CN105243437B - 用于捣固炼焦的预测焦炭质量和优化配煤比的方法 - Google Patents
用于捣固炼焦的预测焦炭质量和优化配煤比的方法 Download PDFInfo
- Publication number
- CN105243437B CN105243437B CN201510603943.8A CN201510603943A CN105243437B CN 105243437 B CN105243437 B CN 105243437B CN 201510603943 A CN201510603943 A CN 201510603943A CN 105243437 B CN105243437 B CN 105243437B
- Authority
- CN
- China
- Prior art keywords
- coal
- population
- mathematical model
- coke
- random
- 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.)
- Expired - Fee Related
Links
Landscapes
- Coke Industry (AREA)
Abstract
本发明涉及一种用于捣固炼焦的预测焦炭质量和优化配煤比的方法。其技术方案是：第一步，建立单种煤性质指标数据库和焦炭性质指标数据库；第二步，建立配合煤性质指标预测模型；第三步，利用支持向量机技术，建立焦炭性质指标预测模型；第四步，建立适应度数学模型；第五步、利用动态疫苗提取的免疫遗传算法，用适应度数学模型寻求最优配煤比；第六步、根据最优配煤比进行配煤，捣固后装炉炼焦。本发明采用支持向量机技术进行建模，模型的预测速度快和预测精度较高，利用动态疫苗提取的免疫遗传算法能够快速得到焦炭质量高和成本低的配煤比，实现了快速优化配煤比、提高焦炭质量预测精度、提高焦炭质量和降低配煤成本目的。
Description
技术领域
本发明属于优化配煤比技术领域。具体涉及一种用于捣固炼焦的预测焦炭质量和优化配煤比的方法。
背景技术
我国炼焦煤资源丰富，但优质炼焦煤资源紧张且分布极不均匀。捣固炼焦工艺作为一种能够增加配煤中高挥发分、弱粘结性甚至不粘结性煤配入量来扩大炼焦原料煤的方法，现已成为一种成熟的炼焦工艺，被国内外广泛采用。
高炉的大型化及富氧喷煤技术的发展对焦炭的质量提出了更高的要求。而且随着小煤矿矿点数量的增加，导致焦化厂使用的单种煤种类增多和配煤方案变动频繁，如何快速且准确的预测焦炭质量成为行业难题。另外，许多焦化厂依然根据经验法配煤，得到的配煤比还要通过试验焦炉反复验证确定。所以配煤比的试凑过程要做大量的试验工作，时间周期长，需要的人力和物力多。而利用焦炭质量预测方法配煤，可用次数较少的配煤试验，快速确定最经济合理的配煤方案，从而节省人力与物力。
焦炭质量预测的对象包括焦炭的灰分、硫分、冷态强度指标和热态性质指标。其中，焦炭的灰分和硫分与配合煤的灰分和硫分有直接的关系，在生产状况稳定的条件下，两者存在较好的线性关系(姚昭章，郑明东.炼焦学[M].北京：冶金工业出版社，2008：72-73)。但是对于焦炭的冷态强度指标和热态性质指标一直没有得到普遍使用的预测模型。从近几年国内焦炭质量预测方法来看，主要形式有两种：一种是多元线性回归预测；另一种是高度非线性预测。
采用多元线性回归预测的方法如“配煤炼焦焦炭耐磨强度的预测方法”(CN201510077056)专利技术，其具体步骤：第一步、测定炼焦用单种煤的灰成分、成焦光学组织结构和镜质组平均最大反射率，经计算和统计得出：配合煤矿物质指数MCI，配合煤中的粗粒镶嵌、中粒镶嵌与不完全纤维组分含量三者之和M，各向同性组分与细粒镶嵌组分含量之和N，配合煤中反射率瘦煤的配入比例P；第二步、设定M10＝A+B*MCI+C*M+E*N+F*P，其中M10代表焦炭耐磨强度，单位为％；A、B、C、E、F为常数；第三步、计算得到焦炭耐磨强度预测值M10。使用该方法的不足之处在于预测焦炭质量的速度慢、精度不高和无法提高焦炭质量。
采用高度非线性预测的方法如“煤岩镜质组全反射率非线性优化配煤预测焦炭质量的方法”(CN201210405577)专利技术，其具体步骤：第一步、建立炼焦用煤资源信息数据库，配合煤性质指标包括胶质层最大厚度Y值、黏结指数G值；单种煤性质指标包括煤镜质组全反射率精细段落数据、煤岩显微组成计算得到的活惰比参数，以及由此所形成的配合煤煤质信息输入到煤质性质信息数据库中；第二步、通过支持向量机建立焦炭质量预测模型，根据炼焦配合煤的煤质黏结性指标水平，包括胶质层最大厚度Y值和黏结指数G值二个因素；煤岩指标水平，包括镜质组全组分反射率及显微组分的活惰比来预测焦炭的质量指标。预测主体是焦炭的抗碎强度M40、耐磨强度M10及反应性CRI和反应后强度CSR。该方法的预测速度快和精度较高，但是该方法无法实现提高焦炭质量和降低配煤成本的目的。
近年来，国内的配煤技术有很大的发展。如“基于改进差分进化算法的炼焦配煤比优化方法”(CN201510067362)专利技术，其具体步骤：步骤一、建立单种煤性质指标和配合煤性质指标及配合煤性质指标和焦炭性质指标之间的非线性关系；步骤二、以配合煤的性质指标区间值作为约束，以配煤成本作为目标函数，步骤三、采用差分进化算法与配煤专家经验相结合的方法对目标函数的最小值进行迭代求解。该方法计算精度高和收敛速度快，可以在保证焦炭质量满足用户需求的同时最大化地降低配煤成本，但是该方法没有考虑镜质组随机反射率分布区间对配煤炼焦中的指导作用和没有实现提高焦炭质量的目的。
上述焦炭质量预测方法和炼焦配煤比优化方法虽有很多优点，但仍存在以下不足，一是没有考虑捣固炼焦配煤时大量低变质程度煤和高变质程度煤配入的控制问题；二是没有考虑镜质组随机反射率分布区间对配煤炼焦中的指导作用；三是考虑了焦炭质量的准确预测而没有考虑配煤成本的问题；四是考虑了最大化降低配煤成本而没有考虑提高焦炭质量的问题。
发明内容
本发明的目的是针对现有优化配煤比技术的不足，提供一种用于捣固炼焦的预测焦炭质量和优化配煤比的方法，该方法能够快速的优化配煤比、提高焦炭质量预测精度、提高焦炭质量和降低配煤成本。
为实现上述目的，本发明采用的技术方案的步骤是：
步骤一、建立单种煤性质指标数据库和焦炭性质指标数据库
采用SQL Server大型数据库应用技术中的3NF数据库的设计方法，建立单种煤性质指标数据库和焦炭性质指标数据库。
单种煤性质指标数据库中的单种煤性质指标有：镜质组随机反射率分布比例、灰分、挥发分、硫分、活惰比和镜质组平均最大反射率。
焦炭性质指标数据库中的焦炭性质指标有：抗碎强度M40、耐磨强度M10、反应性CRI和反应后强度CSR。
步骤二、建立配合煤性质指标预测模型
配合煤性质指标预测模型有：镜质组随机反射率分布比例数学模型、镜质组平均最大反射率数学模型、灰分数学模型、挥发分数学模型、硫分数学模型和活惰比数学模型。
1)镜质组随机反射率分布比例数学模型为Remix,j
式(1)中，RSingleij为第i种单种煤的镜质组随机反射率分布比例在j点的数值；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数；
j为自然数，j＝1,2,3,…,50。
2)镜质组平均最大反射率数学模型为
式(2)中，Ri为第i种单种煤的镜质组平均最大反射率；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数。
3)灰分数学模型为Ad,mix
式(3)中，Ad，i为第i种单种煤的灰分；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数。
4)挥发分数学模型为Vdaf，mix
式(4)中，Vdaf，i为第i种单种煤的挥发分；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数。
5)硫分数学模型为Smix
式(5)中，Si为第i种单种煤的硫分；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数。
6)活惰比数学模型为A/I
式(6)中，Ai/Ii为第i种单种煤的活惰比；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数。
步骤三、建立焦炭性质指标预测模型
首先，将配合煤的镜质组随机反射率分布比例在0.025％到2.475％区间内划分为5个区间：
在0.025％到0.725％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re1；
在0.725％到0.925％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re2；
在0.925％到1.325％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re3；
在1.325％到1.725％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re4；
在1.725％到2.475％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re5。
然后，利用配合煤性质指标和支持向量机技术建立焦炭性质指标预测模型，焦炭性质指标预测模型有：抗碎强度M40数学模型、耐磨强度M10数学模型、反应性CRI数学模型和反应后强度CSR数学模型。
1)抗碎强度M40数学模型为
2)耐磨强度M10数学模型为
3)反应性CRI数学模型为CRI*
4)反应后强度CSR数学模型为CSR*
式(7)、(8)、(9)和(10)中，SvmM40为自定义的支持向量机的抗碎强度M40预测函数；
SvmM10为自定义的支持向量机的耐磨强度M10预测函数；
SvmCRI为自定义的支持向量机的反应性CRI预测函数；
SvmCSR为自定义的支持向量机的反应后强度CSR预测函数；
Re1为配合煤的镜质组随机反射率分布比例在0.025％到0.725％区间内的加和值；
Re2为配合煤的镜质组随机反射率分布比例在0.725％到0.925％区间内的加和值；
Re3为配合煤的镜质组随机反射率分布比例在0.925％到1.325％区间内的加和值；
Re4为配合煤的镜质组随机反射率分布比例在1.325％到1.725％区间内的加和值；
Re5为配合煤的镜质组随机反射率分布比例在1.725％到2.475％区间内的加和值；
Vdaf，mix为配合煤的挥发分；
为配合煤的镜质组平均最大反射率；
A/I为配合煤的活惰比。
步骤四、建立适应度数学模型为Fitness
式(11)中，costi为第i种单种煤的成本，元/吨；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数；
a为配煤比成本的权重系数，a取0.4；
b为抗碎强度M40的权重系数，b取0.1；
c为反应后强度CSR的权重系数，c取0.2；
d为反应性CRI的权重系数，d取0.4；
e为耐磨强度M10的权重系数，e取0.05；
M40为焦炭的抗碎强度；
M10为焦炭的耐磨强度；
CRI为焦炭的反应性；
CSR为焦炭的反应后强度；
式(12)中，配合煤性质指标约束条件为：
式(13)中，Vdaf，mix为配合煤的挥发分；
Smix为配合煤的硫分；
Ad，mix为配合煤的灰分；
A/I为配合煤的活惰比；
为配合煤的镜质组平均最大反射率。
步骤五、用适应度数学模型寻求最优配煤比，具体步骤如下：
步骤5.1、设需要优化配煤比的单种煤数为n，选取种群数为M。采用实数编码，在[0,50]区间内构建初代种群。
步骤5.2、将初代种群中的个体转化为初代配煤比，初代配煤比数学模型为Tij：
式(14)中：xij为第i个个体的第j个基因位数值；
i为自然数，i＝1,2,3,…,M；
j为自然数，j＝1,2,3,…,n；
n为单种煤个数。
步骤5.3、根据单种煤性质指标、初代配煤比数学模型和配合煤性质指标预测模型得到初代种群的配合煤性质指标。
步骤5.4、对初代种群的配合煤性质指标按照下式进行镜质组随机反射率分布比例约束检测
式(15)中：Re1为配合煤的镜质组随机反射率分布比例在0.025％到0.725％区间内的加和值；
Re2为配合煤的镜质组随机反射率分布比例在0.725％到0.925％区间内的加和值；
Re3为配合煤的镜质组随机反射率分布比例在0.925％到1.325％区间内的加和值；
Re4为配合煤的镜质组随机反射率分布比例在1.325％到1.725％区间内的加和值；
Re5为配合煤的镜质组随机反射率分布比例在1.725％到2.475％区间内的加和值。
若满足约束，则进入步骤5.5；若不满足约束，则返回步骤5.1。
步骤5.5、根据初代种群的配合煤性质指标和焦炭性质指标预测模型得到初代种群的焦炭性质指标。
步骤5.6、采用适应度数学模型计算初代种群适应度，对初代种群适应度从大到小进行排序，选取排名前10位的初代种群个体作为动态疫苗库。
步骤5.7、采用单点交叉的方法对初代种群个体进行交叉操作，交叉概率Pc＝0.6。采用变异概率的方式对初代种群个体进行变异操作，变异概率Pm＝0.2，形成遗传种群。
步骤5.8、由初代配煤比数学模型得到遗传配煤比，由配合煤性质指标预测模型得到遗传种群的配合煤性质指标。对遗传种群的配合煤性质指标进行镜质组随机反射率分布比例约束检测，若满足约束则进入步骤5.9，若不满足约束则返回步骤5.7。
步骤5.9、从动态疫苗库中随机选取一个疫苗，从遗传种群中随机选择一个遗传种群个体，随机选取疫苗片段，将选取的疫苗片段与选取的遗传种群个体进行等基因位接种，形成免疫种群。
步骤5.10、由初代配煤比数学模型得到免疫配煤比，由配合煤性质指标预测模型得到免疫种群的配合煤性质指标，对免疫种群的配合煤性质指标进行镜质组随机反射率分布比例约束检测。若满足约束则进入步骤5.11；若不满足约束则返回步骤5.9。
步骤5.11、根据免疫种群的配合煤性质指标和焦炭性质指标预测模型得到免疫种群的焦炭性质指标，采用适应度数学模型计算免疫种群适应度，对免疫种群适应度从大到小进行排序，将免疫种群适应度最大的个体替换动态疫苗库中适应度最小的个体。
步骤5.12、计算免疫种群个体的浓度pd，计算免疫种群个体的适应度概率pf。依据如下公式计算选择概率p：
p＝0.6×pf+0.4×pd (16)
式(16)中：pf为免疫种群个体的适应度概率；
pd为免疫种群个体的浓度。
依据选择概率p和轮盘赌选择算子选择出进化种群；清除初代种群中所有的个体，用进化种群中所有的个体填充到初代种群中。
步骤5.13、判断填充后的初代种群迭代次数是否大于最大迭代次数，若大于则算法终止，输出最优配煤比；若小于或等于则返回步骤5.7。
步骤六、根据最优配煤比进行配煤，捣固后装炉炼焦，捣固密度为1.10～1.15g/cm3。
所述免疫种群适应度概率pf为免疫种群适应度与免疫种群适应度总和之比。
所述免疫种群个体浓度pd为相同免疫种群个体数与总的免疫种群个体数之比。
由于采用上述技术方案，本发明与现有技术相比，其显著的有益效果体现在：
1，本发明采用动态疫苗提取的免疫遗传算法优化配煤比，该算法在迭代次数为250～300范围内稳定收敛，实现快速优化配煤比。
2，本发明提出了将配合煤镜质组随机反射率分布比例分为5个区间，将5个区间各自的分布比例加和值Re1、Re2、Re3、Re4和Re5与配合煤的挥发分、配合煤的镜质组平均最大反射率和配合煤的活惰比作为模型的输入，焦炭的抗碎强度M40、耐磨强度M10、反应性CRI和反应后强度CSR分别作为模型输出，采用支持向量机技术进行建模，模型的预测速度快和预测精度较高。
3，本发明将配合煤的镜质组随机反射率分布比例作为约束条件，以配合煤性质指标和焦炭性质指标以及配煤成本构建适应度函数，采用动态疫苗提取的免疫遗传算法对配煤比进行优化，在精确的控制配合煤镜质组随机反射率分布比例前提下，能够得到焦炭质量高和低成本的配煤比，从而实现同时改善焦炭质量和降低配煤成本的目的。
因此，本发明具有快速优化配煤比、高准度预测焦炭质量、提高焦炭质量和降低配煤成本的特点。
附图说明：
图1为本发明的25组数据样本通过反应性CRI数学模型预测的反应性数值与反应性CRI实测值之间的关系图；
图2为本发明的25组数据样本通过反应后强度CSR数学模型预测的反应后强度数值与反应后强度CSR实测值之间的关系图；
图3为本发明的25组数据样本通过耐磨强度M10数学模型预测的耐磨强度数值与耐磨强度M10实测值之间的关系图；
图4为本发明的25组数据样本通过抗碎强度M40数学模型预测的抗碎强度数值与抗碎强度M40实测值之间的关系图；
图5为本发明的动态疫苗提取的免疫遗传算法的免疫种群适应度与迭代次数关系图；
图6为本发明方案1#的镜质组随机反射率分布直方图；
图7为本发明方案2#的镜质组随机反射率分布直方图；
图8为本发明方案3#的镜质组随机反射率分布直方图。
具体实施方式：
下面结合具体实施方式对本发明作进一步的描述，并非对其保护范围的限制。
为避免重复，先将本具体实施方式所涉及的镜质组随机反射率分布直方图统一描述如下，实施例中不再赘述。
所述的镜质组随机反射率分布直方图为：横坐标以0.05％作为1个区间，将镜质组随机反射率分布比例范围从0.025％到2.475％划分为50个区间，纵坐标为镜质组随机反射率在各区间的分布比例。
实施例1
一种用于捣固炼焦的预测焦炭质量和优化配煤比的方法。该方法的具体步骤是：
按照国家标准，本实施例对某焦化厂炼焦煤中的10种单种煤的硫分Si、灰分Ad，i、挥发分Vdaf，i、镜质组平均最大反射率活惰比Ai/Ii和镜质组随机反射率分布比例进行检测，检测结果和单种煤的成本如表1所示(由于单种煤的镜质组随机反射率分布比例由于数据庞杂，故表1未罗列)。
表1 单种煤工艺性质表
步骤一、建立单种煤性质指标数据库和焦炭性质指标数据库
采用SQL Server大型数据库应用技术中的3NF数据库的设计方法，建立单种煤性质指标数据库和焦炭性质指标数据库。
单种煤性质指标数据库中的单种煤性质指标有：镜质组随机反射率分布比例、灰分、挥发分、硫分、活惰比和镜质组平均最大反射率。
焦炭性质指标数据库中的焦炭性质指标有：抗碎强度M40、耐磨强度M10、反应性CRI和反应后强度CSR。
步骤二、建立配合煤性质指标预测模型
配合煤性质指标预测模型有：镜质组随机反射率分布比例数学模型、镜质组平均最大反射率数学模型、灰分数学模型、挥发分数学模型、硫分数学模型和活惰比数学模型。
1)镜质组随机反射率分布比例数学模型为Remix,j
式(1)中，RSingleij为第i种单种煤的镜质组随机反射率分布比例在j点的数值；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数；
j为自然数，j＝1,2,3,…,50。
2)镜质组平均最大反射率数学模型为
式(2)中，Ri为第i种单种煤的镜质组平均最大反射率；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数。
3)灰分数学模型为Ad,mix
式(3)中，Ad，i为第i种单种煤的灰分；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数。
4)挥发分数学模型为Vdaf，mix
式(4)中，Vdaf，i为第i种单种煤的挥发分；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数。
5)硫分数学模型为Smix
式(5)中，Si为第i种单种煤的硫分；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数。
6)活惰比数学模型为A/I
式(6)中，Ai/Ii为第i种单种煤的活惰比；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数。
步骤三、建立焦炭性质指标预测模型
首先，将配合煤的镜质组随机反射率分布比例在0.025％到2.475％区间内划分为5个区间：
在0.025％到0.725％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re1；
在0.725％到0.925％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re2；
在0.925％到1.325％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re3；
在1.325％到1.725％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re4；
在1.725％到2.475％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re5。
然后，利用配合煤性质指标和支持向量机技术建立焦炭性质指标预测模型，焦炭性质指标预测模型有：抗碎强度M40数学模型、耐磨强度M10数学模型、反应性CRI数学模型和反应后强度CSR数学模型。
1)抗碎强度M40数学模型为
2)耐磨强度M10数学模型为
3)反应性CRI数学模型为CRI*
4)反应后强度CSR数学模型为CSR*
式(7)、(8)、(9)和(10)中，SvmM40为自定义的支持向量机的抗碎强度M40预测函数；
SvmM10为自定义的支持向量机的耐磨强度M10预测函数；
SvmCRI为自定义的支持向量机的反应性CRI预测函数；
SvmCSR为自定义的支持向量机的反应后强度CSR预测函数；
Re1为配合煤的镜质组随机反射率分布比例在0.025％到0.725％区间内的加和值；
Re2为配合煤的镜质组随机反射率分布比例在0.725％到0.925％区间内的加和值；
Re3为配合煤的镜质组随机反射率分布比例在0.925％到1.325％区间内的加和值；
Re4为配合煤的镜质组随机反射率分布比例在1.325％到1.725％区间内的加和值；
Re5为配合煤的镜质组随机反射率分布比例在1.725％到2.475％区间内的加和值；
Vdaf，mix为配合煤的挥发分；
为配合煤的镜质组平均最大反射率；
A/I为配合煤的活惰比。
本实施例通过25组配合煤性质指标数据样本对焦炭性质指标预测模型进行预测，得到25组焦炭性质指标预测数据样本。再利用25组焦炭性质指标预测数据样本与25组焦炭性质指标实测数据样本进行比对，比对结果如图1～图4所示：图1为本实施例的25组数据样本通过反应性CRI数学模型预测的反应性数值与反应性CRI实测值之间的关系图；图2为本实施例的25组数据样本通过反应后强度CSR数学模型预测的反应后强度数值与反应后强度CSR实测值之间的关系图；图3为本实施例的25组数据样本通过耐磨强度M10数学模型预测的耐磨强度数值与耐磨强度M10实测值之间的关系图；图4为本实施例的25组数据样本通过抗碎强度M40数学模型预测的抗碎强度数值与抗碎强度实测值M40之间的关系图。从图1～图4可以看出预测值与实测值都很接近。另外，利用25组焦炭性质指标预测数据样本和25组焦炭性质指标实测数据样本计算焦炭性质指标预测模型的均方误差：反应性CRI数学模型的均方误差为2.5284、反应后强度CSR数学模型的均方误差为5.8760、耐磨强度M10数学模型的均方误差为1.5015和抗碎强度M40数学模型的均方误差为26.6983，可见焦炭质量预测模型的预测精度较高。
步骤四、建立适应度数学模型
式(11)中，costi为第i种单种煤的成本，元/吨；
Pi为第i种单种煤的配比；
i为自然数，i＝1,2,3,…,n；
n为单种煤个数；
a为配煤比成本的权重系数，a取0.4；
b为抗碎强度M40的权重系数，b取0.1；
c为反应后强度CSR的权重系数，c取0.2；
d为反应性CRI的权重系数，d取0.4；
e为耐磨强度M10的权重系数，e取0.05；
M40为焦炭的抗碎强度；
M10为焦炭的耐磨强度；
CRI为焦炭的反应性；
CSR为焦炭的反应后强度；
式(12)中，配合煤性质指标约束条件为：
式(13)中，Vdaf，mix为配合煤的挥发分；
Smix为配合煤的硫分；
Ad，mix为配合煤的灰分；
A/I为配合煤的活惰比；
为配合煤的镜质组平均最大反射率。
步骤五、以炼焦煤1#～炼焦煤10#作为动态疫苗提取的免疫遗传算法的优化对象，用适应度数学模型寻求最优配煤比，具体步骤如下：
步骤5.1、取需要优化配煤比的单种煤数n为10，选取种群数M为50。采用实数编码，在[0,50]区间内构建初代种群。
本实施例中，令初代种群中的一个个体为个体α，该个体α的基因如表2所示。
表2 个体α的基因
步骤5.2、将初代种群中的个体转化为初代配煤比，初代配煤比数学模型为Tij：
式(14)中：xij为第i个个体的第j个基因位数值；
i为自然数，i＝1,2,3,…,50；
j为自然数，j＝1,2,3,…,10；
n为单种煤个数。
步骤5.3、根据单种煤性质指标、初代配煤比数学模型和配合煤性质指标预测模型得到初代种群的配合煤性质指标。
例如，对个体α进行操作，得到关于个体α的一组初代配煤比结果(如表3)和关于个体α的一组配合煤性质指标(如表4)。
表3 关于个体α的一组初代配煤比
表4 关于个体α的一组配合煤性质指标
步骤5.4、对初代种群的配合煤性质指标按照下式进行镜质组随机反射率分布比例约束检测
式(15)中：Re1为配合煤的镜质组随机反射率分布比例在0.025％到0.725％区间内的加和值；
Re2为配合煤的镜质组随机反射率分布比例在0.725％到0.925％区间内的加和值；
Re3为配合煤的镜质组随机反射率分布比例在0.925％到1.325％区间内的加和值；
Re4为配合煤的镜质组随机反射率分布比例在1.325％到1.725％区间内的加和值；
Re5为配合煤的镜质组随机反射率分布比例在1.725％到2.475％区间内的加和值。
若满足约束，则进入步骤5.5；若不满足约束，则返回步骤5.1。
步骤5.5、根据初代种群的配合煤性质指标和焦炭性质指标预测模型得到初代种群的焦炭性质指标。
例如，由关于个体α的一组配合煤性质指标预测的关于个体α的一组焦炭性质指标如表5所示。
表5 关于个体α的一组焦炭性质指标
步骤5.6、采用适应度数学模型计算初代种群适应度，对初代种群适应度从大到小进行排序，选取排名前10位的初代种群个体作为动态疫苗库。
步骤5.7、采用单点交叉的方法对初代种群个体进行交叉操作，交叉概率Pc＝0.6。采用变异概率的方式对初代种群个体进行变异操作，变异概率Pm＝0.2，形成遗传种群。
本实施例中，令遗传种群中的一个个体为个体β，该个体β的基因如表6所示。
表6 个体β的基因
步骤5.8、由初代配煤比数学模型得到遗传配煤比，由配合煤性质指标预测模型得到遗传种群的配合煤性质指标。对遗传种群的配合煤性质指标进行镜质组随机反射率分布比例约束检测，若满足约束则进入步骤5.9，若不满足约束则返回步骤5.7。
例如，对个体β进行操作，得到关于个体β的一组遗传配煤比结果(如表7)和关于个体β的一组配合煤性质指标(如表8)。
表7 关于个体β的一组遗传配煤比
表8 关于个体β的一组配合煤性质指标
步骤5.9、从动态疫苗库中随机选取一个疫苗，从遗传种群中随机选择一个遗传种群个体，随机选取疫苗片段，将选取的疫苗片段与选取的遗传种群个体进行等基因位接种，形成免疫种群。
步骤5.10、由初代配煤比数学模型得到免疫配煤比，由配合煤性质指标预测模型得到免疫种群的配合煤性质指标，对免疫种群的配合煤性质指标进行镜质组随机反射率分布比例约束检测。若满足约束则进入步骤5.11；若不满足约束则返回步骤5.9。
步骤5.11、根据免疫种群的配合煤性质指标和焦炭性质指标预测模型得到免疫种群的焦炭性质指标，采用适应度数学模型计算免疫种群适应度，对免疫种群适应度从大到小进行排序，将免疫种群适应度最大的个体替换动态疫苗库中适应度最小的个体。
步骤5.12、计算免疫种群个体的浓度pd，计算免疫种群个体的适应度概率pf。依据如下公式计算选择概率p：
p＝0.6×pf+0.4×pd (16)
式(16)中：pf为免疫种群个体的适应度概率；
pd为免疫种群个体的浓度。
依据选择概率p和轮盘赌选择算子选择出进化种群；清除初代种群中所有的个体，用进化种群中所有的个体填充到初代种群中。
所述免疫种群适应度概率pf为免疫种群适应度与免疫种群适应度总和之比。
所述免疫种群个体浓度pd为相同免疫种群个体数与总的免疫种群个体数之比。
步骤5.13、判断填充后的初代种群迭代次数是否大于最大迭代次数，若大于则算法终止，输出最优配煤比；若小于或等于则返回步骤5.7。
本实施例的步骤五以炼焦煤1#～炼焦煤10#作为动态疫苗提取的免疫遗传算法的优化对象，优化结果为：动态疫苗提取的免疫遗传算法的免疫种群适应度与迭代次数关系图如图5所示，从图5可以看出迭代数为250时，动态疫苗提取的免疫遗传算法已经稳定收敛，收敛速度快。优化所得的配煤比经四舍五入处理后如表9所示。从表9中可以看出气煤(炼焦煤10#)、瘦煤(炼焦煤7#和炼焦煤8#)和不黏煤(炼焦煤6#)的配入量都得到提高，1/3焦煤(炼焦煤2#、炼焦煤5#和炼焦煤9#)、肥煤(炼焦煤1#)和焦煤(炼焦煤3#和炼焦煤4#)的配入量都得到合理的优化。
表9 配合煤方案表
步骤六、根据所得的最优配煤比进行配煤，得到3组配合煤；捣固后装炉炼焦，捣固密度为1.10～1.15g/cm3，得到3组焦炭。
对3组配合煤进行检测，配合煤性质指标和配煤成本如表10所示，从表10中可以看出3组配煤成本低且配合煤性质指标都满足配合煤性质指标约束条件。图6为方案1#的镜质组随机反射率分布直方图，图7为方案2#的镜质组随机反射率分布直方图，图8为方案3#的镜质组随机反射率分布直方图。从图6～图8中可以看出3组配合煤的镜质组随机反射率分布连续且无明显缺口。
对3组焦炭进行检测，焦炭性质指标如表11所示。从表11中可以看出焦炭的抗碎强度M40在60％左右、焦炭的耐磨强度M10在10％左右、焦炭的反应性CRI在35％左右和焦炭的反应后强度CSR在50％左右，故焦炭质量较高。
因此，本实施例具有精细化配煤，扩大使用炼焦煤资源和节约配煤成本的特点。
表10 配合煤性质指标表
表11 焦炭性质指标表
本具体实施方式与现有技术相比，其显著的有益效果体现在：
1，本具体实施方式采用动态疫苗提取的免疫遗传算法优化配煤比，该算法在迭代次数为250～300范围内稳定收敛，实现快速优化配煤比。
2，本具体实施方式提出了将配合煤镜质组随机反射率分布比例分为5个区间，将5个区间各自的分布比例加和值Re1、Re2、Re3、Re4和Re5与配合煤的挥发分、配合煤的镜质组平均最大反射率和配合煤的活惰比作为模型的输入，焦炭的抗碎强度M40、耐磨强度M10、反应性CRI和反应后强度CSR分别作为模型输出，采用支持向量机技术进行建模，模型的预测速度快和预测精度较高。
3，本具体实施方式将配合煤的镜质组随机反射率分布比例作为约束条件，以配合煤性质指标和焦炭性质指标以及配煤成本构建适应度函数，采用动态疫苗提取的免疫遗传算法对配煤比进行优化，在精确的控制配合煤镜质组随机反射率分布比例前提下，能够得到焦炭质量高和低成本的配煤比，从而实现同时改善焦炭质量和降低配煤成本的目的。
因此，本具体实施方式具有快速优化配煤比、高准度预测焦炭质量、提高焦炭质量和降低配煤成本的特点。
Claims (3)
1.一种用于捣固炼焦的预测焦炭质量和优化配煤比的方法，其特征在于所述方法的具体步骤是：
步骤一、建立单种煤性质指标数据库和焦炭性质指标数据库
采用SQL Server大型数据库应用技术中的3NF数据库的设计方法，建立单种煤性质指标数据库和焦炭性质指标数据库；
单种煤性质指标数据库中的单种煤性质指标有：镜质组随机反射率分布比例、灰分、挥发分、硫分、活惰比和镜质组平均最大反射率；
焦炭性质指标数据库中的焦炭性质指标有：抗碎强度M40、耐磨强度M10、反应性CRI和反应后强度CSR；
步骤二、建立配合煤性质指标预测模型
配合煤性质指标预测模型有：镜质组随机反射率分布比例数学模型、镜质组平均最大反射率数学模型、灰分数学模型、挥发分数学模型、硫分数学模型和活惰比数学模型；
1)镜质组随机反射率分布比例数学模型为Remix,j
式(1)中，RSingleij为第i种单种煤的镜质组随机反射率分布比例在j点的数值，
Pi为第i种单种煤的配比，
i为自然数，i＝1,2,3,…,n，
n为单种煤个数，
j为自然数，j＝1,2,3,…,50；
2)镜质组平均最大反射率数学模型为
式(2)中，Ri为第i种单种煤的镜质组平均最大反射率，
Pi为第i种单种煤的配比，
i为自然数，i＝1,2,3,…,n，
n为单种煤个数；
3)灰分数学模型为Ad,mix
式(3)中，Ad，i为第i种单种煤的灰分，
Pi为第i种单种煤的配比，
i为自然数，i＝1,2,3,…,n，
n为单种煤个数；
4)挥发分数学模型为Vdaf，mix
式(4)中，Vdaf，i为第i种单种煤的挥发分，
Pi为第i种单种煤的配比，
i为自然数，i＝1,2,3,…,n，
n为单种煤个数；
5)硫分数学模型为Smix
式(5)中，Si为第i种单种煤的硫分，
Pi为第i种单种煤的配比，
i为自然数，i＝1,2,3,…,n，
n为单种煤个数；
6)活惰比数学模型为A/I
式(6)中，Ai/Ii为第i种单种煤的活惰比，
Pi为第i种单种煤的配比，
i为自然数，i＝1,2,3,…,n，
n为单种煤个数；
步骤三、建立焦炭性质指标预测模型
首先，将配合煤的镜质组随机反射率分布比例在0.025％到2.475％区间内划分为5个区间：
在0.025％到0.725％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re1，
在0.725％到0.925％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re2，
在0.925％到1.325％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re3，
在1.325％到1.725％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re4，
在1.725％到2.475％区间内，将配合煤的镜质组随机反射率分布比例的加和值设置为Re5；
然后，利用配合煤性质指标和支持向量机技术建立焦炭性质指标预测模型，焦炭性质指标预测模型有：抗碎强度M40数学模型、耐磨强度M10数学模型、反应性CRI数学模型和反应后强度CSR数学模型；
1)抗碎强度M40数学模型为
2)耐磨强度M10数学模型为
3)反应性CRI数学模型为CRI*
4)反应后强度CSR数学模型为CSR*
式(7)、(8)、(9)和(10)中，SvmM40为自定义的支持向量机的抗碎强度M40预测函数，
SvmM10为自定义的支持向量机的耐磨强度M10预测函数，
SvmCRI为自定义的支持向量机的反应性CRI预测函数，
SvmCSR为自定义的支持向量机的反应后强度CSR预测函数，
Re1为配合煤的镜质组随机反射率分布比例在0.025％到0.725％区间内的加和值，
Re2为配合煤的镜质组随机反射率分布比例在0.725％到0.925％区间内的加和值，
Re3为配合煤的镜质组随机反射率分布比例在0.925％到1.325％区间内的加和值，
Re4为配合煤的镜质组随机反射率分布比例在1.325％到1.725％区间内的加和值，
Re5为配合煤的镜质组随机反射率分布比例在1.725％到2.475％区间内的加和值，
Vdaf，mix为配合煤的挥发分，
为配合煤的镜质组平均最大反射率，
A/I为配合煤的活惰比；
步骤四、建立适应度数学模型为Fitness
式(11)中，costi为第i种单种煤的成本，元/吨，
Pi为第i种单种煤的配比，
i为自然数，i＝1,2,3,…,n，
n为单种煤个数，
a为配煤比成本的权重系数，a取0.4，
b为抗碎强度M40的权重系数，b取0.1，
c为反应后强度CSR的权重系数，c取0.2，
d为反应性CRI的权重系数，d取0.4，
e为耐磨强度M10的权重系数，e取0.05，
M40为焦炭的抗碎强度，
M10为焦炭的耐磨强度，
CRI为焦炭的反应性，
CSR为焦炭的反应后强度，
式(12)中，配合煤性质指标约束条件为：
式(13)中，Vdaf，mix为配合煤的挥发分，
Smix为配合煤的硫分，
Ad，mix为配合煤的灰分，
A/I为配合煤的活惰比，
为配合煤的镜质组平均最大反射率；
步骤五、用适应度数学模型寻求最优配煤比，具体步骤如下：
步骤5.1、设需要优化配煤比的单种煤数为n，选取种群数为M；采用实数编码，在[0,50]区间内构建初代种群；
步骤5.2、将初代种群中的个体转化为初代配煤比，初代配煤比数学模型为Tij：
式(14)中：xij为第i个个体的第j个基因位数值，
i为自然数，i＝1,2,3,…,M，
j为自然数，j＝1,2,3,…,n，
n为单种煤个数；
步骤5.3、根据单种煤性质指标、初代配煤比数学模型和配合煤性质指标预测模型得到初代种群的配合煤性质指标；
步骤5.4、对初代种群的配合煤性质指标按照下式进行镜质组随机反射率分布比例约束检测
式(15)中：Re1为配合煤的镜质组随机反射率分布比例在0.025％到0.725％区间内的加和值，
Re2为配合煤的镜质组随机反射率分布比例在0.725％到0.925％区间内的加和值，
Re3为配合煤的镜质组随机反射率分布比例在0.925％到1.325％区间内的加和值，
Re4为配合煤的镜质组随机反射率分布比例在1.325％到1.725％区间内的加和值，
Re5为配合煤的镜质组随机反射率分布比例在1.725％到2.475％区间内的加和值；
若满足约束，则进入步骤5.5；若不满足约束，则返回步骤5.1；
步骤5.5、根据初代种群的配合煤性质指标和焦炭性质指标预测模型得到初代种群的焦炭性质指标；
步骤5.6、采用适应度数学模型计算初代种群适应度，对初代种群适应度从大到小进行排序，选取排名前10位的初代种群个体作为动态疫苗库；
步骤5.7、采用单点交叉的方法对初代种群个体进行交叉操作，交叉概率Pc＝0.6；采用变异概率的方式对初代种群个体进行变异操作，变异概率Pm＝0.2，形成遗传种群；
步骤5.8、由初代配煤比数学模型得到遗传配煤比，由配合煤性质指标预测模型得到遗传种群的配合煤性质指标；对遗传种群的配合煤性质指标进行镜质组随机反射率分布比例约束检测，若满足约束则进入步骤5.9，若不满足约束则返回步骤5.7；
步骤5.9、从动态疫苗库中随机选取一个疫苗，从遗传种群中随机选择一个遗传种群个体，随机选取疫苗片段，将选取的疫苗片段与选取的遗传种群个体进行等基因位接种，形成免疫种群；
步骤5.10、由初代配煤比数学模型得到免疫配煤比，由配合煤性质指标预测模型得到免疫种群的配合煤性质指标，对免疫种群的配合煤性质指标进行镜质组随机反射率分布比例约束检测；若满足约束则进入步骤5.11，若不满足约束则返回步骤5.9；
步骤5.11、根据免疫种群的配合煤性质指标和焦炭性质指标预测模型得到免疫种群的焦炭性质指标，采用适应度数学模型计算免疫种群适应度，对免疫种群适应度从大到小进行排序，将免疫种群适应度最大的个体替换动态疫苗库中适应度最小的个体；
步骤5.12、计算免疫种群个体的浓度pd，计算免疫种群个体的适应度概率pf；依据如下公式计算选择概率p：
p＝0.6×pf+0.4×pd (16)
式(16)中：pf为免疫种群个体的适应度概率，
pd为免疫种群个体的浓度；
依据选择概率p和轮盘赌选择算子选择出进化种群；清除初代种群中所有的个体，用进化种群中所有的个体填充到初代种群中；
步骤5.13、判断填充后的初代种群迭代次数是否大于最大迭代次数，若大于则算法终止，输出最优配煤比，若小于或等于则返回步骤5.7；
步骤六、根据最优配煤比进行配煤，捣固后装炉炼焦，捣固密度为1.10～1.15g/cm3。
2.根据权利要求1所述用于捣固炼焦的预测焦炭质量和优化配煤比的方法，其特征在于所述免疫种群适应度概率pf为免疫种群适应度与免疫种群适应度总和之比。
3.根据权利要求1所述用于捣固炼焦的预测焦炭质量和优化配煤比的方法，其特征在于所述免疫种群个体浓度pd为相同免疫种群个体数与总的免疫种群个体数之比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510603943.8A CN105243437B (zh) | 2015-09-21 | 2015-09-21 | 用于捣固炼焦的预测焦炭质量和优化配煤比的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510603943.8A CN105243437B (zh) | 2015-09-21 | 2015-09-21 | 用于捣固炼焦的预测焦炭质量和优化配煤比的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105243437A CN105243437A (zh) | 2016-01-13 |
| CN105243437B true CN105243437B (zh) | 2019-03-26 |
Family
ID=55041074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510603943.8A Expired - Fee Related CN105243437B (zh) | 2015-09-21 | 2015-09-21 | 用于捣固炼焦的预测焦炭质量和优化配煤比的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105243437B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106018731B (zh) * | 2016-05-12 | 2018-09-25 | 华中科技大学 | 一种煤质挥发分、固定碳在线检测方法及系统 |
| CN106326663B (zh) * | 2016-08-30 | 2018-08-21 | 武汉科技大学 | 一种基于煤岩学和遗传算法的煤场分堆方法 |
| CN107325833A (zh) * | 2017-07-30 | 2017-11-07 | 湖南华菱湘潭钢铁有限公司 | 一种配煤焦炭灰分的精确预测方法 |
| CN110119783B (zh) * | 2019-05-16 | 2021-07-16 | 联想(北京)有限公司 | 焦炭质量预测方法、装置及计算机设备 |
| CN110484288B (zh) * | 2019-08-23 | 2020-07-03 | 山西沁新能源集团股份有限公司 | 一种炼焦配煤的方法 |
| CN112861359B (zh) * | 2021-02-19 | 2022-07-22 | 汾渭数字信息技术有限公司 | 全要素智能配煤系统 |
| CN112980482B (zh) * | 2021-03-05 | 2022-04-01 | 宁波钢铁有限公司 | 一种美国焦煤参与配煤炼焦方法 |
| CN115595390A (zh) * | 2022-10-27 | 2023-01-13 | 中冶赛迪信息技术（重庆）有限公司（Cn） | 一种高炉喷吹煤配煤方案计算方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102816577A (zh) * | 2012-08-30 | 2012-12-12 | 武汉科技大学 | 一种适用于捣固炼焦的煤岩配煤方法 |
| CN102890145A (zh) * | 2012-10-22 | 2013-01-23 | 辽宁科技大学 | 由单种煤黏结性和煤岩指标非线性预测焦炭质量的方法 |
| CN103853915A (zh) * | 2014-01-14 | 2014-06-11 | 辽宁科技大学 | 一种由炼焦煤非线性优化配煤预测焦炭质量的方法 |
-
2015
- 2015-09-21 CN CN201510603943.8A patent/CN105243437B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102816577A (zh) * | 2012-08-30 | 2012-12-12 | 武汉科技大学 | 一种适用于捣固炼焦的煤岩配煤方法 |
| CN102890145A (zh) * | 2012-10-22 | 2013-01-23 | 辽宁科技大学 | 由单种煤黏结性和煤岩指标非线性预测焦炭质量的方法 |
| CN103853915A (zh) * | 2014-01-14 | 2014-06-11 | 辽宁科技大学 | 一种由炼焦煤非线性优化配煤预测焦炭质量的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105243437A (zh) | 2016-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105243437B (zh) | 用于捣固炼焦的预测焦炭质量和优化配煤比的方法 | |
| CN102890145B (zh) | 由单种煤黏结性和煤岩指标非线性预测焦炭质量的方法 | |
| CN106802977B (zh) | 一种用于烧结矿性能指标预测及综合质量评价方法 | |
| CN112699613B (zh) | 炼铁多目标一体化配料优化方法、系统、设备及介质 | |
| CN104156782B (zh) | 面板堆石坝施工工期-质量-成本均衡优化方法 | |
| CN103853915A (zh) | 一种由炼焦煤非线性优化配煤预测焦炭质量的方法 | |
| CN115034465B (zh) | 一种基于人工智能的焦炭质量预测方法 | |
| CN106777684B (zh) | 一种建立综合焦比预测模型和预测综合焦比的方法 | |
| CN103045279B (zh) | 一种用于配煤系统的生产性能与能耗性能协同优化方法 | |
| CN108876094A (zh) | 一种清洁能源接入的电网运行综合评价方法 | |
| CN107203140B (zh) | 一种基于模糊综合的烧结生产过程性能评估方法 | |
| CN104109549A (zh) | 提高气煤配用量的配煤方法 | |
| CN114707120A (zh) | 一种测算碳排放规模的统计学建模方法 | |
| CN113836786A (zh) | 一种结合焦炉加热制度参数的智能冶金焦炭预测方法 | |
| CN110246547B (zh) | 一种烧结过程配矿优化方法 | |
| CN115115085A (zh) | 一种优化炼焦配煤的方法、优化炼焦配煤的系统及配煤优化管理系统 | |
| CN111647416A (zh) | 一种基于配合煤镜质组反射率分布的配煤方法 | |
| CN112001117A (zh) | 一种炼焦单种煤配比优化方法 | |
| CN116306232A (zh) | 一种基于工业大数据的高炉能耗与碳排放分析方法及系统 | |
| CN114662763A (zh) | 一种焦化配煤用单种煤性价比评价方法及系统 | |
| CN109919800A (zh) | 一种基于多目标优化的节能改造补贴分配方法 | |
| CN109934421A (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
| CN103950930B (zh) | 一种用于电石生产配料的控制方法 | |
| CN116479195B (zh) | 一种基于煤岩参数优化高炉喷吹煤配煤的方法 | |
| CN102156405B (zh) | 小样本贫信息下的烧结矿化学成分预测与智能控制系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190326 Termination date: 20190921 |