CN101661026A - 一种预测焦炭机械强度和热性质的方法 - Google Patents

Abstract

本发明涉及一种预测焦炭机械强度和热性质的方法，该方法以煤镜质组反射率分布为主要输入参数来预测焦炭机械强度指标和热性质指标。所述的预测焦炭机械强度指标通过BP神经网络来实现，所述的热性质指标通过BP神经网络或计算方法实现。该方法能解决炼焦煤资源有效利用、科学、准确地预测焦炭冷强度和热性质，保证焦炭质量，降低配煤成本，实现科学配煤和实施配煤专家系统。

Description

一种预测焦炭机械强度和热性质的方法

技术领域

本发明涉及煤化工技术领域，具体涉及炼焦生产中配煤炼焦、焦炭质量控制与预测的方法。

背景技术

近年来，中国焦炭产能急剧膨胀，炼焦煤资源供应紧张，稀缺的优质炼焦煤资源越来越少，焦化厂的煤源波动频繁，煤质波动较大，混煤情况严重；随着高炉大型化、喷煤技术的提高对焦炭质量要求越来越高。为了稳定焦炭质量，开展焦炭质量预测研究是焦化行业面临的一个重要课题。

国内外早期炼焦配煤比都是根据经验和煤质参数用试凑法在试验室进行试验，试验焦炉验证直到大炉试验确定。随着炼焦配煤技术的发展，配煤方案确定也从以常规煤质指标的经验配煤发展到以煤岩指标为基础的煤岩配煤。目前焦炭质量预测方法，根据选用煤质指标，大致可分为以下三种：用常规煤质指标预测，用煤岩指标预测，用常规和煤岩指标综合的方法预测。

用常规煤质指标预测。通常选择煤的挥发分、粘结性等指标作参数，根据历史生产数据，用回归、拟合、神经网络等数学方法，得出预测模型，预测焦炭质量。常规煤质指标不能反映出煤的微观结构。煤的常规指标相同，煤的显微组织、变质程度可以有很大差别。煤源发生改变的时候，这个预测模型的精度就会大幅度降低。焦炭机械强度、热性质和煤的变质程度有关。对于单一煤层煤，挥发分、镜质组平均最大反射率能反应出煤的变质程度。对混煤而言，挥发分相同的煤，可以由不同的煤种混合得到。如果用挥发分、粘结性指标(G或Y)，预测焦炭机械强度，当用两个挥发分、粘结性相同的混合煤，分别和相同的几种煤配合炼焦，所得焦炭质量会有很大差别。因为这两个混合煤虽然挥发分和粘结指数相同，但是由不同的煤混合得到的，因此该方法对于混煤而言，预测焦炭质量会有很大的偏差。

用煤岩指标预测，通常选择煤的镜质组平均最大反射率、活惰比等指标作参数，根据历史生产数据，用回归、拟合、神经网络等数学方法，得出预测模型，预测焦炭质量。这种方法适用于炼焦煤是单一煤层煤。对于混煤而言，镜质组平均最大反射率相同的煤，可以由不同的煤种混合得到。例如镜质组平均最大反射率为1.25％的煤可以由气煤、1/3焦煤和瘦煤混合得到，也可以用气肥煤和焦煤得到，但是这两种煤的炼焦特性有很大差别。当这两种煤分别和同样几种煤配合在一起炼焦，得到的焦炭质量肯定有很大差别。因此该方法对于混煤根本不适用。该方法也没有包含对焦炭机械强度影响很大的粘结性指标，有时会造成预测指标精度很低，而且在煤源发生改变时预测精度也会受到严重影响，大大降低焦炭质量指标预测精度。

用常规和煤岩指标综合的方法预测。选择的煤质指标有挥发分、粘结性指标、镜质组平均最大反射率、活惰比等作参数，从中选择标志煤的变质程度和粘结性的指标进行组合，预测焦炭质量。该方法同样具有上述方法的缺点。

发明内容

本发明的目的是提供一种预测焦炭机械强度和热性质的方法，该方法经过大量试验证明，采用煤的镜质组反射率分布作为煤质指标主要输入参数，结合BP神经网络或计算方法预测焦炭指标，克服了上述煤质指标预测不精确的缺点。该预测方法能科学、准确地预测焦炭冷强度和热性质，合理利用炼焦煤资源，控制焦炭质量，降低配煤成本。

为实现上述目的，本发明通过以下技术方案实现：

一种预测焦炭机械强度和热性质的方法，该方法以煤镜质组反射率分布为主要输入参数来预测焦炭机械强度指标和热性质指标。

所述的预测焦炭机械强度指标通过BP神经网络来实现。将大量有代表性配合煤的镜质组反射率分布和粘结性指标为输入参数作为BP神经网络的输入端，对应焦炭质量指标作为BP神经网络的输出端，训练BP神经网络，得到输入参数和输出参数之间的非线性关系；然后将待预测煤的煤质指标作为BP神经网络输入参数，即得到预测焦炭的机械强度指标。

所述的预测焦炭热性质指标通过BP神经网络或计算方法来实现。

BP神经网络预测是将大量有代表性配合煤的镜质组反射率分布、粘结性指标及矿物催化指数为输入参数作为BP神经网络的输入端，对应焦炭质量指标作为BP神经网络的输出端，训练BP神经网络，得到输入参数和输出参数之间的非线性关系；然后将待预测煤的煤质指标作为BP神经网络输入参数，即得到预测焦炭的热性质指标。

焦炭热性质预测还可采用计算方法进行，通过选择单种煤的镜质组反射率分布、粘结性指标、单种煤所得焦炭热性质作为预测参数，通过下述计算方法进行：

A_i＝X_i*Y_i

B＝∑(A_i*R_i)

CRI_配焦＝∑(A_i*R_i/B*CRI_i单焦)

CSR_配焦＝∑(A_i*R_i/B*CSR_i单焦)

A_i-第i种单种煤镜质组反射率分布修正频数总和

X_i-第i种单种煤镜质组反射率分布频数总和

Y_i-第i种单种煤粘结性指标

B-配合煤镜质组反射率分布修正频数总和

R_i-第i种单种煤配煤比

CRI_i单焦-第i种单种煤所得焦炭反应性

CSR_i单焦-第i种单种煤所得焦炭反应后强度

CRI_配焦-配合煤所得焦炭反应性

CSR_配焦-配合煤所得焦炭反应后强度

与现有技术相比，本发明的优点是：

该方法能准确、科学地预测焦炭机械强度和热性质，合理利用炼焦煤资源，控制焦炭质量，降低配煤成本。煤的镜质组反射率分布图可以明显地表征出煤中镜质组的性质，从反射率分布图上还可以看出煤的混合程度，用何种煤混合而成。采用煤的镜质组反射率分布作为预测焦炭质量指标的参数，能从根本上克服选择镜质组平均最大反射率及其它煤质指标参数所带来的预测焦炭质量不准确的缺陷，能够准确预测以混合煤为煤源的焦炭质量。

附图说明

图1是-配合煤的镜质组反射率分布图；

图2是-BP神经网络神经元的结构模型图；

图3是-用煤挥发分(V_d)和粘结指数(G)预测焦炭M₄₀图；

图4是-用煤挥发分(V_d)和粘结指数(G)预测焦炭M₁₀图；

图5是-用煤镜质组平均最大反射率(R_max)和粘结指数(G)预测焦炭M₄₀图；

图6是-用煤镜质组平均最大反射率(R_max)和粘结指数(G)预测焦炭M₁₀图；

图7是-用煤镜质组反射率分布(A、B、C、D、E、F)和粘结指数(G)预测焦炭M₄₀图；

图8是-用煤镜质组反射率分布(A、B、C、D、E、F)和粘结指数(G)预测焦炭M₁₀图；

图9是-用煤的挥发分(V_d)、粘结指数(G)和矿物催化指数预测焦炭CRI图；

图10是-用煤的挥发分(V_d)、粘结指数(G)和矿物催化指数预测焦炭CSR图；

图11是-用煤的镜质组平均最大反射率(R_max)、粘结指数(G)和矿物催化指数预测焦炭CRI图；

图12是-用煤的镜质组平均最大反射率(R_max)、粘结指数(G)和矿物催化指数预测焦炭CSR图；

图13是-用煤的镜质组反射率分布(A、B、C、D、E、F)、粘结指数(G)和矿物催化指数预测焦炭CRI图；

图14是-用煤的镜质组反射率分布(A、B、C、D、E、F)、粘结指数(G)和矿物催化指数预测焦炭CSR图；

图15是-采用计算方法预测焦炭CRI图；

图16是-采用计算方法预测焦炭CSR图。

具体实施方式

一种预测焦炭机械强度和热性质的方法，该方法以煤镜质组反射率分布为主要输入参数来预测焦炭机械强度指标和热性质指标。

1、预测焦炭机械强度指标通过BP神经网络来实现；焦炭机械强度指标包括抗碎强度(M₄₀)和耐磨强度(M₁₀)，与煤的变质程度及粘结性有关。本发明用煤镜质组反射率分布，粘结性指标(如粘结指数G、胶质层最大厚度Y)作为参数，通过BP神经网络预测焦炭机械强度。

将生产历史数据中大量有代表性煤的镜质组反射率划分为六段(A、B、C、D、E、F)(镜质组反射率划分方法见附录1)，同煤的粘结性指标(G或Y)一起作为输入参数，对应焦炭M₄₀、M₁₀作为输出端，训练神经网络，得出输入参数和输出参数的非线性关系。用待预测煤镜质组反射率分布、煤粘结性指标作为输入参数，输入神经网络，预测焦炭M₄₀和M₁₀。即得到预测焦炭的机械强度指标。

煤的镜质组反射率划分为六段，A段为镜质组反射率小于0.6％频数求和，B段为镜质组反射率0.6％～0.65％频数求和，C段为镜质组反射率0.65％～1.25％频数求和，D段为镜质组反射率1.25％～1.75％频数求和，E段为镜质组反射率1.75％～1.85％频数求和，F段为镜质组反射率大于1.85％频数求和。

通过试验获得了煤镜质组反射率分布、粘结性等煤质指标和焦炭质量指标之间的关系，但是还不确切的知道它们之间的对应关系。BP神经网络在已知数据足够多的情况下，可以从数据中寻找其潜在的通常是复杂的非线性对应关系。因此本专利采用BP神经网络预测焦炭机械强度和热性质。

以预测焦炭抗碎强度M₄₀为例。本专利采用的BP神经网络，层与层之间的神经元以权重的形式连接，隐含层和输出层的神经元还带有阈值。BP神经网络神经元的结构模型见图2。

隐含层和输出层神经元的输出为：

M₄₀ ^Y＝1/(1+e^-uj)

u_j＝(w_j1*A-θ_j)+(w_j2*B-θ_j)+(w_j3*C-θ_j)+(w_j4*D-θ_j)+(w_j5*E-θ_j)+(w_j6*F-θ_j)+(w_j7*Y-θ_j)

其中，M₄₀ ^Y-焦炭抗碎强度M₄₀预测值

u_j，θ_j-隐含层神经元j的输入和阈值

W_j1……w_j7-为隐含层神经元与其1……7层神经元的权重

A，B，C，D，E，F-为镜质组反射率分布

Y-粘结性指标

(1)训练；

选择若干组已知的(A，B，C，D，E，F，Y；M₄₀)作为训练样本，网络中的权重和阀值初始赋予一定范围内的随机值，将每组样本的A，B，C，D，E，F，Y经过区域化处理为0.1到0.9范围内的值输入网络，正向传播，在输出层输出M₄₀，计算网络输出M₄₀与实测M₄₀之间的误差，取所有组样本的误差取平均，如果平均误差小于或等于一给定的值(通常设置为一个很小的值)则训练成功，如果平均误差大于这一给定的值，则反向传播误差，采用一定的规则逐层的修正权重和阈值，再次输入训练样本，求出误差并判断，如此反复直到误差满足要求或者达到了给定的最大循环次数，则训练结束。

(2)测试：

当网络训练结束后，选择待预测样本(通常少于训练样本数)已知的(A，B，C，D，E，F，Y；M₄₀)作为测试样本，来测试训练好网络的泛化性能。将每组样本的(A，B，C，D，E，F，Y)经过区域化处理为0.1到0.9范围内的值输入网络，正向传播，在输出层输出M₄₀，计算网络输出M₄₀与实测M₄₀之间的误差，取所有组样本的误差取平均。判断误差是否满足要求。

(3)预测：

经测试后合乎要求的网络，即可进行预测。即：输入一组或多组(A，B，C，D，E，F，Y)，当然，它们对应的M₄₀未知，通过网络正向传播，计算出的值即为M₄₀。

程序中运用的规则：

(1)样本区域化处理方式：

$S^P=\frac{0.8\left(S_0^P\text{-}{S}_{\min }\right)}{S_{\max }-S_{\min }}+0.1$

其中：S₀ ^p、S_max、S_min、S^P分别为样本数据(A，B，C，D，E，F，Y；M₄₀)的原始值，所有样本中的极大值，极小值和区域化处理后的值。

(2)网络误差计算方式：

$E=\frac{1}{2P}\underset{P=1}{\overset{1}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(M_{40n}^{\mathrm{SP}}-M_{40n}^{\mathrm{YP}})$

其中：P为训练样本个数，N为输出神经元个数(在本文中为1)，M₄₀ ^S，M₄₀ ^Y分别为M₄₀的实测值和预测值。

2、预测焦炭热性质指标可通过BP神经网络或计算方法两种方式来实现。

焦炭热性质指标包括焦炭反应性(CRI)和反应后强度(CSR)。焦炭CRI是焦炭的化学性质，它与煤变质程度及煤中的矿物质有关。焦炭CSR与焦炭CRI和冷强度有关，焦炭冷强度与煤的粘结性有关。因此预测焦炭热性质应选择能反应煤这些性质的指标，作为预测参数。

1)BP神经网络预测；选择煤镜质组反射率分布、粘结性指标(G或Y)及矿物催化指数(MBI或MCI)作输入参数，通过BP神经网络预测焦炭热性质。

将生产历史数据中大量有代表性煤镜质组反射率划分为六段(A、B、C、D、E、F)、同煤粘结性指标(如Y或G)和矿物催化指数(MBI或MCI)作为输入参数，对应焦炭CRI、CSR作为输出端，训练BP神经网络。用待预测煤镜质组反射率分布、粘结性指标和矿物催化指数作为输入参数，输入BP神经网络，预测焦炭CRI、CSR。

焦炭热性质预测还可采用计算方法进行，通过选择单种煤的煤镜质组反射率分布、粘结性指标、单种煤所得焦炭热性质作为预测参数，通过下述计算方法进行：

A_i＝X_i*Y_i

B＝∑(A_i*R_i)

CRI_配焦＝∑(A_i*R_i/B*CRI_i单焦)

CSR_配焦＝∑(A_i*R_i/B*CSR_i单焦)

A_i-第i种单种煤镜质组反射率分布修正频数总和

X_i-第i种单种煤镜质组反射率分布频数总和

Y_i-第i种单种煤粘结性指标

B-配合煤镜质组反射率分布修正频数总和

R_i-第i种单种煤配煤比

CRI_i单焦-第i种单种煤所得焦炭反应性

CSR_i单焦-第i种单种煤所得焦炭反应后强度

CRI_配焦-配合煤所得焦炭反应性

CSR_配焦-配合煤所得焦炭反应后强度

下面以一种配煤方案为例，通过上述计算方法预测焦炭热性质，见下表。

预测结果为：

预测CRI_配焦＝24.8

预测CSR_配焦＝63.2

实测CRI_配焦＝24.1

实测CSR_配焦＝63.4

为了更好地说明本发明实施方式和实际效果，下面结合40kg试验焦炉炼焦试验，说明本发明的具体实施内容。

(1)炼焦用煤进行煤质分析。

(2)对单种煤进行40kg试验焦炉试验，所得焦炭进行焦炭质量分析，测定单种煤所得焦炭各项质量指标。

(3)根据单种煤煤质分析结果、单种煤炼焦特性及焦炭质量目标值确定配煤方案。

根据配煤方案进行配煤，对配合煤进行40kg试验焦炉配煤炼焦试验。

(4)将预测焦炭质量用的配合煤质指标(也适用于单种煤)煤镜质组反射率分布、粘结性指标G、Y及矿物催化指数MBI或MCI作为输入端，对应焦炭质量指标(M₄₀、M₁₀、CRI、CSR)作为输出端，训练BP神经网络，得到非线性关系。

(5)将待预测煤质指标输入训练好的神经网络，预测焦炭质量。

(6)比较实测结果和预测结果，误差大，将煤质指标和实测焦炭质量指标作为训练样本，重新训练神经网络。重复(4)-(5)的预测过程。

下面将本发明的预测方法与现有技术中的预测方法作如下比较，并提供了比较数据：

(一)选择煤镜质组反射率分布如图所示(A、B、C、D、E、F)和粘结性指标(G)作参数，预测焦炭机械强度(M₄₀和M₁₀)，并与用煤挥发分或镜质组平均最大反射率和粘结性指标(G)预测焦炭机械强度的结果进行了比较，比较数据如下：

(1)用煤挥发分(V_d)和粘结指数(G)作参数预测焦炭M₄₀和M₁₀

用40kg试验焦炉历史试验数据，配合煤挥发分(V_d)和粘结指数(G)作输入参数，对应焦炭M₄₀和M₁₀作输出参数，训练神经网络。然后将待预测煤样挥发分(V_d)和粘结指数(G)作输入参数，预测焦炭M₄₀和M₁₀。预测结果如图3、图4所示：

从预测结果可以得出：M₄₀预测的平均绝对误差为1.8个百分点，M₁₀预测的平均绝对误差为0.8个百分点。

(2)用煤镜质组平均最大反射率(R_max)和粘结指数(G)预测焦炭M₄₀和M₁₀

用40kg试验焦炉历史试验数据，配合煤的镜质组平均最大反射率(R_max)和粘结指数(G)作输入参数，对应焦炭M₄₀和M₁₀作输出参数，训练神经网络。然后将待预测煤样镜质组平均最大反射率(R_max)和粘结指数(G)作输入参数，预测焦炭M₄₀和M₁₀。预测结果如图5、图6所示：

从预测结果可以得出：M₄₀预测的平均绝对误差为2.0个百分点，M₁₀预测的平均绝对误差为0.8个百分点。

(3)用煤镜质组反射率分布(A、B、C、D、E、F)和粘结指数(G)预测焦炭机械强度(M₄₀和M₁₀)

用40kg试验焦炉历史试验数据，配合煤的镜质组反射率分布(A、B、C、D、E、F)和粘结指数(G)作输入参数，对应焦炭M₄₀和M₁₀作输出参数，训练神经网络。然后将待预测煤样镜质组反射率分布(A、B、C、D、E、F)和粘结指数(G)作输入参数，预测焦炭M₄₀和M₁₀。预测结果如图7、图8所示：

从预测结果可以得出：M₄₀预测的平均绝对误差为1.3个百分点，M₁₀预测的平均绝对误差为0.4个百分点。

(二)选择煤的镜质组反射率分布(A、B、C、D、E、F)、粘结性指标(G)和矿物催化指数作参数，预测焦炭热性质(CRI和CSR)，并与用煤挥发分或镜质组平均最大反射率和粘结性指标(G)、矿物催化指数预测焦炭热性质的结果进行了比较，比较数据如下：

(1)用煤的挥发分(V_d)、粘结指数(G)和矿物催化指数预测焦炭CRI和CSR

用40kg试验焦炉历史试验数据，配合煤的挥发分(V_d)、粘结指数(G)和矿物催化指数作输入参数，对应焦炭CRI和CSR作输出参数，训练神经网络。然后将待预测煤样挥发分(V_d)、粘结指数(G)和矿物催化指数作输入参数，预测焦炭CRI和CSR。预测结果如图9、图10所示：

从预测结果可以得出：CRI预测的平均绝对误差为5.9个百分点，CSR预测的平均绝对误差为6.1个百分点。

(2)用煤的镜质组平均最大反射率(R_max)、粘结指数(G)和矿物催化指数预测焦炭CRI和CSR

用40kg试验焦炉历史试验数据，配合煤镜质组平均最大反射率(R_max)、粘结指数(G)和矿物催化指数作输入参数，对应焦炭CRI和CSR作输出参数，训练神经网络。然后将待预测煤镜质组平均最大反射率(R_max)、粘结指数(G)和矿物催化指数作输入参数，预测焦炭CRI和CSR。预测结果如图11、图12所示：

从预测结果可以得出：CRI预测的平均绝对误差为5.0个百分点，CSR预测的平均绝对误差为6.2个百分点。

(3)用煤的镜质组反射率分布(A、B、C、D、E、F)、粘结指数(G)和矿物催化指数作输入参数，预测焦炭CRI和CSR

用40kg试验焦炉历史试验数据，配合煤镜质组反射率分布(A、B、C、D、E、F)、粘结指数(G)和矿物催化指数作输入参数，对应焦炭CRI和CSR作输出参数，训练神经网络。然后将待预测煤镜质组反射率分布(A、B、C、D、E、F)、粘结指数(G)和矿物催化指数作输入参数，预测焦炭CRI和CSR。预测结果如图13、图14所示：

从预测结果可以得出：CRI预测的平均绝对误差为3.1个百分点，CSR预测的平均绝对误差为3.9个百分点。

从上面预测结果可以看出，采用镜质组反射率分段的方式预测焦炭的机械强度(M₄₀和M₁₀)和热性质(CRI和CSR)的精度最高。M₄₀预测精度比用挥发分和镜质组平均最大反射率分别高0.5、0.7个百分点；M₁₀预测精度分别都高0.4个百分点；CRI预测精度分别高2.8、1.9个百分点；CSR预测精度分别高2.2、2.3个百分点。

(三)采用计算方法预测焦炭热性质

将单种煤的镜质组反射率分布、粘结性指标(G)和单种煤所得焦炭CRI和CSR代入公式，预测配合煤所得焦炭CRI和CSR，预测结果如图15、图16所示。

从预测结果可以得出，焦炭反应性和反应后强度预测的平均绝对误差分别为1.3个百分点、1.4个百分点，最大绝对误差分别只有2.9个百分点、2.6个百分点。

Claims (4)

1、一种预测焦炭机械强度和热性质的方法，其特征在于，该方法以煤镜质组反射率分布为主要输入参数来预测焦炭机械强度指标和热性质指标。

2、根据权利要求1所述的一种预测焦炭机械强度和热性质的方法，其特征在于，所述的预测焦炭机械强度指标通过BP神经网络来实现。将大量有代表性配合煤的镜质组反射率分布和粘结性指标为输入参数作为BP神经网络的输入端，对应焦炭指标作为BP神经网络的输出端，训练BP神经网络，得到输入参数和输出参数之间的非线性关系；然后将待预测煤的煤质指标作为BP神经网络输入参数，即得到预测焦炭的机械强度指标。

3、根据权利要求1所述的一种预测焦炭机械强度和热性质的方法，其特征在于，所述的预测焦炭热性质指标通过BP神经网络来实现。将大量有代表性配合煤的镜质组反射率分布、粘结性指标及矿物催化指数为输入参数作为BP神经网络的输入端，对应焦炭指标作为BP神经网络的输出端，训练BP神经网络，得到输入参数和输出参数之间的非线性关系；然后将待预测煤的煤质指标作为BP神经网络输入参数，即得到预测焦炭的热性质指标。

4、根据权利要求1所述的一种预测焦炭机械强度和热性质的方法，其特征在于，所述的焦炭热性质预测通过选择单种煤的镜质组反射率分布、粘结性指标、单种煤所得焦炭热性质作为预测参数，通过下述计算方法进行：

A_i＝X_i*Y_i

B＝∑(A_i*R_i)

CRI_配焦＝∑(A_i*R_i/B*CRI_i单焦)

CSR_配焦＝∑(A_i*R_i/B*CSR_i单焦)

A_i-第i种单种煤镜质组反射率分布修正频数总和

X_i-第i种单种煤镜质组反射率分布频数总和

Y_i-第i种单种煤粘结性指标

B-配合煤镜质组反射率分布修正频数总和

R_i-第i种单种煤配煤比

CRI_i单焦-第i种单种煤所得焦炭反应性

CSR_i单焦-第i种单种煤所得焦炭反应后强度

CRI_配焦-配合煤所得焦炭反应性

CSR_配焦-配合煤所得焦炭反应后强度

Images