的料面料位是否異常；所述監測模塊包括顯示終端以及報警單元，所述顯示終端用于顯示本階段的三維料面形狀，并當料面料位異常時利用所述報警單元進行報警。優選地，所述多個雷達角度可調節地設置在位于高爐上部的安裝孔上。優選地，所述數據傳輸模塊包括與所述多個雷達相連接的端子板；與所述端子板相連接的數據采集卡；以及與所述數據采集卡相連接的模數轉換器。優選地，所述數據傳輸模塊還包括數據預處理單元，用于對所述數據傳輸單元傳輸的料位數據進行預處理，該數據預處理單元包括濾波子單元，用于對所述料位數據進行濾波；以及壞點去除子單元，用于對經濾波后的料位數據去除壞點。優選地，所述多個布料參數包括批重、布料模式、下料閥開度、以及經驗料面形狀。優選地，所述數學算法為神經網絡算法或遺傳算法。優選地，所述異常狀態判斷單元包括低料線報警子單元，用于根據設定的所屬料線閾值對本階段的料位數據進行異常判斷及確定報警；以及料線懸料報警子單元，用于將所述預測的料位數據與本階段的料位數據相比較，對料線下降速度進行異常判斷及確定報警。優選地，所述數據分析模塊還包括正常狀態分類單元，用于對經異常狀態判斷單元判斷為正常的料位數據進行料面類型分類。本發明的對高爐料面狀態進行報警的方法包括數據采集步驟、數據傳輸步驟、數據存儲步驟、數據分析步驟以及監測步驟，其中所述數據采集步驟利用多個雷達，對所述料面上的多個測量點進行料位測量，并獲取該多個測量點的料位物理信號，所述料位物理信號為料位高度信號；所述數據傳輸步驟將所述多個測量點的料位物理信號轉換成數字信號形式的料位數據，并傳輸至系統數據庫內；、
所述數據存儲步驟利用所述系統數據庫，接收并存儲各個階段由所述數據傳輸步驟傳輸的料位數據，所述系統數據庫還存儲有多個布料參數；
所述數據分析步驟用于對本階段料面的料位進行預測并計算得出預測料位數據，并將該預測料位數據與本階段的料位數據進行比較，判斷本階段料面料位是否異常，所述數據分析步驟進一步包括以下步驟根據所述數據庫內存儲的多個階段的料位數據，對料面類型進行分類，并通過數學算法訓練得出各階段料位數據與其下一階段料面形狀之間的回歸模型；利用所述回歸模型，對本階段的料位數據進行預測；以及對本階段的料面料位進行異常狀態判斷，包括根據設定的料線閾值，以及將所述預測的料位數據與本階段的料位數據相比較，判斷本階段的料面料位是否異常；所述監測步驟包括顯示本階段的三維料面形狀，以及當料面料位異常時進行報 m
目O優選地，所述數據分析步驟還包括數據預處理步驟，用于對所述數據傳輸步驟傳輸的料位數據進行預處理，該數據預處理步驟包括對所述料位數據進行濾波；以及對經濾波后的料位數據去除壞點。優選地，所述多個布料參數包括批重、布料模式、下料閥開度、以及經驗料面形狀。優選地，所述數學算法為神經網絡算法或遺傳算法。優選地，所述對本階段的料面料位進行異常狀態判斷的步驟包括低料線報警步驟，包括根據設定的所屬料線閾值對本階段的料位數據進行異常判斷及確定報警；以及料線懸料報警步驟，包括將所述預測的料位數據與本階段的料位數據相比較，對料線下降速度進行異常判斷及確定報警。優選地，所述數據分析步驟還包括對經異常狀態判斷單元判斷為正常的料位數據進行料面類型分類。利用本發明的對高爐料面狀態進行報警的系統及方法，可對高爐料面的形狀進行分析、預測，以及給出不同的料面異常類型，并對異常類型進行報警。


圖I是本發明的對高爐料面進行報警的系統框圖；圖2是本發明的對高爐料面進行報警的系統中數據分析模塊的框圖；圖3是本發明的數據采集模塊的雷達測量區域分布示意圖；圖4是多個經驗面料形狀類型的平面示意圖；圖5是經驗料面形狀的三維示意圖；圖6是另一種經驗料面形狀的三維示意圖；圖7是出現崩料時的料面形狀的三維示意圖；圖8是本發明的對高爐料面進行報警的方法的流程圖；圖9是本發明的對高爐料面進行報警的方法中數據分析步驟的更詳細的流程圖。
具體實施例方式以下結合附圖以及具體實施方式
，對本發明的對高爐料面進行報警的系統及方法進行更詳細說明。如圖I所示，是本發明的對高爐料面狀態進行報警的系統框圖，該系統包括數據采集模塊100、數據傳輸模塊200、數據庫模塊300、數據分析模塊400以及監測模塊500。以下對各模塊的組成和工作原理進行更詳細說明。具體地，數據采集模塊100包括多個雷達，該雷達用于對高爐料面上的多個測量點進行料位測量，并獲取該多個測量點的料位物理信號，料位物理信號為料位高度信號。進一步地，該雷達可以是普通多點雷達，也可以是相控陣雷達或機械掃描雷達等類型。雷達安裝在高爐上方的多個安裝孔上，且雷達的角度可以調節，根據單個雷達覆蓋高爐內料面的有效面積，以及雷達的角度，可確定料面上雷達測量點地分布。一般可選擇料面靠近爐心位置和爐墻位置的拐點作為雷達重點檢測的區域。結合圖3所示，是一個實施方式中設置16個雷達時，雷達測量區域的分布示意圖，此時多個雷達測量區域Z按4環分布，在實際料位物理信號采集時，可對于每個雷達的測量區域內的一個測量點或多個測量點進行料位物理信號采集。容易理解，在設置雷達時，對于環的選取，可以大于4環或者小于4環，可以是等距離間隔的，或者非等間距的。考慮到圖3測量料面的代表性，環上雷達測量區域選擇了等距分布，環間雷達測量區域呈漸開線分布，這可以使在后續的計算中，生成的料面剖面曲線分辨率提高，接近料面真實情況。理論上講，測量點分布越廣泛、數量越多，則所測量出的數據反映的料面形狀越真實。另外考慮到布料控制過程中對料面堆尖，或者其他布料關鍵點數據的精確性要求，布置雷達時可以適當調整環間距。另外，安裝多臺雷達時，需要兼顧現場實際情況，可避開點火孔和十字測溫等裝置。對于利用工業相控雷達進行高爐多點料面測量的更具體結構和方法，可參照授權公告號為CN101492750B、發明名稱為“基于工業相控陣雷達的高爐料面測量與控制系統”的中國發明專利。數據傳輸模塊200與數據采集模塊100相連接，用于將上述多個測量點的料位物理信號轉換成數字信號形式的料位數據，并傳輸至系統數據庫模塊300內。具體地，數據傳輸模塊200包括與數據采集模塊100內多個雷達相連接的端子板、與端子板相連接的數據采集卡、以及與數據采集卡相連接的模數轉換器。當數據采集模塊100的多個雷達向高爐料面發出雷達波、并采集到多個測量點的料位物理信號后，通過數據傳輸模塊200中的端子板，將為電流信號的料位物理信號轉換成數據采集卡可以識別的電壓信號，同時對信號進行初步的穩定處理，對數據采集卡采集速率沒有很高的要求，十幾K的速度就可以達到系統要求。數據采集卡的模擬量輸入通道依據需要采集的測量點數量而定。數據采集卡采集到數據后，將所采集到的數據通過數模轉換器A/D轉換成數字信號形式的料位數據，并將該多個測量點的料位數據傳輸至系統數據庫300內。優選地，在數據傳輸模塊200中，還可包括一個數據預處理單元，用于對所述數據傳輸單元傳輸的料位數據進行預處理，并存儲在系統數據庫模塊中，該數據預處理單元包括濾波模塊和濾波模塊。濾波模塊用于對經數模轉換后的所述料位數據進行濾波，因為在雷達數據在信號采集或傳輸過程中，往往會引入不同程度的噪聲，這就為后面的基于數據 的訓練和料面形狀分析帶來很大的難度，可采用小波濾波算法或其他公知的方法，對采集到的數據進行濾波處理。壞點去除模塊，用于對經濾波后的料位數據去除壞點，由于微波雷達損壞、數據采集、傳輸過程中受到干擾等原因，采集到的數據有可能存在壞點，根據以往料面形狀經驗，設定閾值，去除各個傳感器分別得到的超出閾值的壞點。當然，容易理解，該預處理單元可作為數據傳輸模塊的一個子模塊，也可以作為一個單獨的模塊，設置于數據傳輸模塊和系統數據庫模塊之間。系統數據庫300與數據傳輸模塊200以及數據分析模塊400相連接，用于接收并存儲各個階段由數據傳輸模塊200傳輸的料位數據，以及存儲各個階段的多個布料參數。具體地，所述多個布料參數包括各階段布料時的批重(即布料一次的礦石重量)、布料模式(即礦石或焦炭裝入爐內時，對應的布料角度與布料圖數的組合關系)、下料閥開度、以及經驗料面形狀等。在經驗面料類型上，可采用國內常用的四種料面類型，如圖4中a-d所示。這些參數用于在料面數據訓練模塊中作為輸入量，并結合作為輸出量的料位數據，訓練計算出用于進行料面預測的回歸模型，這將在以下說明中進行更詳細描述。數據分析模塊400用于對本階段料面的料位進行預測并計算得出預測料位數據，并將該預測料位數據與本階段的料位數據進行比較，判斷本階段料面料位是否異常，結合圖2，所述數據分析模塊400包括料面類型訓練單元410，料面預測單元420以及異常狀態判斷單元430。料面類型訓練單元410用于根據數據庫模塊300內存儲的多個階段的料位數據，對料面類型進行分類，并通過數學算法訓練得出各階段料位數據與其下一階段料面形狀之間的回歸模型。針對不同的料面類型，可訓練得出對應的回歸模型，訓練所用的數學算法可以是具有曲線逼近能力的神經網絡算法、遺傳算法或其他公知算法。例如，當使用神經網絡算法時，可利用不同階段多個布料參數，即批重、布料模式、下料閥開度數據作為輸入量，并利用下一階段數據采集模塊100所測得的料位數據作為輸出量，進行曲線回歸，構造出回歸模型。訓練構造回歸模型過程中，模型結構可包括輸入層、隱含層、輸出層，各層之間由權值連接。首先，對模型進行訓練，如上所述，將各階段布料參數分別作為輸入量，而輸出為下一階段雷達測得的料位數據值(即料面的高度值)，通過不斷對權值進行修改，直至權值修正至誤差允許范圍內，從而得到能夠在誤差范圍內通過本階段的輸入參數預測出下階段輸出的回歸模型。對于利用神經網絡，基于多組輸入量以及輸出量構建回歸模型的方法，可更具體參見以下文獻1、“一種新型自適應神經網絡估計算法”，計算機學報，2000年第6期，654-659頁；以及2、“應用BP神經網絡預測鎳基合金薄壁筒脹形回彈率”，熱加工工藝，2010年第23期，24-27頁。對于作為輸入量的布料參數而言，并不僅限于上文中所述的批重、布料模式、下料閥開度數據，為增加回歸模型的準確度，布料參數還可包括各階段的溫度數據等。料面預測單元420用于利用所述回歸模型，對本階段的料位數據進行預測。當回歸模型確定后，可根據上階段的布料參數，利用回歸模型，對本階段的料位數據進行預測。異常狀態判斷單元430用于根據設定的料線閾值，以及將所述預測的料位數據與本階段的料位數據相比較，判斷本階段的料面料位是否異常。具體地，異常狀態判斷單元430還包括低料線報警子單元以及料線懸料報警子單元。低料線報警子單元用于根據設定的所屬料線閾值對本階段的料位數據進行異常判斷及確定報警。根據工藝要求，對料面的料線(即溜槽處于垂直位置時，其末端到料面間的距離為料線深度)進行域值設定，當本階段測得的料位中的最低點對應的料線值與設定的料線閾值相比過低時(例如，低于域值約2m)，即發出報警，并將該報警信號輸入后續的監測模塊500，同時監測模塊500顯示出此時的料面形狀。料面形狀可利用本階段所測得的料位數據可視地顯示在監視模塊500的顯示器上。、
料線懸料報警子單元，用于將所述預測的料位數據與本階段的料位數據相比較，對料線下降速度進行異常判斷及確定報警。在該料線懸料報警子單元中，根據本階段雷達所測料位數據所反映的料面形狀，以及根據回歸模型所預測到的本階段料位數據所反映的料面形狀，可判斷實際測得的料線下降速度是否符合要求，當與預測結果相比，料線下降(或料位下降)在程度劇烈、也即下降速度超過設定值時，可判斷料面出現異常，然后，進一步對為崩料或為懸料進行判斷。具體地，取距離爐心距離相同的雷達測量點為一環，對環上的數據進行比較，當每環上高度誤差在一定范圍之內時，則為懸料情況；當某一或幾環上高度誤差較大時，則為局部崩料。最后，利用監測單元500，對懸料、崩料進行報警，并3D顯示崩料、懸料料面形狀，圖像突出局部異常點。如圖7所示，是高爐料面出現崩料(如圖中區域Zb所示)時的料面形狀的三維示意圖。對應地，當與預測結果相比，料線下降速度未超出設定值時，則說明料面為正常狀態。優選地，數據分析模塊400還包括可正常狀態分類單元440，用于對經異常狀態判斷單元判斷為正常的料位數據進行料面類型分類。例如，當高爐上雷達的測量區域分布為圖5所示的情況時，結合圖6，計算高爐上安裝的雷達在每個環位上監測到的料位數據的平均值，對應的環位從內向外為I至4環，若I環高度最高，則對應為圖6中a類型；若2環高度最聞，則對應為b類型；若3環聞度最聞，則對應為c類型；若4環聞度最聞，則對應為d類型。正常料面的形狀，可通過監測模塊500進行顯示。如圖5、6所示，分別是正常情況下類型b和類型c的料面形狀的三維示意圖。監測模塊500可包括慣常使用的的顯示終端(例如液晶顯示器等)以及報警單元，顯示終端用于顯示本階段的三維料面形狀，并當料面料位異常時利用所述報警單元進 行報警。利用料位數據進行三維成像，可利用C++加上OpenGL的形式，使用OpenGL圖形應用編程接口來增強圖形繪制能力，控制3D動態顯示，以適應程序高強度的圖形顯示需求，最終在顯示終端上顯現直觀的三維料面形狀。例如，在利用測量點的料位數據生成三維料面形狀時，第一，選取雷達測量面所在環數點為曲線擬合位置；第二，應用最小二乘法或者B樣條插值對每個環上雷達測試面進行曲線擬合；第三，應用最小二乘法或者B樣條插值對環間雷達測試面進行曲線擬合，第四，最終利用C++加上OpenGL軟件實現最終料面。根據異常、正常狀態分析部分分析的結果，和各自雷達傾斜的角度和高爐的參數，推算出高爐的料位、形狀和類型，經一系列軟件處理算法，在顯示終端上實時在線3D顯示產生料面形狀。需報警時顯示報警并發出警告。料面顯示三維圖像在經過對數據的多次采樣，即形成連續的料面下降效果，結合下料時間，停料時間等高爐下料控制系統的信息，進而推算出在一個下料周期內，所形成的料層的形狀和厚度，并推算出各料層的下料速度，以及料層之間的礦/焦比等。最后，系統將長時間累計下來的數據進行日志分析，料面的剖面及剖面線分析等。如圖8所示，是對應于上述系統，本發明的對高爐料面狀態進行報警的方法的流程圖，該方法包括數據采集步驟S100、數據傳輸步驟S200、數據存儲步驟S300、數據分析步驟S400以及監測步驟S500。在數據采集步驟SlOO中，利用多個雷達，對料面上的多個測量點進行料位測量，并獲取該多個測量點的料位物理信號，所述料位物理信號為料位高度信號。雷達的設置方式如上文所述。
在數據傳輸步驟S200中，將上述多個測量點的料位物理信號轉換成數字信號形式的料位數據，并傳輸至系統數據庫內，該系統數據庫即為上述系統中的系統數據庫單元300 (如圖I所示)。在數據存儲步驟S300中，利用系統數據庫，接收并存儲各個階段由所述數據傳輸步驟傳輸的料位數據，所述系統數據庫還存儲有多個布料參數。布料參數具體如上文所述。優選地，數據傳輸步驟S400還包括數據預處理步驟，用于對數據傳輸步驟傳輸的料位數據進行預處理，該數據預處理步驟包括對料位數據進行濾波以及對經濾波后的料位數據去除壞點。進一步地，對本階段的料面料位進行異常狀態判斷的步驟包括低料線報警步驟，包括根據設定的所屬料線閾值對本階段的料位數據進行異常判斷及確定報警；以及料線懸料報警步驟，包括將所述預測的料位數據與本階段的料位數據相比較，對料線下降速度進行異常判斷及確定報警。如上所述，數據預處理也可作為單獨的步驟，放在數據傳輸步驟S400之后進行。所述數據分析步驟S400中，對本階段料面的料位進行預測并計算得出預測料位 數據，并將該預測料位數據與本階段的料位數據進行比較，判斷本階段料面料位是否異常，如圖9所示，數據分析步驟S400進一步包括以下步驟在步驟S410中，根據所述數據庫內存儲的多個階段的料位數據，對料面類型進行分類，并通過數學算法訓練得出各階段料位數據與其下一階段料面形狀之間的回歸模型。回歸模型的訓練以及最終得出，詳見上文所述。在步驟S420中，利用所述回歸模型，對本階段的料位數據進行預測。在步驟S430中，對本階段的料面料位進行異常狀態判斷，包括根據設定的料線閾值，以及將所述預測的料位數據與本階段的料位數據相比較，判斷本階段的料面料位是否異常。優選地，在數據分析步驟S400中，還可對經異常狀態判斷單元判斷為正常的料位數據進行料面類型分類。具體的分類方法如上文所示。在監測步驟S500中，包括顯示本階段的三維料面形狀，以及當料面料位異常時進行報警。綜上所述，利用本發明的對高爐料面狀態進行報警的系統及方法，可對高爐料面的形狀進行分析、預測，以及給出不同的料面異常類型，并對異常類型進行報警，比利用其他圖像或紅外傳感器進行料面形狀狀態判斷更加準確，解決了高爐料面形狀和狀態難以判斷的難題，進而有利于爐長對不同爐況進行及時判斷和調整，促進科學和合理的布料，使得高爐生產能夠高效，節能。容易理解，本發明中作為測量手段的雷達，不僅限于普通多點雷達，或者相控陣雷達，或者機械掃描雷達，其他在此方法上的任何組合形式和具體實施方面的改進與變化，也落于本發明的保護范圍之內。
權利要求
1.一種對高爐料面狀態進行報警的系統，其特征在于，該系統包括數據采集模塊、數據傳輸模塊、數據庫模塊、數據分析模塊以及監測模塊，其中 所述數據采集模塊包括多個雷達，所述多個雷達用于對所述料面上的多個測量點進行料位測量，并獲取該多個測量點的料位物理信號，所述料位物理信號為料位高度信號； 所述數據傳輸模塊與所述數據采集模塊相連接，用于將所述多個測量點的料位物理信號轉換成數字信號形式的料位數據，并傳輸至系統數據庫模塊內； 所述系統數據庫模塊與所述數據傳輸模塊以及所述數據分析模塊相連接，用于接收并存儲各個階段由所述數據傳輸模塊傳輸的料位數據，以及存儲多個布料參數； 所述數據分析模塊用于對本階段料面的料位進行預測并計算得出預測料位數據，并將該預測料位數據與本階段的料位數據進行比較，判斷本階段料面料位是否異常，所述數據分析模塊包括 料面類型訓練單元，用于根據所述數據庫模塊內存儲的多個階段的料位數據，對料面類型進行分類，并通過數學算法訓練得出各階段料位數據與其下一階段料面形狀之間的回歸模型； 料面預測單元，用于利用所述回歸模型，對本階段的料位數據進行預測；以及異常狀態判斷單元，用于根據設定的料線閾值，以及將所述預測的料位數據與本階段的料位數據相比較，判斷本階段的料面料位是否異常； 所述監測模塊包括顯示終端以及報警單元，所述顯示終端用于顯示本階段的三維料面形狀，并當料面料位異常時利用所述報警單元進行報警。
2.根據權利要求I所述的對高爐料面狀態進行報警的系統，其特征在于，所述多個雷達角度可調節地設置在位于高爐上部的安裝孔上。
3.根據權利I或2所述的對高爐料面狀態進行報警的系統，其特征在于，所述數據傳輸模塊包括 與所述多個雷達相連接的端子板； 與所述端子板相連接的數據采集卡；以及 與所述數據采集卡相連接的模數轉換器。
4.根據權利要求I至3中任一項所述的對高爐料面狀態進行報警的系統，其特征在于，所述數據傳輸模塊還包括數據預處理單元，用于對所述數據傳輸單元傳輸的料位數據進行預處理，該數據預處理單元包括 濾波子單元，用于對所述料位數據進行濾波；以及 壞點去除子單元，用于對經濾波后的料位數據去除壞點。
5.根據權利要求I或2所述的對高爐料面狀態進行報警的系統，其特征在于，所述多個布料參數包括批重、布料模式、下料閥開度、以及經驗料面形狀。
6.根據權利要求I或2所述的對高爐料面狀態進行報警的系統，其特征在于，所述數學算法為神經網絡算法或遺傳算法。
7.根據權利要求I或2所述的對高爐料面狀態進行報警的系統，其特征在于，其特征在于，所述異常狀態判斷單元包括 低料線報警子單元，用于根據設定的所屬料線閾值對本階段的料位數據進行異常判斷及確定報警；以及料線懸料報警子單元，用于將所述預測的料位數據與本階段的料位數據相比較，對料線下降速度進行異常判斷及確定報警。
8.根據權利要求I或2所述的對高爐料面狀態進行報警的系統，其特征在于，所述數據分析模塊還包括 正常狀態分類單元，用于對經異常狀態判斷單元判斷為正常的料位數據進行料面類型分類。
9.一種對高爐料面狀態進行報警的方法，其特征在于，該方法包括數據采集步驟、數據傳輸步驟、數據存儲步驟、數據分析步驟以及監測步驟，其中 所述數據采集步驟利用多個雷達，對所述料面上的多個測量點進行料位測量，并獲取該多個測量點的料位物理信號，所述料位物理信號為料位高度信號； 所述數據傳輸步驟將所述多個測量點的料位物理信號轉換成數字信號形式的料位數據，并傳輸至系統數據庫內； 所述數據存儲步驟利用所述系統數據庫，接收并存儲各個階段由所述數據傳輸步驟傳輸的料位數據，所述系統數據庫還存儲有多個布料參數； 所述數據分析步驟用于對本階段料面的料位進行預測并計算得出預測料位數據，并將該預測料位數據與本階段的料位數據進行比較，判斷本階段料面料位是否異常，所述數據分析步驟進一步包括以下步驟 根據所述數據庫內存儲的多個階段的料位數據，對料面類型進行分類，并通過數學算法訓練得出各階段料位數據與其下一階段料面形狀之間的回歸模型； 利用所述回歸模型，對本階段的料位數據進行預測；以及 對本階段的料面料位進行異常狀態判斷，包括根據設定的料線閾值，以及將所述預測的料位數據與本階段的料位數據相比較，判斷本階段的料面料位是否異常； 所述監測步驟包括顯示本階段的三維料面形狀，以及當料面料位異常時進行報警。
10.根據權利要求9所述的對高爐料面狀態進行報警的方法，其特征在于，所述數據分析步驟還包括數據預處理步驟，用于對所述數據傳輸步驟傳輸的料位數據進行預處理，該數據預處理步驟包括 對所述料位數據進行濾波；以及 對經濾波后的料位數據去除壞點。
11.根據權利要求9或10所述的對高爐料面狀態進行報警的方法，其特征在于，所述多個布料參數包括批重、布料模式、下料閥開度、以及經驗料面形狀。
12.根據權利要求9或10所述的對高爐料面狀態進行報警的方法，其特征在于，所述數學算法為神經網絡算法或遺傳算法。
13.根據權利要求9或10所述的對高爐料面狀態進行報警的方法，其特征在于，所述對本階段的料面料位進行異常狀態判斷的步驟包括 低料線報警步驟，包括根據設定的所屬料線閾值對本階段的料位數據進行異常判斷及確定報警；以及 料線懸料報警步驟，包括將所述預測的料位數據與本階段的料位數據相比較，對料線下降速度進行異常判斷及確定報警。
14.根據權利要求9或10所述的對高爐料面狀態進行報警的方法，其特征在于，所述數據分析步驟還包括 對經異常狀態判斷單元判斷為正常的料位數據進行料面類型分類。
全文摘要
本發明公開了一種對高爐料面狀態進行報警的系統及方法。該系統包括數據采集模塊、數據傳輸模塊、數據庫模塊、數據分析模塊以及監測模塊。該方法包括數據采集步驟、數據傳輸步驟、數據存儲步驟、數據分析步驟以及監測步驟。利用本發明的對高爐料面狀態進行報警的系統及方法，可對高爐料面的形狀進行分析、預測，以及給出不同的料面異常類型，并對異常類型進行報警。
文檔編號C21B7/24GK102676718SQ20111005392
公開日2012年9月19日 申請日期2011年3月7日 優先權日2011年3月7日
發明者儲濱, 杜洪縉, 肖陽, 陳先中 申請人:北京科技大學, 寶山鋼鐵股份有限公司