一种高炉炼铁过程故障监测方法、装置及存储介质

1.本发明涉及工业过程故障监测技术领域，尤其是指一种高炉炼铁过程故障监测方法、装置及计算机存储介质。


背景技术：

2.高炉是用于生产铁水的立式炉，是炼钢生产过程中的重要部分。为了保证铁水的顺利稳定的生产，需要监控整个高炉中各个过程变量的状态，从而保持高炉的稳定运行。传统的高炉炼铁过程故障监测中，首先需要获得炼铁过程中正常工况下的历史数据，然后建立一个全局的统计分析模型，再对实时采集的样本进行在线监测，判断其是否处于正常状态。但一方面由于高炉炼铁过程涉及到的变量之间关系冗杂，另一方面由于实时工况的多变性使得传统的模型无法适应当下需求。
3.由于高炉炼铁生产过程具有大量的变量和复杂的变量关系，传统建模策略无法准确地对过程进行建模。为了更好的实现工业过程故障监测，macgregor首先提出基于数据的多块故障检测方法成为了研究的热点，数据集划分方法是多块建模策略的核心内容，构建数据集能够将具有相同变化特征的变量放在一起以突出局部特征，从而可以提高故障监测的准确率。数据集划分方法的优劣一定程度上决定着最终故障监测性能的好坏。
4.目前的基于多块建模的高炉炼铁故障监测中存在的问题是大量方法在进行变量分块时只考虑了变量间的线性关系，并没有考虑变量间的非线性关系，这使得数据集划分的合理性难以保证，从而也就会影响最终监测结果的准确性。另外，目前的分块建模策略大多数只依赖于数据的观测值信息进行建模，并没有挖掘隐藏在观测值信息中的潜在特征信息，所以在监测缓慢、微小变化或者持续振荡变化的故障时效果不佳。在数据集建模中多选用pca或kpca，但pca受变量线性相关的约束，无法捕捉过程变量中的非线性关系。而基于kpca的多块建模方法均是利用每个过程变量的观测值构造潜变量进行监测，未考虑观测值中隐含的其他有效信息，当故障变量处于振荡或故障幅值较小时，此时若只利用各时刻观测值进行过程建模则效果并不显著。因此，如何精确检测微小故障是目前待解决的问题。


技术实现要素：

5.为此，本发明所要解决的技术问题在于克服现有技术中由于基于kpca的多块建模方法未考虑到观测值中隐含的其他有效信息，导致微小故障检测不精确的问题。
6.为解决上述技术问题，本发明提供了一种高炉炼铁过程故障监测方法，包括：
7.将正常工况下的原始数据集进行标准化处理，得到标准数据集；
8.根据所述标准数据集构造累计误差数据集和变化率数据集；
9.分别对所述标准数据集、所述累计误差数据集和所述变化率数据集进行建模，并计算各自的控制限；
10.根据标准化后的待测样本集构造待测累计误差子集和待测变化率子集；
11.分别对所述标准化后的待测样本集、所述待测累计误差子集和所述待测变化率子
集进行建模，并计算各自的统计量；
12.利用贝叶斯融合策略根据所述控制限和所述统计量计算得到融合统计量；
13.判断所述融合统计量是否小于验证控制限，若小于，则所述待测样本集正常，继续监测下一待测样本集。
14.优选地，所述根据所述标准数据集构造累计误差数据集包括：
15.将所述标准数据集中预设数量的样本值与设定标准值之差进行累加，得到所述累加误差数据集；
16.所述设定标准值为所述标准数据集的均值。
17.优选地，所述根据所述标准数据集构造变化率数据集包括：
18.计算所述标准数据集中样本变量每个时刻的变化率，得到变化率数据集。
19.优选地，所述分别对所述标准数据集、所述累计误差数据集和所述变化率数据集进行建模，并计算各自的控制限包括：
20.分别对所述标准数据集、所述累计误差数据集和所述变化率数据集进行kpca建模；
21.计算所述标准数据集的控制限，得到第一个数据集的t2统计量控制限和spe2统计量控制限；
22.计算所述累计误差数据集的控制限，得到第二个数据集的t2统计量控制限和spe2统计量控制限；
23.计算所述变化率数据集的控制限，得到第三个数据集的t2统计量控制限和spe2统计量控制限。
24.优选地，所述分别对所述标准化后的待测样本集、所述待测累计误差子集和所述待测变化率子集进行建模，并计算各自的统计量包括：
25.分别对所述标准化后的待测样本集、所述待测累计误差子集和所述待测变化率子集进行kpca建模；
26.计算所述标准化后的待测样本集的统计量，得到第一个子集的t2统计量和spe2统计量；
27.计算所述待测累计误差子集的统计量，得到第二个子集的t2统计量和spe2统计量；
28.计算所述待测变化率子集的统计量，得到第三个子集的t2统计量和spe2统计量。
29.优选地，所述利用贝叶斯融合策略根据所述控制限和所述统计量计算得到融合统计量包括：
30.计算第一似然函数第二似然函数第三似然函数第四似然函数其中，中代表待测样本集在第i个子集的t2统计量，中代表正常工况下的原始数据集在第i个数据集的t2统计量控制限，中代表待测样本集在第i个子集的spe2统计量，中代表正常工况下的原始数据集在第i个数据集的spe2统计量控制限；
31.计算所述待测样本集在第i个子集的t2统计量和spe2统计量的故障条件概率：
[0032][0033][0034][0035][0036]
其中,和为正常样本的先验概率，其值为置信度β，和为故障样本的先验概率，其值为(1-β)；
[0037]
计算贝叶斯t2融合统计量
[0038]
计算贝叶斯t2融合统计量
[0039]
优选地，所述若所述融合统计量不小于验证控制限，则样本故障；
[0040]
计算故障样本中每个变量对故障的贡献率，分离出对故障贡献率最大的变量。
[0041]
优选地，所述计算故障样本中每个变量对故障的贡献率，分离出对故障贡献率最大的变量包括：
[0042]
计算第t个待测样本的第j个变量的t2贡献量：
[0043][0044]
计算第t个待测样本的第j个变量的spe2贡献量：
[0045][0046]
其中x
tj
为第t个待测样本的第j个变量，k
t
为标准化的核矩阵，α为变换矩阵，λ为加权矩阵，x
t
为第t个待测样本，θ为中值，k(x
t
,x
t
)为非线性映射；
[0047]
计算第t个待测样本在第i个子集第j个变量的t2贡献率：
[0048][0049]
计算第t个待测样本在第i个子集第j个变量的spe2贡献率：
[0050]
[0051]
赋予每个子集相应的权重值：
[0052][0053][0054]
其中，代表第i个子集t2统计量和spe2统计量的均值；
[0055]
并计算第j个变量的最终贡献率：
[0056][0057][0058]
本发明还提供了一种高炉炼铁过程故障监测的装置，包括：
[0059]
标准数据集获取模块，用于将正常工况下的原始数据集进行标准化处理，得到标准数据集；
[0060]
累计误差数据集和变化率数据集构造模块，用于根据所述标准数据集构造累计误差数据集和变化率数据集；
[0061]
控制限计算模块，用于分别对所述标准数据集、所述累计误差数据集和所述变化率数据集进行建模，并计算各自的控制限；
[0062]
待测累计误差子集和待测变化率子集构造模块，用于根据标准化后的待测样本集构造待测累计误差子集和待测变化率子集；
[0063]
统计量计算模块，用于分别对所述标准化后的待测样本集、所述待测累计误差子集和所述待测变化率子集进行建模，并计算各自的统计量；
[0064]
融合统计量计算模块，用于利用贝叶斯融合策略根据所述控制限和所述统计量计算得到融合统计量；
[0065]
故障检测模块，用于判断所述融合统计量是否小于验证控制限，若小于，则所述待测样本集正常，继续监测下一待测样本集。
[0066]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种高炉炼铁过程故障监测方法的步骤。
[0067]
本发明的上述技术方案相比现有技术具有以下优点：
[0068]
本发明基于样本观测值信息对累计误差和变化率进行提取，结合原始观测值信息将数据集划分成三个数据集进行kpca建模，并利用贝叶斯融合策略构建过程监控统计量监视过程故障；充分考虑了样本观测值隐含信息，提升了kpca故障监测算法对微小偏移和脉
冲振荡等故障的监测性能；本发明根据故障变化曲线的特点，从观测值信息提取的角度出发利用样本观测值时序间存在的内部联系，从原始观测值信息中提取反映该特点的变化率信息和累计误差信息，同时结合观测值信息对每个数据集分别利用kpca进行建模，再构建bic统计量进行故障监测，针对于微小故障监测效果更加显著。
附图说明
[0069]
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：
[0070]
图1是本发明高炉炼铁过程故障监测方法的实现流程图；
[0071]
图2是基于观测值信息提取的多块核主元故障监测及诊断算法流程图；
[0072]
图3是本发明采用的多块kpca建模方式；
[0073]
图4是高炉炼铁实际过程中故障的监测结果图；
[0074]
图5是te过程中故障11的监测结果图；
[0075]
图6是te过程中故障11的t2诊断结果图；
[0076]
图7是te过程中故障11的spe诊断结果图；
[0077]
图8是te过程中变量32在子块1中发生故障前后变化曲线；
[0078]
图9是te过程中变量32在子块2中发生故障前后变化曲线；
[0079]
图10为本发明实施例提供的一种高炉炼铁过程故障监测的装置的结构框图。
具体实施方式
[0080]
本发明的核心是提供一种高炉炼铁过程故障监测的方法、装置及计算机存储介质，提升了对微小故障的检测效果。
[0081]
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0082]
请参考图1和图2，图1为本发明所提供的高炉炼铁过程故障监测的实现流程图，图2是基于观测值信息提取的多块核主元故障监测及诊断算法流程图；具体操作步骤如下：
[0083]
传统多块建模方式通过寻找变量间的差异将原始数据集拆分成若干个子集进行建模，从而获取过程间的局部有效信息。本发明考虑到信息的多样性和样本间隐含的内部联系，不再对原始的数据集进行拆分，而是从整体的原始数据集出发提取样本特征信息后进行分块监测，本文建模方式如图3所示；
[0084]
s101：将正常工况下的原始数据集x
train
进行标准化处理，得到标准数据集x0∈rn×m；
[0085]
s102：根据所述标准数据集构造累计误差数据集和变化率数据集；
[0086]
将所述标准数据集中预设数量t的样本值与设定标准值之差进行累加，得到所述累加误差数据集xw∈r
(n-t)
×m，第t时刻累计误差为:
[0087]
所述设定标准值为所述标准数据集的均值，数据标准化后的数据集每个变量均值
为0，因此一段时间内的累计误差可以直接将x0中的样本值直接相加。
[0088]
变化率定义为样本变量观测值前后时刻的变化速率，反应该变量的动态特征。当引发系统的故障以脉冲震荡的形式作用于某一变量上，该种建模方式可以更好地监测出该故障；
[0089]
计算所述标准数据集中样本变量每个时刻的变化率，得到变化率数据集xb∈r
(n-1)
×
m t
，时刻变量变化率信息为:xb(t)＝x(t)-x(t-1)。
[0090]
s103：分别对所述标准数据集、所述累计误差数据集和所述变化率数据集进行建模，并计算各自的控制限；
[0091]
分别对所述标准数据集、所述累计误差数据集和所述变化率数据集进行kpca建模；
[0092]
计算所述标准数据集的控制限，得到第一个数据集的t2统计量控制限和spe2统计量控制限；
[0093]
计算所述累计误差数据集的控制限，得到第二个数据集的t2统计量控制限和spe2统计量控制限；
[0094]
计算所述变化率数据集的控制限，得到第三个数据集的t2统计量控制限和spe2统计量控制限。
[0095]
s104：根据标准化后的待测样本集构造待测累计误差子集和待测变化率子集；
[0096]
将所述准化后的待测样本集中预设数量的样本值与设定标准值之差进行累加，得到所述累计误差子集；
[0097]
所述设定标准值为所述待测样本集的均值。
[0098]
计算所述标准数据集中样本变量每个时刻的变化率，得到变化率数据集。
[0099]
s105：分别对所述标准化后的待测样本集、所述待测累计误差子集和所述待测变化率子集进行建模，并计算各自的统计量；
[0100]
分别对所述标准化后的待测样本集、所述待测累计误差子集和所述待测变化率子集进行kpca建模；
[0101]
计算所述标准化后的待测样本集的统计量，得到第一个子集的t2统计量和spe2统计量；
[0102]
计算所述待测累计误差子集的统计量，得到第二个子集的t2统计量和spe2统计量；
[0103]
计算所述待测变化率子集的统计量，得到第三个子集的t2统计量和spe2统计量。
[0104]
s10 6：利用贝叶斯融合策略根据所述控制限和所述统计量计算得到融合统计量；
[0105]
计算第一似然函数第二似然函数第三似然函数第四似然函数其中，中代表待测样本集在第i个子集的t2统计量，中代表正常工况下的原始数据集在第i个数据集的t2统计量控制限，中代表待测样本集在第i个子集的spe2统计量，中代表正常工况下的原始数据集在第i个数据集的spe2统计量控制限；
[0106]
计算所述待测样本集在第i个子集的t2统计量和spe2统计量的故障条件概率：
[0107][0108][0109][0110][0111]
其中,和为正常样本的先验概率，其值为置信度β，和为故障样本的先验概率，其值为(1-β)；
[0112]
最终，将似然函数作为权重，加权各子集待测样本集为故障的概率，得到贝叶斯合t2统计量如下：
[0113]
贝叶斯t2融合统计量
[0114]
贝叶斯t2融合统计量
[0115]
s107：判断所述融合统计量是否小于验证控制限，若小于，则所述待测样本集正常，继续监测下一待测样本集。
[0116]
在bic监测指标下，统计量的控制限均为(1-β)，当贝叶斯统计量指标小于置信度β时，待测样本xn视为正常，反之则认为故障。
[0117]
基于以上实施例，本实施例对步骤s107进行进一步详细说明，包括：
[0118]
当检测到系统发生故障后，需要分离出引发故障的源变量，贡献图法是传统工业监控过程中常用的故障诊断方法。本文利用统一贡献框架给出kpca的贡献图提出一种加权的方式将其应用于多块kpca故障监测；
[0119]
计算故障样本中每个变量对故障的贡献率，分离出对故障贡献率最大的变量；
[0120]
计算第t个待测样本的第j个变量的t2贡献量：
[0121][0122]
计算第t个待测样本的第j个变量的spe2贡献量：
[0123][0124]
其中x
tj
为第t个待测样本的第j个变量，k
t
为标准化的核矩阵，α为变换矩阵，λ为加权矩阵，x
t
为第t个待测样本，θ为中值，k(x
t
,x
t
)为非线性映射；
[0125]
计算第t个待测样本在第i个子集第j个变量的t2贡献率：
[0126][0127]
计算第t个待测样本在第i个子集第j个变量的spe2贡献率：
[0128][0129]
赋予每个子集相应的权重值：
[0130][0131][0132]
其中，代表第i个子集t2统计量和spe2统计量的均值；
[0133]
并计算第j个变量的最终贡献率：
[0134][0135][0136]
本发明专利针对高炉炼铁过程故障监测中难以有效检测微小偏移和脉冲振荡等微小故障的问题，提出了一种基于观测值信息的多块核主元故障监测与诊断方法，该方法基于样本观测值信息的累计误差和变化率进行提取，结合原始观测值信息将数据集划分成三个数据集进行kpca建模，并利用贝叶斯融合策略构建过程监控统计量监视过程故障，同时针对于提出的多块kpca故障检测方法设计出一种基于加权统一贡献图的故障诊断方法，所提方法与一些同类故障检测方法在高炉炼铁实际过程中和te过程中发生的微小故障进行仿真，表明了本文提出的方法具有良好的故障检测性能。本发明根据故障变化曲线的特点，从观测值信息提取的角度出发利用样本观测值时序间存在的内部联系，从原始观测值信息中提取反映该特点的变化率信息和累计误差信息，同时结合观测值信息对每个数据集分别利用kpca进行建模，再构建bic统计量进行故障监测，进一步采用加权统一贡献图的方法找出引发故障的源变量并对其隔离，针对于微小故障监测效果更显著。
[0137]
基于以上实施例，本实施例在高炉炼铁实际过程应用以及te数据集上进行测试和性能比较，具体如下：
[0138]
1)高炉炼铁实际过程上的案例实施
[0139]
高炉是用于生产铁水的立式炉，是炼钢生产过程中的重要部分。为了保证铁水的
顺利稳定的生产，需要监控并保持流入高炉的气体稳定。悬挂故障是由上升气体异常导致的一种典型故障。悬挂故障的持续作用会引起炉顶压力和热量增加，最终导致高炉结构受损。本实施案例数据来自一个发生悬挂故障的真实高炉，包含3900个样本数据，其中前2000个为正常样本，后1900个为悬挂故障下的样本。与实施案例1类似，对变量块进行累计误差和一阶差分信息提取，最终得到了3个特征信息子块。在完成变量分块和子块扩展后，分别建立kpca模型对每一个信息子块进行监控，接着通过贝叶斯推断融合所有子块的监测结果得到最终的监测指标。
[0140]
表1为高炉炼铁悬挂故障中涉及的过程变量：
[0141]
表1高炉炼铁悬挂故障中涉及的过程变量
[0142][0143]
表2给出了本发明专利所述的mbkpca方法与现有的knn、pca以及mi-mbknn等3种监测方法对高炉炼铁悬挂故障的监测结果。
[0144]
表2监测方法性能比较
[0145][0146]
从表2可以看出，本发明专利所述的mbkpca方法相对于现有的另外3种方法取得了对高炉炼铁悬挂故障的最佳监测结果，报警率达到了98。3％，误报率为0％，效果显著。下面详细分析了mbkpca方法对高炉炼铁悬挂故障的监测结果。(各图中的红线为计算得到的故障控制限)。
[0147]
图4依次展示了三个子信息子块以及融合后对悬挂故障的监测结果，可以看出本发明专利方法取得了不错的监测结果。子块2是由变量块1扩展生成的累积误差信息子块。高炉炼铁悬挂故障导致变量8呈现出微小的幅值波动，如果仅仅依赖观测值并不能检测出此故障，而通过对观测值信息进行累积误差计算，故障样本的幅值波动表现得更加明显，从而更有利于检测到此类故障的发生。
[0148]
2)te过程数据集上的案例实施
[0149]
te过程主要由反应器、冷凝器、压缩机、分离器和汽提塔五个主要单元组成，该过程模拟了一个真实的化学过程操作，其产生的数据具有时变、强耦合和非线性等特征，广泛应用于测试复杂工业过程的控制和故障诊断模型。te过程包含21个预先设置的故障，分别对应不同的故障类型.将te过程中平稳运行的960个正常样本作为训练集，21种故障工况下
的的960个样本作为故障测试集，每个样本含52个变量，选取22个过程测量变量及除搅拌速度外的11个操作变量用于建模与监测，模拟故障工况中故障均在第161个样本点处加入，但由于累计误差信息子块数据会丢失前t个样本(仿真中t取10)，故后续故障监测图中实际故障发生点都位于第151个样本,处.在te仿真实验中均采用累计主元贡献比的方法确定主元个数，选取累计主元贡献率为95％。高斯核函数σ取2000，t2和spe统计量的置信度均为95％。对于te过程数据各子块及融合后统计量的报警率如表3所示；
[0150]
表3 te过程数据各子块及融合后统计量的报警率
[0151]
[0152][0153]
通过对比表3中各子块对21种故障的报警率和误报率可以看出，子块3(累计误差子块)的存在能很好地提高故障的报警率，但同时也提高了故障的误报率，子块2(变化率子块)的存在虽然未能提高故障的报警率，但也降低了故障的误报率。同时也能看见在故障19的情况下，子块2也能提高故障的报警率。在最终的bic融合监测结果上能提高t2和spe的平均报警率，在平均误报率上t2与原始子块相差无几且在置信限内，spe的平均误报率得到了提高但仍小于子块3的误报率，故综上所述融合后的子块整体性能上还是优于三个子块。
[0154]
图5给出了故障11的各子块监测结果，可以看出融合后的故障报警率大于各子块报警率，其中子块3对故障报警率贡献较大。通过图6对故障11诊断结果分析看出变量9和32为引发故障11的源变量，以变量32为例绘制子块1和子块3中故障发生前后变量32的变化曲线。通过图7可以看出子块1(即原始子块)中变量32发生故障前后偏移量变大,图8分别对子块1的误差进行累加，对比可知通过误差的叠加可以使该故障发生前后变量偏移量变大，进而使该故障更易检测出来，验证了通过信息提取可以获得原始观测信息中隐含的信息量。从而提高故障报警率。
[0155]
表4给出了te过程中21种故障在不同故障监测方法下的报警率，主要包括kpca、mbipca、dwlofkpca、mbimdknn。
[0156]
表4 te过程中21种故障在不同故障监测方法下的报警率
[0157][0158]
其中故障编号1～21代表21种故障，共包含960组训练样本和960组测试样本。通过仿真结果及分析，本文所提方法在21种故障情况下平均故障报警率较高。图9比较了kpca、mbipca与本文算法对te过程中故障20的监测结果，可以看出本文算法良好的监测性能。因此，本文基于观测值信息提取的kpca通过隐含信息的挖掘，能够更为充分地利用观测值信息内部的隐含信息，有助于改善故障监控性能。
[0159]
本发明专利针对高炉炼铁过程故障监测中难以有效检测微小偏移和脉冲振荡等微小故障的问题，提出了一种基于观测值信息提取的多块核主元故障监测与诊断方法，该方法基于样本观测值信息的累计误差和变化率进行提取，结合原始观测值信息将数据集划分成三个子块进行kpca建模，并利用贝叶斯融合策略构建过程监控统计量监视过程故障，同时针对于提出的多块kpca故障检测方法设计出一种基于加权统一贡献图的故障诊断方法，所提方法与一些同类故障检测方法在高炉炼铁实际应用和te过程进行仿真比较，表明了本文提出的方法具有良好的故障检测性能。
[0160]
由以上两个实施案例的结果可知，本发明专利所述的mbkpca方法相比于现有方法有着更好的故障监测效果。
[0161]
请参考图10，图10为本发明实施例提供的一种高炉炼铁过程故障监测的装置的结构框图；具体装置可以包括：
[0162]
标准数据集获取模块100，用于将正常工况下的原始数据集进行标准化处理，得到标准数据集；
[0163]
累计误差数据集和变化率数据集构造模块200，用于根据所述标准数据集构造累计误差数据集和变化率数据集；
[0164]
控制限计算模块300，用于分别对所述标准数据集、所述累计误差数据集和所述变化率数据集进行建模，并计算各自的控制限；
[0165]
待测累计误差子集和待测变化率子集构造模块400，用于根据标准化后的待测样本集构造待测累计误差子集和待测变化率子集；
[0166]
统计量计算模块500，用于分别对所述标准化后的待测样本集、所述待测累计误差子集和所述待测变化率子集进行建模，并计算各自的统计量；
[0167]
融合统计量计算模块600，用于利用贝叶斯融合策略根据所述控制限和所述统计量计算得到融合统计量；
[0168]
故障检测模块700，用于判断所述融合统计量是否小于验证控制限，若小于，则所述待测样本集正常，继续监测下一待测样本集。
[0169]
本实施例的高炉炼铁过程故障监测装置用于实现前述的高炉炼铁过程故障监测方法，因此高炉炼铁过程故障监测装置中的具体实施方式可见前文高炉炼铁过程故障监测方法的实施例部分，例如，标准数据集获取模块100，累计误差数据集和变化率数据集构造模块200，控制限计算模块300，待测累计误差子集和待测变化率子集构造模块400，统计量计算模块500，融合统计量计算模块600，故障检测模块700，分别用于实现上述高炉炼铁过程故障监测方法中步骤s101，s102，s103，s104，s105，s106，s107，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
[0170]
本发明具体实施例还提供了一种高炉炼铁过程故障监测的设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种高炉炼铁过程故障监测方法的步骤。
[0171]
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种高炉炼铁过程故障监测方法的步骤。
[0172]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0173]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0174]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0175]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0176]
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于
所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。