CN113836813A - 一种基于数据分析的高炉风口漏水检测方法 - Google Patents
一种基于数据分析的高炉风口漏水检测方法 Download PDFInfo
- Publication number
- CN113836813A CN113836813A CN202111152647.2A CN202111152647A CN113836813A CN 113836813 A CN113836813 A CN 113836813A CN 202111152647 A CN202111152647 A CN 202111152647A CN 113836813 A CN113836813 A CN 113836813A
- Authority
- CN
- China
- Prior art keywords
- data
- blast furnace
- water leakage
- furnace tuyere
- leakage detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000007405 data analysis Methods 0.000 title claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 239000000498 cooling water Substances 0.000 claims description 10
- 239000007789 gas Substances 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 7
- 229910052739 hydrogen Inorganic materials 0.000 claims description 7
- 239000001257 hydrogen Substances 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Blast Furnaces (AREA)
Abstract
本发明公开了一种基于数据分析的高炉风口漏水检测方法,通过OPC接口对高炉风口相应的PLC进行统一访问获取高炉风口数据清单中所需的数据;对所有历史的高炉风口漏水检测数据和已上传的高炉风口漏水检测数据进行人工标注;对高炉风口漏水检测数据集进行批量解析;数据预处理;数据标准化;利用主成分分析法对标准化处理后的数据集进行降低数据空间的维数及特征选择;优化LSTM+attention模型,并利用模型对识别高炉风口漏水。利用多传感器数据分析以及人工智能算法提高了高炉风口漏水的检测效果,尤其是风口小流量漏水的情况,减少了误检以及漏检情况的发生,提高了检测的实时性、有效性和准确性。
Description
技术领域
本发明涉及高炉风口漏水检测技术领域,具体涉及一种基于数据分析的高炉风口漏水检测方法。
背景技术
目前,对高炉风口漏水检测的方法主要有:
(1)温度差法:在风口前端使用温度计监测风口温度,当检测温度超过规定值则判断为风口漏水;
(2)流量差法:根据高炉风口正常状态下进出水量平衡原理,利用冷却水进出的流量差来判别风口是否漏水;
(3)煤气分析法:利用煤气中氢气含量的变化来判断风口是否出现漏水。若风口出现漏水,会导致高炉内煤气中氢气浓度快速上升;
(4)人工现场观察法:根据个人经验观察高炉风口来判断高炉运行状态,观察高炉风口出水是否有喘息现象,从而判断风口是否发生漏水。
上述方法具有如下缺点:
(1)温度差法只能检测温度,单一变量难以准确检测复杂变化的高炉风口漏水状态。
(2)流量差法在理论上可行,但实际中由于高炉气体的串入、流量计量误差等因素干扰,易造成进出水量检测不准确、小流量漏水不敏感、误检和漏检的情况。
(3)煤气法在风口漏水量大时由于炉内煤气中氢气含量会急剧上升,能够有效检测,但是风口出现微量漏水时,氢气含量波动较小,难以有效检测风口小流量漏水的情况。
(4)人工现场观察法由于操作者个体经验差异较大,并且对各个风口进行逐个现场排查,工作量大,造成判断不准确、不能及时发现风口漏水的现象。
发明内容
针对现有技术的不足,本发明旨在提供一种基于数据分析的高炉风口漏水检测方法。
为了实现上述目的,本发明采用如下技术方案:
一种基于数据分析的高炉风口漏水检测方法,具体包括如下步骤:
S1、构建高炉风口数据清单,所述数据清单包括冷却水罐的液位、冷却水罐进水温度、冷却水罐出水温度、每个风口的进出水流量和炉顶煤气分析仪测得的一氧化碳、二氧化碳和氢气含量,以及高炉风量、炉顶压力,每个数据点均为每分钟瞬时值;
S2、构建高炉风口漏水检测数据采集模块,所述高炉风口漏水检测数据采集模块通过OPC接口对高炉风口相应的PLC进行统一访问获取高炉风口数据清单中所需的数据,数据的格式为JSON文件,然后将数据利用MQTT协议将数据上传至信息储存数据库服务器存储;
S3、由专业人员对所有历史的高炉风口漏水检测数据和已上传的高炉风口漏水检测数据,根据已记录的漏水与未漏水状态进行人工标注,所标注的数据在时间上是平行的,标注格式为JSON;
S4、构建JSON数据批量解析模块,利用JSON数据批量解析模块对所述步骤S3标注的高炉风口漏水检测数据集进行批量解析;
S5、构建数据预处理模块,利用数据预处理模块对步骤S4的解析结果进行数据预处理;
S6、对步骤S5预处理后的数据进行标准化,标准化后的数据符合标准正态分布;
S7、利用主成分分析法对经过步骤S6标准化处理后的数据集进行降低数据空间的维数及特征选择,将特征值大于1、累计贡献率在85%~90%范围内的数据选取作为主成分,根据所选择的主成分确定降维后的数据集;
S8、将经过步骤S7处理后的数据集按照设定的比例划分为训练集与测试集,构建基于长短期记忆神经网络和注意力机制的高炉风口漏水检测算法模型LSTM+attention,并利用训练集和测试集来训练优化所述高炉风口漏水检测算法模型;
S9、对实时采集得到的高炉风口漏水检测数据,按照步骤S5-S7进行,然后利用训练优化后的LSTM+attention模型直接对PCA降维后的数据集进行分类,从而达到识别高炉风口漏水状态的目的。
进一步地,所述LSTM+attention模型主要包括LSTM层、注意力机制层以及softmax分类层。
更进一步地,所述LSTM层主要包括:遗忘门、输入门、输出门、隐藏状态,在t时刻各单元的更新公式如下:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo·[ht-1,xt]+bo;
ht=ot·tanh(Ct);
其中,ft、it、Ct、ot分别表示t时刻的遗忘门、输入门、网络状态、输出门,ht、xt分别表示t时刻隐藏层状态以及网络输入,Wf、Wi、Wo分别为ft、it、ot的权重矩阵,bf、bi、bo分别表示ft、it、ot的偏置向量,σ表示激励函数Sigmoid,tanh表示双曲正切函数。
本发明的有益效果在于:本发明利用多传感器数据分析以及人工智能算法提高了高炉风口漏水的检测效果,尤其是风口小流量漏水的情况,减少了误检以及漏检情况的发生,提高了检测的实时性、有效性和准确性。
附图说明
图1为本发明实施例中步骤S2的流程示意图;
图2为本发明实施例中步骤S7-S8的流程示意图;
图3为本发明实施例中步骤S5的流程示意图;
图4为本发明实施例中步骤S7的具体流程示意图;
图5为本发明实施例中步骤S8的具体流程示意图;
图6为本发明实施例中步骤S8的风口漏水预警示意图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
本实施例提供一种基于数据分析的高炉风口漏水检测方法,包括以下步骤:
S1、构建高炉风口数据清单,包括不同传感器的数据,如表1所示,每个数据点均为每分钟瞬时值。
表1
需要采集的高炉风口数据清单 | 每分钟瞬时值 |
冷却水罐液位 | |
冷却水罐进水温度 | |
冷却水罐出水温度 | |
每个风口进水流量 | |
每个风口出水流量 | |
炉顶煤气在线分析仪测得一氧化碳含量 | |
炉顶煤气在线分析仪测得二氧化碳含量 | |
炉顶煤气在线分析仪测得氢气含量 | |
高炉风量 | |
炉顶压力 |
S2、如图1所示,构建高炉风口漏水检测数据采集模块,由专业人员使用KEPWARE软件连接高炉一级***的PLC,获取高炉风口数据清单中所需的数据,数据的格式为JSON文件,然后将数据利用MQTT协议将获取的数据上传至信息储存数据库服务器存储;
S3、由专业人员对所有历史的高炉风口漏水检测数据和已上传的高炉风口漏水检测数据,根据已记录的漏水与未漏水状态进行人工标注,所标注的数据在时间上是平行的,标注格式为JSON;
S4、构建JSON数据批量解析模块,利用JSON数据批量解析模块对所述步骤S3标注的高炉风口漏水检测数据集进行批量解析;
S5、构建数据预处理模块,利用数据预处理模块对步骤S4的解析结果进行数据预处理;如图3所示,预处理的过程为:
S5.1、根据分类要求将解析后的数据集进行内容清洗和格式转换;
S5.2、利用缺失值填充、小波降噪、数据归一化对非平稳、非线性和高信噪比的数据进行预处理。
S6、对步骤S5预处理后的数据进行标准化,标准化后的数据符合标准正态分布;
S7、如图2所示,利用主成分分析法对经过步骤S6标准化处理后的数据集进行降低数据空间的维数及特征选择,将特征值大于1、累计贡献率在85%~90%范围内的数据选取作为主成分,根据所选择的主成分确定降维后的数据集。如图4所示,具体过程为:
S7.1、对所有数据样本进行中心化,计算公式如下:
其中,x(i)表示数据样本集合,m表示数据样本数量;
S7.2、计算样本的协方差矩阵;
S7.3、对协方差矩阵进行特征分解;
S7.4、取前m个特征量,计算信息保留量,公式如下:
S7.5、将特征值大于1、累计贡献率在85%~90%范围内的数据选取作为主成分组成降维后的数据集并作为基于LSTM的高炉风口漏水检测模型的输入变量。
S8、将经过步骤S7处理后的数据集按照设定的比例划分为训练集与测试集,构建基于长短期记忆神经网络和注意力机制的高炉风口漏水检测算法模型LSTM+attention,并利用训练集和测试集来训练优化所述高炉风口漏水检测算法模型,具体过程如图5所示。
S8.1、加载数据集到输入到LSTM层,通过对前期信息有选择的记忆和遗忘,LSTM实现了对相关信息的长期记忆,从而提取了时间特征的语义信息。
LSTM层主要包括:遗忘门、输入门、输出门、隐藏状态,在t时刻各单元的更新公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+b
ht=ot·tanh(Ct);
其中,ft、it、Ct、ot分别表示t时刻的遗忘门、输入门、网络状态、输出门,ht、xt分别表示t时刻隐藏层状态以及网络输入,Wf、Wi、Wo分别为ft、it、ot的权重矩阵,bf、bi、bo分别表示ft、it、ot的偏置向量,σ表示激励函数Sigmoid,tanh表示双曲正切函数。
S8.2、将LSTM层的结果输入到时间注意力机制层,时间注意力机制层从输入序列中学习到每一个元素的重要程度,然后按重要程度将元素合并,进一步提升模型的判别能力。计算公式如下:
r=Hβl
其中,Vd为学习参数,H为隐藏状态,βi为目标变量,r为注意力机制层输出。
S8.3、将时间注意力机制层的输出传到softmax层,输出高炉风口漏水判别结果的概率,即分类精度,若输出概率超过设定阈值,模型发出警报。由于本实施例方法涉及的高炉漏水检测问题为二元分类问题,即漏水与不漏水,所以采用二元交叉熵损失函数作为softmax层的损失函数。
S9、对于实时采集的高炉风口漏水检测数据,按照步骤S5-S7进行处理,然后利用训练优化后的LSTM+attention模型直接对PCA降维后的数据集进行分类,从而达到识别高炉风口漏水的目的。根据识别得到的漏水状态,可以生成各个风口漏水的预警示意图,如图6所示。图6中,周向方向数据1-60表示60分钟,数据每分钟采集、上传、分析一次;径向数据为设定的预警阈值。当经过算法分析后,漏水概率超过30%***会发出预警信息。如图中风口1就明显的发生了较大漏水情况;风口6有轻微漏水情况,其他风口正常。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,给出各种相应的改变和变形,而所有的这些改变和变形,都应该包括在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于数据分析的高炉风口漏水检测方法,其特征在于,具体包括如下步骤:
S1、构建高炉风口数据清单,所述数据清单包括冷却水罐的液位、冷却水罐进水温度、冷却水罐出水温度、每个风口的进出水流量和炉顶煤气分析仪测得的一氧化碳、二氧化碳和氢气含量,以及高炉风量、炉顶压力,每个数据点均为每分钟瞬时值;
S2、构建高炉风口漏水检测数据采集模块,所述高炉风口漏水检测数据采集模块通过OPC接口对高炉风口相应的PLC进行统一访问获取高炉风口数据清单中所需的数据,数据的格式为JSON文件,然后将数据利用MQTT协议将数据上传至信息储存数据库服务器存储;
S3、由专业人员对所有历史的高炉风口漏水检测数据和已上传的高炉风口漏水检测数据,根据已记录的漏水与未漏水状态进行人工标注,所标注的数据在时间上是平行的,标注格式为JSON;
S4、构建JSON数据批量解析模块,利用JSON数据批量解析模块对所述步骤S3标注的高炉风口漏水检测数据集进行批量解析;
S5、构建数据预处理模块,利用数据预处理模块对步骤S4的解析结果进行数据预处理;
S6、对步骤S5预处理后的数据进行标准化,标准化后的数据符合标准正态分布;
S7、利用主成分分析法对经过步骤S6标准化处理后的数据集进行降低数据空间的维数及特征选择,将特征值大于1、累计贡献率在85%~90%范围内的数据选取作为主成分,根据所选择的主成分确定降维后的数据集;
S8、将经过步骤S7处理后的数据集按照设定的比例划分为训练集与测试集,构建基于长短期记忆神经网络和注意力机制的高炉风口漏水检测算法模型LSTM+attention,并利用训练集和测试集来训练优化所述高炉风口漏水检测算法模型;
S9、对实时采集得到的高炉风口漏水检测数据,按照步骤S5-S7进行,然后利用训练优化后的LSTM+attention模型直接对PCA降维后的数据集进行分类,从而达到识别高炉风口漏水状态的目的。
2.根据权利要求1所述的方法,其特征在于,所述LSTM+attention模型主要包括LSTM层、注意力机制层以及softmax分类层。
3.根据权利要求2所述的方法,其特征在于,所述LSTM层主要包括:遗忘门、输入门、输出门、隐藏状态,在t时刻各单元的更新公式如下:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo·[ht-1,xt]+bo;
ht=ot·tanh(Ct);
其中,ft、it、Ct、ot分别表示t时刻的遗忘门、输入门、网络状态、输出门,ht、xt分别表示t时刻隐藏层状态以及网络输入,Wf、Wi、Wo分别为ft、it、ot的权重矩阵,bf、bi、bo分别表示fi、it、ot的偏置向量,σ表示激励函数Sigmoid,tanh表示双曲正切函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111152647.2A CN113836813B (zh) | 2021-09-29 | 2021-09-29 | 一种基于数据分析的高炉风口漏水检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111152647.2A CN113836813B (zh) | 2021-09-29 | 2021-09-29 | 一种基于数据分析的高炉风口漏水检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836813A true CN113836813A (zh) | 2021-12-24 |
CN113836813B CN113836813B (zh) | 2024-01-30 |
Family
ID=78967419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111152647.2A Active CN113836813B (zh) | 2021-09-29 | 2021-09-29 | 一种基于数据分析的高炉风口漏水检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836813B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114836588A (zh) * | 2022-04-25 | 2022-08-02 | 江苏沙钢集团有限公司 | 一种高炉风口漏水的定位方法及监控*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002062057A (ja) * | 2000-08-24 | 2002-02-28 | Nkk Corp | 冶金炉の炉壁冷却・保護方法及び炉壁冷却装置 |
CN107622279A (zh) * | 2017-09-05 | 2018-01-23 | 重庆邮电大学 | 高炉内部状态的分类方法 |
CN107858467A (zh) * | 2017-11-10 | 2018-03-30 | 中冶赛迪上海工程技术有限公司 | 一种高炉冷却水检漏方法及*** |
CN112183193A (zh) * | 2020-08-19 | 2021-01-05 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的方法 |
CN112633049A (zh) * | 2020-08-19 | 2021-04-09 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的*** |
CN112819802A (zh) * | 2021-02-09 | 2021-05-18 | 东北大学 | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 |
CN112884056A (zh) * | 2021-03-04 | 2021-06-01 | 河北工程大学 | 基于优化的lstm神经网络的污水水质预测方法 |
-
2021
- 2021-09-29 CN CN202111152647.2A patent/CN113836813B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002062057A (ja) * | 2000-08-24 | 2002-02-28 | Nkk Corp | 冶金炉の炉壁冷却・保護方法及び炉壁冷却装置 |
CN107622279A (zh) * | 2017-09-05 | 2018-01-23 | 重庆邮电大学 | 高炉内部状态的分类方法 |
CN107858467A (zh) * | 2017-11-10 | 2018-03-30 | 中冶赛迪上海工程技术有限公司 | 一种高炉冷却水检漏方法及*** |
CN112183193A (zh) * | 2020-08-19 | 2021-01-05 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的方法 |
CN112633049A (zh) * | 2020-08-19 | 2021-04-09 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的*** |
CN112819802A (zh) * | 2021-02-09 | 2021-05-18 | 东北大学 | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 |
CN112884056A (zh) * | 2021-03-04 | 2021-06-01 | 河北工程大学 | 基于优化的lstm神经网络的污水水质预测方法 |
Non-Patent Citations (2)
Title |
---|
LE-TIAN WANG: "Investigation on the Electromagnetic Scattering From the Accurate 3-D Breaking Ship Waves Generated by CFD Simulation", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 57, no. 5, pages 2689 - 2699, XP011720973, DOI: 10.1109/TGRS.2018.2876131 * |
吕青: "高炉风口漏损分析与控制措施探讨", 安全与环境工程, vol. 18, no. 2, pages 108 - 111 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114836588A (zh) * | 2022-04-25 | 2022-08-02 | 江苏沙钢集团有限公司 | 一种高炉风口漏水的定位方法及监控*** |
CN114836588B (zh) * | 2022-04-25 | 2023-11-14 | 江苏沙钢集团有限公司 | 一种高炉风口漏水的定位方法及监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN113836813B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN102667352B (zh) | 制冷剂泄漏检测***和方法 | |
CN116625438B (zh) | 燃气管网安全在线监测***及其方法 | |
CN116772944B (zh) | 配气站的智能监控***及其方法 | |
CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警*** | |
AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
CN117195135B (zh) | 一种水污染异常溯源检测方法及*** | |
CN108762238B (zh) | 一种基于dcd的湿法冶金浸出过程故障诊断方法 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
CN113283288B (zh) | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 | |
CN114328075A (zh) | 一种智能配电房传感器多维数据融合异常事件检测方法、***及计算机可读存储介质 | |
CN110889441A (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
Jiang et al. | A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和*** | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN112733419A (zh) | 一种突发大气污染事故源反演准确性提升方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN116519555A (zh) | 一种稀释法烟气监测*** | |
CN116520236B (zh) | 一种智能电表的异常检测方法和*** | |
CN206656749U (zh) | 火电厂传感器故障诊断*** | |
CN111931574B (zh) | 一种气动调节阀鲁棒故障诊断方法 | |
CN116467645B (zh) | 一种污染源采集监测*** | |
CN117668481A (zh) | 一种基于非侵入式的煤化工碳捕集效率评价方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |