CN103853915A - 一种由炼焦煤非线性优化配煤预测焦炭质量的方法 - Google Patents

Abstract

本发明提供了一种由炼焦煤非线性优化配煤预测焦炭质量的方法，对焦化企业生产焦炭的稳定性和焦炭质量的提高提供重要技术的保证。该方法通过支持向量机技术来预测焦炭的指标，将由单种煤黏结性指标，包括胶质层指数Y值和黏结指数G值二个因素，以及配煤比，煤岩指标结焦时间τ和炼焦炉标准火道温度T（机侧Tm、焦侧Tk），作为输入参数，再将焦炭的机械强度M₄₀、M₁₀和热态性能CRI、CSR作为输出参数，通过对支持向量机的训练，得到输入参数和输出参数的非线性关系，从而得到预测的焦炭机械强度和热态性能指标。本充分考虑了炼焦过程中多方面的影响因素，使得预测结果更具科学性和准确性。

Description

一种由炼焦煤非线性优化配煤预测焦炭质量的方法

技术领域

本发明属于煤焦化技术领域，涉及预测焦炭质量的方法，特别是一种由炼焦煤非线性优化配煤预测焦炭质量的方法。

背景技术

炼焦煤的性质是制约焦化企业经济效益、影响大型高炉生产稳定操作的重要因素。由于焦化企业面对的供煤矿点繁多，煤质多变，因此大型钢铁联合企业通过单种炼焦煤的性质预测的焦炭机械强度（M₄₀、M₁₀）和热态性能（CRI、CSR），对降低焦化企业炼焦生产配煤成本具有重要的现实意义。目前焦化企业大都采用传统经验配煤方法进行焦炭质量指标预测，即通过单种煤煤质指标和相应的配煤比，并利用加权方法和相关的线性回归计算方法来预测焦炭机械强度（M₄₀、M₁₀）和热态性能（CRI、CSR）。如采用一种煤质常规黏结性指标Y值或G值再结合煤变质程度指标挥发分V_daf或直接用煤镜质组最大平均反射率单一指标来预测焦炭机械强度和热态性能；或将炼焦煤的灰分产率或灰组成等含碱性组分作为相关参数，参与焦炭质量的预测。但由于各焦化企业面对的炼焦煤资源存在混煤现象，煤的表观属性不具有常规煤种所具有的炼焦煤性质，因此在预测焦炭质量指标过程中会与实际生产的焦炭质量产生较大误差。

传统的线性回归分析方法预测焦炭质量是焦化企业大都在使用的方法，还有一种将煤岩参数中的镜质组平均最大反射率作为煤变质程度的输入变量，将煤粘结性指标G值或Y值中的一个参数作为输入量来预测焦炭质量的方法。中国专利CN1749358A公开了一种多元线性回归方法预测焦炭质量的方法，该方法简单，方便。但是，由于炼焦煤煤质组成及结构复杂，即使炼焦煤的挥发分V_daf和G值相同，对所预测的焦炭机械强度和热态性能也会产生很大的差异，这是因为实际应用中对混煤现象而言，可以将不同数量和种类的煤种通过混洗就可以得到具有相同挥发分V_daf和G值的混煤。因此采用线性回归方法来预测具有非线性特征的炼焦煤成焦工艺生成的焦炭的质量必然会产生较大的误差。另外，采用神经网络方法进行焦炭质量预测也是业内比较关注和致力研究的方法。专利CN101661026A中，公开了采用BP神经网络来预测焦炭质量指标（冷态强度和热态性能）的方法。神经网络方法是基于经验风险最小化原理，而实际上该方法不能使预测结果的期望风险最小化，特别是在理论上存在缺陷,极易陷入局部极小点，且泛化能力不强等缺点。此外，神经网络方法的隐层数和隐层节点数的确定一般都是以经验为依据来确定，也没有一个明确的算法，这就使神经网络的预测精度受到一定的影响，特别是在实际应用中受到一定的限制。专利CN101661026A将煤岩镜质组反射率分成6段作为输入量，既将镜质组反射率分为小于0.60%、0.60%～0.65%、0.65%～1.25%、1.25%～1.75%、1.75%～1.85%、大于1.85%共6个反射率分布段。该分段将每一段采用累计值作为焦炭质量预测的输入参数。同时，将0.65%～1.25%反射率分布段作为该段变量的取值范围，但该段含盖了气煤、气肥煤、肥煤和部分焦煤类的煤质组分，而在1.25%～1.75%反射率分布段涵盖了部分焦煤、瘦焦煤、部分瘦煤类煤质组分。因此，该方法尽管减少的输入变量的数量，但没有显现出各煤种所对应的煤质作用效果。在目前炼焦煤市场混煤现象严重的情况下，有必要对优化配煤预测焦炭的质量指标系统的输入变量类别和数值进行精细划分，这样可以提高预测焦炭质量的准确性。

发明内容

本发明提供了一种由炼焦煤非线性优化配煤预测焦炭质量的方法，对焦化企业生产焦炭的稳定性和焦炭质量的提高提供重要技术的保证。

一种由炼焦煤非线性优化配煤预测焦炭质量的方法包括以下内容：

一.建立单种炼焦用煤性质、焦炭质量指标及炼焦加热工艺条件信息数据库

煤质指标和焦炭质量指标数据库的建立是实现由炼焦煤预测焦炭质量的基础。将单种炼焦煤粘结性指标，包括胶质层最大厚度Y值、黏结指数G值，炼焦煤镜质组平均最大反射率

炼焦工艺参数中的结焦时间τ、炼焦炉标准火道温度T，包括机侧Tm、焦侧Tk，以及焦炭机械强度M₄₀、M₁₀和热态性能CRI、CSR数据，采用SQL Server大型数据库应用技术，并采用3NF数据库设计方法建立起单种炼焦用煤性质、炼焦工艺条件及焦炭质量指标信息数据库；

二.建立焦炭质量预测模型

根据单种炼焦煤的黏结指数G值、胶质层最大厚度Y值，煤镜质组平均最大反射率

数值，以及配煤比和炼焦工艺参数中的结焦时间τ和炼焦炉标准火道温度T，包括机侧Tm、焦侧Tk，通过将采用模糊数学方法将煤质进行聚类分析，并结合支持向量机技术来预测配合煤的质量指标，再由配合煤质量指标并结合炼焦工艺条件来预测焦炭质量；

（1）由单种煤预测配合煤质量指标

煤性质指标的选择对由炼焦煤煤质预测焦炭质量十分重要。将实验焦炉或焦化厂生产焦炉实际使用的单种炼焦煤煤质黏结指数G值、胶质层最大厚度Y值结合模糊数学方法进行聚类分析，从而获得配合煤的相应煤质质标，而配合煤的镜质组平均最大反射率数值是根据加和性计算获得，上述各项的计算方法如下：

①由单种炼焦煤黏结性指标Y值预测配合煤Y值模型

${\stackrel{\‾}{Y}}_{\mathrm{mix}}=\mathrm{SvmY}(K_1,K_2,K_3,K_4,K_5,K_6)$

$\begin{array}{ccc}{K}_1=\underset{i=1}{\overset{m_1}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{1i})& K_2=\underset{i=1}{\overset{m_2}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{2i})& K_3=\underset{i=1}{\overset{m_3}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{3i})\end{array}$

$\begin{array}{ccc}{K}_4=\underset{i=1}{\overset{m_4}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{4i})& K_5=\underset{i=1}{\overset{m_4}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{5i})& K_6=\underset{i=1}{\overset{m_4}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{6i})\end{array}$

$\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{m}_i=n$

其中，利用模糊聚类聚六类，n为此配比中单种煤的总数，m_i(i=1,2,3,4,5,6)为第i类别中单种煤的数量，

为单种煤的Y值，P_ki为第k类中的第i种煤在配合煤中所占的比例，K_i（i=1，2，3，4，5，6）为指定分类中的煤种在此类中的Y值的加权平均值，SvmY为自定义支持向量机函数，为预测的配合煤的Y值；

②由单种炼焦煤黏结性指标G值预测配合煤G值模型

${\stackrel{\‾}{G}}_{\mathrm{mix}}=\mathrm{SvmG}(K_1,K_2,K_3,K_4,K_5,K_6)$

$\begin{array}{ccc}{K}_1=\underset{i=1}{\overset{m_1}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{1i})& K_2=\underset{i=1}{\overset{m_2}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{2i})& K_3=\underset{i=1}{\overset{m_3}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{3i})\end{array}$

$\begin{array}{ccc}{K}_4=\underset{i=1}{\overset{m_4}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{4i})& K_5=\underset{i=1}{\overset{m_3}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{5i})& K_6=\underset{i=1}{\overset{m_3}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{6i})\end{array}$

$\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{m}_i=n$

利用模糊聚类聚六类，其中，n为配比中单种煤的总数，m_i(i=1,2,3,4,5,6)为第i类别中单种煤的数量，

为单种煤的G值，P_ki为第k类中的第i种煤在配合煤中所占的比例，K_i（i=1，2，3，4，5，6）为指定分类中的煤种在此类中G值的加权平均值，SvmG为自定义支持向量机函数，

为预测的配合煤的G值，

③由单种炼焦煤镜质组平均最大反射率预测配合煤镜质组平均最大反射率模型

${\stackrel{\‾}{R}}_{\max }^0=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(R_i\×P_i)$

其中，R_i是模型中第i种单种煤的镜质组平均最大反射率，P_i为第i种单种煤的配比；

（2）由配合煤质量指标和炼焦工艺条件预测焦炭质量指标

通过上述得到的由单种煤获得的配合煤质量指标与炼焦煤的生产实际检测分析数据进行比较，可以获得接近真值的配合煤煤质分析检测值。由配合煤质量指标并结合炼焦工艺条件，采用支持向量机技术，建立符合非线性过程的由炼焦煤质量预测焦炭质量模型；

①支持向量机的应用

支持向量机是基于统计学习理论的结构风险最小化原则，利用最大分界面分类器思想和基于核的方法结合在一起，能较好地解决小样本、非线性、高维数和局部极小点等实际问题，有效地避免“过拟和”，对未来样本有较好的泛化能力；

利用支持向量机解决非线性问题，首先利用一个非线性映射将训练数据集非线性映射到一个高维特征空间，将非线性函数回归问题转化为高维特征空间中的线性函数回归问题。转换的方法是引入核函数；

②建立焦炭抗碎强度M₄₀和耐磨强度M₁₀预测模型

对焦炭质量的预测模型结构形式构成如下：

M₄₀=SvmM40(G_mix,Y_mix,R_max,τ,T_m,T_k)

M₁₀=SvmM10(G_mix,Y_mix,R_max,τ,T_m,T_k)

其中，SvmM40和SvmM10为自定义的支持向量机的预测函数；

③建立焦炭反应性CRI和反应后强度CSR预测模型

预测模型结构形式如下：

CRI=SvmCRI(G_mix,Y_mix,R_max,τ,T_m,T_k)

CSR=SvmCSR(G_mix,Y_mix,R_max,τ,T_m,T_k)

其中，SvmCRI和SvmCSR为自定义的支持向量机的预测函数。

本发明与现有同类技术相比，其显著的有益效果体现在：

1.本发明提供的方法包括煤质指标有反映煤黏结性质量的G值，反映黏结性数量的Y值，反映煤岩性质的镜质组平均最大反射率

以及炼焦工艺参数结焦时间τ和炼焦炉标准火道温度T（机侧Tm、焦侧Tk）。输入变量涵盖范围宽，能够提高所预测焦炭质量目标值的精确性。该方法比单独用V_daf或G值，以及V_daf和G值具有更准确的预测效果。

2.本发明通过对生产焦炉焦炭质量数据或实验焦炉实验数据建立相关数据库，并采用非线性支持向量机技术建立了预测焦炭质量指标的数学模型，形成预测模块。因此，随着炼焦煤及焦炭质量数据的不断采集并输入数据库，通过系统自身训练，可以不断完善自动调整预测方程，达到优化预测焦炭质量模型的目的，预测方法具有较高的精确度。

附图说明

图1是一种由炼焦煤非线性优化配煤预测焦炭质量的方法模型系统示意图。

图2是预测的焦炭M₄₀和实测值之间的关系图。

图3是预测的焦炭M₁₀和实测值之间的关系图。

图4是预测的焦炭CRI和实测值之间的关系图。

图5是预测的焦炭CSR和实测值之间的关系图。

具体实施方式：

下面结合附图用实施例更详细描述本发明。

如图1所示，一种由炼焦煤非线性优化配煤预测焦炭质量的方法，通过支持向量机技术来预测焦炭的指标，将由单种煤黏结性指标，包括胶质层指数Y值和黏结指数G值二个因素，以及配煤比，煤岩指标

结焦时间τ和炼焦炉标准火道温度T（机侧Tm、焦侧Tk），作为输入参数，再将焦炭的机械强度M₄₀、M₁₀和热态性能CRI、CSR作为输出参数，通过对支持向量机的训练，得到输入参数和输出参数的非线性关系。将单种煤的胶质层指数、黏结指数、镜质组平均最大反射率、结焦时间τ和炼焦炉标准火道温度T（机侧Tm、焦侧Tk）和相应的配比输入到训练好的支持向量机，就可以得到预测的焦炭的机械强度和热态性能指标。

采用15组已知焦炭质量的方案数据作为输入参数，通过上述方法进行预测，结果实例如下：

1.通过支持向量机，用单种煤镜质组平均最大反射率

G值、Y值、结焦时间τ和炼焦炉标准火道温度T（机侧Tm、焦侧Tk）预测焦炭M₄₀和M₁₀，预测结果如图2和图3，M₄₀和M₁₀平均误差分别在2.0%和0.5%之内。

2.通过支持向量机，用单种煤镜质组平均最大反射率

G值、Y值、结焦时间τ和炼焦炉标准火道温度T（机侧Tm、焦侧Tk）预测焦炭CRI和CSR，预测结果如图4和图5，CRI和CSR平均误差分别在1.5%和2.5%之内。

从上述预测过程所得到的数据，可以看出采用支持向量机技术，结合单种炼焦煤黏结性指标胶质层最大厚度Y值和黏结指数G值，以及煤镜质组平均最大反射率

参数指标，并结合炼焦工艺参数结焦时间τ和炼焦炉标准火道温度T（机侧Tm、焦侧Tk）可以得到较好的预测焦炭质量结果，无论是焦炭M₄₀和M₁₀，还是焦炭在CRI和CSR平均误差值都比较小，且随着数据量的增加，预测结果的精度将进一步减小，更加接近真值。

Claims (1)

1.一种由炼焦煤非线性优化配煤预测焦炭质量的方法，其特征是该方法包括以下内容：

一.建立单种炼焦用煤性质、焦炭质量指标及炼焦加热工艺条件信息数据库

将单种炼焦煤粘结性指标，包括胶质层最大厚度Y值、黏结指数G值，炼焦煤镜质组平均最大反射率

炼焦工艺参数中的结焦时间τ、炼焦炉标准火道温度T，包括机侧Tm、焦侧Tk，以及焦炭机械强度M₄₀、M₁₀和热态性能CRI、CSR数据，采用SQL Server大型数据库应用技术，并采用3NF数据库设计方法建立起单种炼焦用煤性质、炼焦工艺条件及焦炭质量指标信息数据库；

二.建立焦炭质量预测模型

根据单种炼焦煤的黏结指数G值、胶质层最大厚度Y值，煤镜质组平均最大反射率

数值，以及配煤比和炼焦工艺参数中的结焦时间τ和炼焦炉标准火道温度T，包括机侧Tm、焦侧Tk，通过将采用模糊数学方法将煤质进行聚类分析，并结合支持向量机技术来预测配合煤的质量指标，再由配合煤质量指标并结合炼焦工艺条件来预测焦炭质量；

（1）由单种煤预测配合煤质量指标

将实验焦炉或焦化厂生产焦炉实际使用的单种炼焦煤煤质黏结指数G值、胶质层最大厚度Y值结合模糊数学方法进行聚类分析，从而获得配合煤的相应煤质质标，而配合煤的镜质组平均最大反射率数值是根据加和性计算获得，上述各项的计算方法如下：

①由单种炼焦煤黏结性指标Y值预测配合煤Y值模型

${\stackrel{\‾}{Y}}_{\mathrm{mix}}=\mathrm{SvmY}(K_1,K_2,K_3,K_4,K_5,K_6)$

$\begin{array}{ccc}{K}_1=\underset{i=1}{\overset{m_1}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{1i})& K_2=\underset{i=1}{\overset{m_2}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{2i})& K_3=\underset{i=1}{\overset{m_3}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{3i})\end{array}$

$\begin{array}{ccc}{K}_4=\underset{i=1}{\overset{m_4}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{4i})& K_5=\underset{i=1}{\overset{m_4}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{5i})& K_6=\underset{i=1}{\overset{m_4}{\mathrm{\Σ}}}(Y_{\sin \mathrm{gle}}^i\×P_{6i})\end{array}$

$\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{m}_i=n$

其中，利用模糊聚类聚六类，n为此配比中单种煤的总数，m_i(i=1,2,3,4,5,6)为第i类别中单种煤的数量，

为单种煤的Y值，P_ki为第k类中的第i种煤在配合煤中所占的比例，K_i（i=1，2，3，4，5，6）为指定分类中的煤种在此类中的Y值的加权平均值，SvmY为自定义支持向量机函数，

为预测的配合煤的Y值；

②由单种炼焦煤黏结性指标G值预测配合煤G值模型

${\stackrel{\‾}{G}}_{\mathrm{mix}}=\mathrm{SvmG}(K_1,K_2,K_3,K_4,K_5,K_6)$

$\begin{array}{ccc}{K}_1=\underset{i=1}{\overset{m_1}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{1i})& K_2=\underset{i=1}{\overset{m_2}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{2i})& K_3=\underset{i=1}{\overset{m_3}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{3i})\end{array}$

$\begin{array}{ccc}{K}_4=\underset{i=1}{\overset{m_4}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{4i})& K_5=\underset{i=1}{\overset{m_3}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{5i})& K_6=\underset{i=1}{\overset{m_3}{\mathrm{\Σ}}}(G_{\sin \mathrm{gle}}^i\×P_{6i})\end{array}$

$\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{m}_i=n$

利用模糊聚类聚六类，其中，n为配比中单种煤的总数，m_i(i=1,2,3,4,5,6)为第i类别中单种煤的数量，为单种煤的G值，P_ki为第k类中的第i种煤在配合煤中所占的比例，K_i（i=1，2，3，4，5，6）为指定分类中的煤种在此类中G值的加权平均值，SvmG为自定义支持向量机函数，

为预测的配合煤的G值，

③由单种炼焦煤镜质组平均最大反射率预测配合煤镜质组平均最大反射率模型

${\stackrel{\‾}{R}}_{\max }^0=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(R_i\×P_i)$

其中，R_i是模型中第i种单种煤的镜质组平均最大反射率，P_i为第i种单种煤的配比；

（2）由配合煤质量指标和炼焦工艺条件预测焦炭质量指标

通过上述得到的由单种煤获得的配合煤质量指标与炼焦煤的生产实际检测分析数据进行比较，可以获得接近真值的配合煤煤质分析检测值，由配合煤质量指标并结合炼焦工艺条件，采用支持向量机技术，建立符合非线性过程的由炼焦煤质量预测焦炭质量模型；

①支持向量机的应用

支持向量机是基于统计学习理论的结构风险最小化原则，利用最大分界面分类器思想和基于核的方法结合在一起，能较好地解决小样本、非线性、高维数和局部极小点等实际问题，有效地避免“过拟和”，对未来样本有较好的泛化能力；

利用支持向量机解决非线性问题，首先利用一个非线性映射将训练数据集非线性映射到一个高维特征空间，将非线性函数回归问题转化为高维特征空间中的线性函数回归问题，转换的方法是引入核函数；

②建立焦炭抗碎强度M₄₀和耐磨强度M₁₀预测模型

对焦炭质量的预测模型结构形式构成如下：

M₄₀=SvmM40(G_mix,Y_mix,R_max,τ,T_m,T_k)

M₁₀=SvmM10(G_mix,Y_mix,R_max,τ,T_m,T_k)

其中，SvmM40和SvmM10为自定义的支持向量机的预测函数；

③建立焦炭反应性CRI和反应后强度CSR预测模型

预测模型结构形式如下：

CRI=SvmCRI(G_mix,Y_mix,R_max,τ,T_m,T_k)

CSR=SvmCSR(G_mix,Y_mix,R_max,τ,T_m,T_k)

其中，SvmCRI和SvmCSR为自定义的支持向量机的预测函数。

Images