CN106777684B - 一种建立综合焦比预测模型和预测综合焦比的方法 - Google Patents

Abstract

本发明公开了一种建立综合焦比预测模型和预测综合焦比的方法，包括以下步骤，选定综合焦比作为衡量烧结过程碳效的指标；通过烧结过程的机理分析，确定影响综合焦比的烧结参数，采用主成分析法对烧结参数进行数据降维及重新组合处理，得到主成分变量，基于主成分变量，建立综合焦比预测模型，分析待烧结矿的烧结参数，将烧结参数转化为主成分变量，将待烧结矿的主成分变量输入综合焦比预测模型，输出变量即为综合焦比。本发明能解决烧结参数之间存在的耦合问题，为烧结过程碳效优化奠定基础，并且能够实现烧结过程综合焦比的精确预测，满足实际烧结过程生产要求。

Description

一种建立综合焦比预测模型和预测综合焦比的方法

技术领域

本发明涉及钢铁烧结过程生产节能降耗领域，具体涉及一种建立综合焦比预测模型和预测综合焦比的方法。

背景技术

钢铁工业是国民经济支柱产业之一，钢铁工业的发展也将决定我国国民经济的发展。随着钢铁行业的快速发展，其所带来的能源消耗以及环境问题也日益突显。烧结过程又是炼铁过程的一个重要环节，其过程生产的烧结矿是高炉炼铁的主要原料，并且烧结过程也是钢铁生产过程除高炉炼铁过程外最大的耗能工序，其能耗约占钢铁冶金总能耗的10％～15％，在能源消耗中，主要有焦粉燃烧、燃气点火和电能消耗，其中焦粉燃料消耗约为80％，燃气消耗约为6％，电能消耗约为13.5％，其他约为0.5％。随着近几年来全球生态环境的持续恶化，各国也越来越重视对环境的保护，“可持续发展”、“绿色制造”和“低碳经济”等经济发展观念被越来越多的国家接受，并融入到各国的经济发展之中。由此可见，通过提高烧结过程碳能源利用率(即提高碳效)，将是实现我国钢铁行业生产过程节能减排的重要途径之一。

目前，国际上著名钢铁企业所采用的钢铁生产方式是带式抽风烧结方式，其生产过程主要是先把原料充分混合得到混合料，然后将混合料平铺在台车上，混合料在点火炉处点燃料层表面，料层随台车移动而移动，此时台车下方的风箱开始进行负压抽风，料层将自上而下地进行燃烧，直到在烧结终点处烧穿料层，最终完成烧结造块过程。烧结过程的工艺流程见附图1。但带式抽风烧结方式在烧结生产中，充分混合的混合料在料层中燃烧会产生1300℃左右的高温，使得烧结混合料会在这样的高温环境下会发生一系列的化学物理变化，这样会使混合料层出现分层现象，其中料层自上而下可分为烧结矿层、燃烧层、预热干燥层、过湿层和生料层等，其中烧结料层的分层现象见附图2。另外，烧结生产过程中，焦粉作为烧结过程主要的能量来源，无法在保证烧结矿质量和产量的前提下提高焦粉利用率，而且，烧结过程涉及到配料、制粒、布料、烧结点火和烧结终点等等工序，并且该过程具有非线性、强耦合、机理复杂和工艺流程长等特征。因此，为了保证烧结矿的质量和产量，需要对烧结过程碳效指标进行准确有效预测。

发明内容

有鉴于此，本发明的实施例提供了一种能对烧结过程碳效指标进行准确预测的建立综合焦比预测模型和预测综合焦比的方法。

本发明的实施例提供一种建立综合焦比预测模型和预测综合焦比的方法，包括以下步骤：

(1)选定综合焦比作为衡量烧结过程碳效的指标，并计算综合焦比；

(2)确定影响综合焦比的烧结参数，对烧结参数的生产历史数据进行时序配准和平均值滤波处理，得到样本数据库；

(3)对步骤(2)得到的样本数据库采用主成分分析法对烧结参数进行数据降维，并重新组合，得到主成分变量；

(4)以步骤(3)得的主成分变量作为输入变量，以步骤(1)得的综合焦比作为输出变量进行重复计算和验证，建立综合焦比预测模型；

(5)分析待烧结矿的烧结参数，对待烧结矿的烧结参数进行数据降维，并重新组合，得到待烧结矿的主成分变量；

(6)将步骤(5)得到的待烧结矿的主成分变量输入步骤(4)建立的综合焦比预测模型，综合焦比预测模型的输出变量即为待烧结矿烧结过程的综合焦比。

进一步，所述步骤(1)中，综合焦比是生产每吨铁水消耗的燃料所折合成的焦炭数量，综合焦比的的计算式如下：

式中：η表示综合焦比(Kg/t)，w_c表示焦粉配比(％)，p表示成品率(％)，q表示烧损率(％)，Q_D表示烧结的大成矿产量(Kg/h)，Q_X表示烧结的小成矿产量(Kg/h)，Q_F表示烧结的返矿量(Kg/h)，Q_P表示烧结的铺底料量(Kg/h)。

进一步，所述步骤(2)中，烧结参数通过分析烧结过程机理得到，烧结参数包括垂直燃烧速度、上升点、上升点温度、烧结终点、烧结终点温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比。

进一步，所述步骤(2)中，烧结过程存在时滞，为了确保烧结参数在时序上一致，对烧结参数的生产历史数据进行时序配准。

进一步，所述步骤(2)中，采用烧结过程中大成矿的波动周期作为采样周期对烧结参数的生产历史数据进行平均值滤波处理，得到样本数据库。

进一步，所述烧结过程中大成矿的波动周期为45min。

进一步，所述步骤(3)中，数据降维包括以下步骤：

(3.1)对样本数据库进行标准化处理；

设样本数据库有n组样本数据，每组数据中有u个判别指标，样本数据库用矩阵X＝(x_ij)_n×u表示，x_ij为第j个判别指标的第i组样本数据，标准化公式如下：

式中：X_scalar是样本数据标准化后得到的数据，X_min是样本数据中的最小值，X_max是样本数据中的最大值，X_actual是样本数据中的实际值；

(3.2)计算样本数据的相关系数r_ij和相关系数矩阵C；

计算式如下：

C＝(r_ij)_u×u

(i＝1,2,…,u；j＝1,2,…,u)

式中：x_ai为第i个判别指标第a组样本数据；为第i个判别指标所有样本数据的平均值；x_aj为第j个判别指标第a组样本数据；为第j个判别指标所有样本数据的平均值；

(3.3)计算相关系数矩阵C的u个特征值，记为λ₁≥λ₂≥…≥λ_u≥0；

(3.4)计算每个烧结参数的贡献率确定主成分变量的个数；

设第d个烧结参数的贡献率为以作为前m个烧结参数的累积贡献率，以累积贡献率达到85％及以上时，烧结参数的个数确定为主成分变量的个数；

(3.5)设m个烧结参数的累积贡献率达到85％及以上，则主成分变量个数为m个，可得到主成分变量为：

式中：y_d表示第d个主成分变量，l_d表示m个特征值所对应的单位特征向量，(d＝1,2,…,m)。

进一步，所述步骤(4)中，根据最小二乘支持向量机法建立综合焦比预测模型。

进一步，所述最小二乘支持向量机法建立综合焦比预测模型包括以下步骤：

(4.1)设主成分变量和综合焦比组成的样本数据集为yk∈R^m为m维输入变量，Y_k∈R为对应的目标输出，即综合焦比；

(4.2)采用非线性映射将输入变量映射到高维特征空间，得到：

式中：ω是权函数，表示将输入变量非线性映射到高维空间，b是偏置量；

(4.3)基于结构风险最小化原理，将上述回归问题转化为约束优化问题：

式中：γ是惩罚因子，其是衡量参数风险和拟合误差相对重要程度的参数，e_k是拟合误差；

(4.4)对(4.3)中的约束优化问题采用拉格朗日乘子法、正定矩阵和卡罗需-库恩-塔克条件进行求解，得到综合焦比预测模型为：

式中：α_k是拉格朗日乘子，K(y,yk)＝exp(-||y-yk||²/2σ²)为高斯径向基核函数，σ是核函数宽度。

与现有技术相比，本发明具有以下有益效果：

(1)本发明确定综合焦比作为衡量烧结过程碳效的指标，并给出其相关计算，为实现烧结过程节能降耗奠定基础；

(2)本发明通过烧结过程机理分析，确定影响综合焦比的烧结参数，采用主成分分析法对这些烧结参数进行降维重组获得主成分变量，可有效克服烧结参数之间的耦合问题；

(3)本发明基于主成分变量，采用最小二乘支持向量机法，建立综合焦比预测模型，能够反映烧结过程的非线性特性，有效保证预测模型的精确和合理；

(4)本发明基于烧结过程的生产历史数据，进行模型的仿真实验，能够在实际生产过程中广泛应用。

附图说明

图1是带式抽风烧结方式的烧结工艺流程图。

图2是带式抽风烧结方式的烧结料层分层现象的示意图。

图3是本发明一实施例的流程图。

图4是本发明实施例的综合焦比预测结果与实际值的对比图。

图5是本发明实施例的综合焦比预测相对误差的结果图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

实施例

请参照附图3，本实施例包括以下步骤：

(1)综合焦比是生产每吨铁水消耗的燃料所折合成的焦炭数量，提高焦炭利用率是保证烧结矿产量和质量的前提，因此，选定综合焦比作为衡量烧结过程碳效的指标，并计算综合焦比，综合焦比的的计算式如下：

式中：η表示综合焦比(Kg/t)，w_c表示焦粉配比(％)，p表示成品率(％)，q表示烧损率(％)，Q_D表示烧结的大成矿产量(Kg/h)，Q_X表示烧结的小成矿产量(Kg/h)，Q_F表示烧结的返矿量(Kg/h)，Q_P表示烧结的铺底料量(Kg/h)。

(2)通过分析烧结过程机理得到影响综合焦比的烧结参数，烧结参数包括垂直燃烧速度、上升点(BRP)、BRP温度、烧结终点(BTP)、BTP温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比，垂直燃烧速度、BRP、BRP温度、BTP、BTP温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比的生产历史数据以日报表的形式保存在操作室工控机的本地数据库中，根据日报表的数据，收集影响综合焦比的垂直燃烧速度、BRP、BRP温度、BTP、BTP温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比一个月的生产历史数据，组成原始样本数据；

烧结过程中的各个工序之间相互影响，从配料生产到烧结矿的破碎完成大约需要2个小时，对烧结矿化验需要2个小时，从此可见烧结生产过程存在时滞现象，为了确保烧结生产过程烧结参数在时序上保持一致，需对烧结参数的生产历史数据进行时序配准处理；根据烧结工艺规定，大成矿每隔一段时间会分流到铺底料仓，大成矿呈现周期性变化，周期大约为45min，由于大成矿的周期性波动会造成综合焦比的波动，故采用大成矿的波动周期作为采样周期，选定采样周期为45min对烧结参数的生产历史数据进行平均值滤波处理，得到烧结参数垂直燃烧速度、BRP、BRP温度、BTP、BTP温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比的生产历史数据共900组，以此，建立样本数据库；

(3)对步骤(2)得到的样本数据库采用主成分分析法对烧结参数进行数据降维，并重新组合，得到主成分变量；

数据降维包括以下步骤：

(3.1)对样本数据库进行标准化处理；

设样本数据库有n组样本数据，每组数据中有u个判别指标，样本数据库用矩阵X＝(x_ij)_n×u表示，x_ij为第j个判别指标的第i组样本数据，标准化公式如下：

式中：X_scalar是样本数据标准化后得到的数据，X_min是样本数据中的最小值，X_max是样本数据中的最大值，X_actual是样本数据中的实际值；

(3.2)计算样本数据的相关系数r_ij和相关系数矩阵C；

计算式如下：

C＝(r_ij)_u×u

(i＝1,2,…,u；j＝1,2,…,u)

式中：x_ai为第i个判别指标第a组样本数据；为第i个判别指标所有样本数据的平均值；x_aj为第j个判别指标第a组样本数据；为第j个判别指标所有样本数据的平均值；

(3.3)计算相关系数矩阵C的u个特征值，记为λ₁≥λ₂≥…≥λ_u≥0；

(3.4)计算每个烧结参数的贡献率确定主成分变量的个数；

设第d个烧结参数的贡献率为以作为前m个烧结参数的累积贡献率，以累积贡献率达到85％及以上时，烧结参数的个数确定为主成分变量的个数；

(3.5)设m个烧结参数的累积贡献率达到85％及以上，则主成分变量个数为m个，可得到主成分变量为：

式中：y_d表示第d个主成分变量，l_d表示m个特征值所对应的单位特征向量，(d＝1,2,…,m)。

据此，从数据样本库的900组数据中随机选取800组数据采用主成分分析法对烧结参数进行数据降维，并重新组合，得到数个互不相关的主成分变量，分析结果如表1所示；

表1样本数据库烧结参数的主成分变量分析结果

成分	λ(特征值)	贡献率/％	累积贡献率/％
				垂直燃烧速度	3.5264	34.48	34.48
BRP	1.8440	18.03	52.51
				BRP温度	1.2263	11.99	64.5
BTP	1.0932	10.69	75.19
				BTP温度	0.8964	8.77	83.96
返矿	0.7547	7.38	91.34
				风箱负压	0.4380	4.28	95.62
料层厚度	0.3670	3.59	99.21
				台车速度	0.0725	0.71	99.92
焦粉配比	0.0076	0.08	100

由表1可以得出，样本数据库的前6个烧结参数累积贡献概率已达到91.34％，则可用前6个烧结参数作为主成分变量来表示原样本数据信息，并且这些主成分变量能够解决影响综合焦比的烧结参数之间的耦合问题，再求得烧结参数所对应的6个主成分变量所对应的特征向量为：

l₁＝[0.70 -0.39 -0.26 -0.02 -0.18 0.37 0.26 0.15 -0.08 -0.12]

l₂＝[0.38 0.02 0.04 0.10 0.21 -0.20 -0.18 -0.12 -0.34 0.77]

l₃＝[0.30 0.09 0.42 0.49 0.34 -0.04 -0.30 0.19 -0.16 -0.46]

l₄＝[0.03 -0.30 -0.25 -0.20 -0.34 -0.24 -0.77 -0.03 -0.13 -0.18]

l₅＝[-0.02 0.37 -0.36 -0.29 0.42 0.45 -0.31 0.41 0.01 0.06]

l₆＝[-0.37 -0.36 0.24 0.34 -0.26 0.38 -0.13 0.47 -0.03 0.33]

则可计算影响综合焦比的烧结参数的主成分变量为：

其中，t_c(c＝1,2,…,10)表示样本数据库中垂直燃烧速度、BRP、BRP温度、BTP、BTP温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比的数据；

(4)以步骤(3)得的6个主成分变量作为输入变量，以步骤(1)得的综合焦比作为输出变量进行重复计算，根据最小二乘支持向量机法建立综合焦比预测模型，并用样本数据库中剩余的100组数据进行综合焦比预测模型验证；

最小二乘支持向量机法是一种统计学的建模方法，其原理是通过将低维空间中线性不可分问题，采用核函数映射到高维空间，从而使其线性可分，采用最小二乘对高维空间的最优分类面进行求解，把不等式约束变为等式约束，这样就可以使用该方法进行综合焦比预测；

包括以下步骤：

(4.1)设主成分变量和综合焦比组成的样本数据集为y_k∈R^m为m维输入变量，Y_k∈R为对应的目标输出，即综合焦比；

(4.2)采用非线性映射将输入变量映射到高维特征空间，得到：

式中：ω是权函数，表示将输入变量非线性映射到高维空间，b是偏置量；

(4.3)基于结构风险最小化原理，将上述回归问题转化为约束优化问题：

式中：γ是惩罚因子，其是衡量参数风险和拟合误差相对重要程度的参数，e_k是拟合误差；

(4.4)对(4.3)中的约束优化问题采用拉格朗日乘子法、正定矩阵和卡罗需-库恩-塔克条件进行求解，得到综合焦比预测模型为：

式中：α_k是拉格朗日乘子，K(y,y_k)＝exp(-||y-y_k||²/2σ²)为高斯径向基核函数，σ是核函数宽度。

将预测结果和实际结果进行对比，对比图见附图4，预测的相对误差见附图5，由图可知，综合焦比预测结果的相对误差在[-3％,2％]之内，因此，建立的综合焦比预测模型具有可行性；

(5)分析待烧结矿的烧结参数，对待烧结矿的烧结参数进行数据降维，并重新组合，得到待烧结矿的主成分变量；

(6)将步骤(5)得到的待烧结矿的主成分变量输入步骤(4)建立的综合焦比预测模型，综合焦比预测模型的输出变量即为待烧结矿烧结过程的综合焦比。

本方法预测精度高，能够满足实际烧结过程生产要求，可为烧结过程的碳效优化奠定基础。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种建立综合焦比预测模型和预测综合焦比的方法，其特征在于，包括以下步骤：

(1)选定综合焦比作为衡量烧结过程碳效的指标，并计算综合焦比；

(2)确定影响综合焦比的烧结参数，对烧结参数的生产历史数据进行时序配准和平均值滤波处理，得到样本数据库；

(3)针对对步骤(2)得到的样本数据库，首先，对样本数据库进行标准化处理；其中，针对每个烧结参数的贡献率确定主成分变量的个数，实现烧结参数的数据降维，并重新组合，得到主成分变量；

(4)以步骤(3)得的主成分变量作为输入变量，以步骤(1)得的综合焦比作为输出变量进行重复计算和验证，使用最小二乘支持向量机法建立综合焦比预测模型；

(5)分析待烧结矿的烧结参数，对待烧结矿的烧结参数进行数据降维，并重新组合，得到待烧结矿的主成分变量；

(6)将步骤(5)得到的待烧结矿的主成分变量输入步骤(4)建立的综合焦比预测模型，综合焦比预测模型的输出变量即为待烧结矿烧结过程的综合焦比。

2.根据权利要求1所述的建立综合焦比预测模型和预测综合焦比的方法，其特征在于，所述步骤(1)中，综合焦比是生产每吨铁水消耗的燃料所折合成的焦炭数量，综合焦比的计算式如下：

式中：η表示综合焦比(Kg/t)，w_c表示焦粉配比(％)，p表示成品率(％)，q表示烧损率(％)，Q_D表示烧结的大成矿产量(Kg/h)，Q_X表示烧结的小成矿产量(Kg/h)，Q_F表示烧结的返矿量(Kg/h)，Q_P表示烧结的铺底料量(Kg/h)。

3.根据权利要求1所述的建立综合焦比预测模型和预测综合焦比的方法，其特征在于，所述烧结参数通过分析烧结过程机理得到，烧结参数包括垂直燃烧速度、上升点、上升点温度、烧结终点、烧结终点温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比。

4.根据权利要求1所述的建立综合焦比预测模型和预测综合焦比的方法，其特征在于，所述步骤(2)中，烧结过程存在时滞，为了确保烧结参数在时序上一致，对烧结参数的生产历史数据进行时序配准。

5.根据权利要求1所述的建立综合焦比预测模型和预测综合焦比的方法，其特征在于，所述步骤(2)中，采用烧结过程中大成矿的波动周期作为采样周期对烧结参数的生产历史数据进行平均值滤波处理，得到样本数据库。

6.根据权利要求5所述的建立综合焦比预测模型和预测综合焦比的方法，其特征在于，所述烧结过程中大成矿的波动周期为45min。

7.根据权利要求1所述的建立综合焦比预测模型和预测综合焦比的方法，其特征在于，所述数据降维包括以下步骤：

(3.1)对样本数据库进行标准化处理；

设样本数据库有n组样本数据，每组数据中有u个判别指标，样本数据库用矩阵X＝(x_ij)_n×u表示，x_ij为第j个判别指标的第i组样本数据，标准化公式如下：

式中：X_scalar是样本数据标准化后得到的数据，X_min是样本数据中的最小值，X_max是样本数据中的最大值，X_actual是样本数据中的实际值；

(3.2)计算样本数据的相关系数r_ij和相关系数矩阵C；

计算式如下：

C＝(r_ij)_u×u

(i＝1,2,L,u；j＝1,2,L,u)

式中：x_ai为第i个判别指标第a组样本数据；为第i个判别指标所有样本数据的平均值；x_aj为第j个判别指标第a组样本数据；为第j个判别指标所有样本数据的平均值；

(3.3)计算相关系数矩阵C的u个特征值，记为λ₁≥λ₂≥L≥λ_u≥0；

(3.4)计算每个烧结参数的贡献率确定主成分变量的个数；

设第d个烧结参数的贡献率为以作为前m个烧结参数的累积贡献率，以累积贡献率达到85％及以上时，烧结参数的个数确定为主成分变量的个数；

(3.5)设m个烧结参数的累积贡献率达到85％及以上，则主成分变量个数为m个，可得到主成分变量为：

式中：y_d表示第d个主成分变量，l_d表示m个特征值所对应的单位特征向量，(d＝1,2,…,m)。

8.根据权利要求1所述的建立综合焦比预测模型和预测综合焦比的方法，其特征在于，所述最小二乘支持向量机法建立综合焦比预测模型包括以下步骤：

(4.1)设主成分变量和综合焦比组成的样本数据集为y_k∈R^m为m维输入变量，Y_k∈R为对应的目标输出，即综合焦比；

(4.2)采用非线性映射将输入变量映射到高维特征空间，得到：

式中：ω是权函数，表示将输入变量非线性映射到高维空间，b是偏置量；

(4.3)基于结构风险最小化原理，针对输入变量y_k映射到高维空间后得到的结果，将其进一步转化为约束优化问题：

式中：γ是惩罚因子，其是衡量参数风险和拟合误差相对重要程度的参数，e_k是拟合误差；

(4.4)对(4.3)中的约束优化问题采用拉格朗日乘子法、正定矩阵和卡罗需-库恩-塔克条件进行求解，得到综合焦比预测模型Y为：

式中：α_k是拉格朗日乘子，K(y,y_k)＝exp(-||y-y_k||²/2σ²)为高斯径向基核函数，σ是核函数宽度。