高炉内部复杂的温度分布与操作类型直接影响其运行的稳定性及寿命。然而，由于高温环境下的高炉处于“黑箱”状态，传统依赖经验的操作类型监控方法难以满足实际需求，操作员难以实时获得高炉内部详细的状态信息。实时、精准的高炉操作剖面监控系统因此显得尤为重要。
以往的研究主要依赖单一的算法进行操作类型的聚类和识别，难以有效应对冷却壁温度数据的复杂性。传统K-Means算法在高炉状态聚类中有明显的局限性，既无法准确分类高炉操作类型，也缺乏实时性监控的能力。因此，目前高炉操作状态的实时监测和精准识别仍是一个未解决的问题。
最近，华北理工大学的刘然教授及其团队通过构建DB-Mini-KMeans和多层感知器（MLP）算法模型，开发了适用于高炉操作类型的实时监控系统。该系统通过冷却壁温度聚类分析和MLP识别模型，识别出高炉的多种操作类型，并结合煤气利用率、气流、焦比等生产指标，对各操作类型的优劣进行全面评估。该系统涵盖二维操作类型图和状态预警等功能，为操作员提供了详细的炉况信息和及时的操作调整参考。
相关研究成果以“Blast Furnace Operation Profile Monitoring System Based on DB-Mini-KMeans and Multi-layer Perceptron”为题目发表于Ironmaking & Steelmaking期刊2024年第51卷第8期。论文作者为：Song Liu, Wei-guang Zhao, Ran Liu*, Xiaojie Liu, Jun Zhao, Xu-sheng Zhang, Qing Lyu。
该论文的主要研究结果与结论如下：
- 聚类算法性能提升：提出的DB-Mini-KMeans算法在SC指标上提升了76.4%，DBI指标降低0.15，与传统K-Means相比性能显著优化，适合冷却壁温度的实时聚类分析。
高精度操作类型识别：基于MLP的识别模型，操作类型的平均识别准确率达94.35%，明显高于传统支持向量机和决策树分类器，满足高炉操作类型识别的高准确度要求。
操作类型优劣评估：结合高炉生产指标（煤气利用率、气流、焦比等），对不同操作类型的优劣进行了分类，提出适合高炉生产的优选操作类型，帮助操作员优化炉况控制。
实时监控系统：开发的监控系统可实时显示高炉操作类型，并在出现异常时提供状态警告，支持高炉操作的实时监控和调整，避免因人为判断失误带来的风险。
论文中的主要图片和表格如下：
图1. 异常值处理效果图
图2. DBSCAN算法原理图
图3. KNN算法实现原理图
图4. MLP神经网络结构图
图5. 系统构建流程图
图6. 各类高炉操作类型的聚类中心分布图
图7. 操作类型标签图
图8. 迭代次数选择结果图
图9. 操作类型对应范围图
图10. 五种操作类型的生产指标对比图
图11. 操作类型1、3和5的生产指标标准差图
图12. 实时监控界面
如果您需要论文原文，请在本页最下方留言“2413”。您想看哪方面的文献资料，也请给小编留言。
点击下方“#高炉炼铁”，然后“订阅”该合集，系统将更精准地向您推荐相关资讯。
欢迎投稿，欢迎“点赞、在看”！
