CN112784396A - 一种焦炭质量预测方法、装置及系统 - Google Patents
一种焦炭质量预测方法、装置及系统 Download PDFInfo
- Publication number
- CN112784396A CN112784396A CN201911090455.6A CN201911090455A CN112784396A CN 112784396 A CN112784396 A CN 112784396A CN 201911090455 A CN201911090455 A CN 201911090455A CN 112784396 A CN112784396 A CN 112784396A
- Authority
- CN
- China
- Prior art keywords
- coal
- data
- coke
- blended coal
- quality
- 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.)
- Granted
Links
- 239000000571 coke Substances 0.000 title claims abstract description 304
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000003245 coal Substances 0.000 claims abstract description 546
- 239000011435 rock Substances 0.000 claims abstract description 135
- 238000001514 detection method Methods 0.000 claims abstract description 103
- 230000007246 mechanism Effects 0.000 claims abstract description 61
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 31
- 239000002956 ash Substances 0.000 claims description 60
- 238000002156 mixing Methods 0.000 claims description 48
- 239000004079 vitrinite Substances 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 36
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 29
- 239000011593 sulfur Substances 0.000 claims description 28
- 229910052717 sulfur Inorganic materials 0.000 claims description 28
- 229910052751 metal Inorganic materials 0.000 claims description 18
- 239000002184 metal Substances 0.000 claims description 18
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 16
- 239000011707 mineral Substances 0.000 claims description 16
- 229920002101 Chitin Polymers 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000003197 catalytic effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 239000003039 volatile agent Substances 0.000 claims description 7
- 238000010946 mechanistic model Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 41
- 238000002310 reflectometry Methods 0.000 description 23
- 238000006243 chemical reaction Methods 0.000 description 18
- 238000004939 coking Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000005299 abrasion Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 9
- 238000007670 refining Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 230000009257 reactivity Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 239000002585 base Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 229910044991 metal oxide Inorganic materials 0.000 description 3
- 150000004706 metal oxides Chemical class 0.000 description 3
- 239000000377 silicon dioxide Substances 0.000 description 3
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 2
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 2
- 239000010883 coal ash Substances 0.000 description 2
- 229910052681 coesite Inorganic materials 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 229910052906 cristobalite Inorganic materials 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000197 pyrolysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910052682 stishovite Inorganic materials 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 229910052905 tridymite Inorganic materials 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 229910052593 corundum Inorganic materials 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000012458 free base Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- CHWRSCGUEQEHOH-UHFFFAOYSA-N potassium oxide Chemical compound [O-2].[K+].[K+] CHWRSCGUEQEHOH-UHFFFAOYSA-N 0.000 description 1
- 229910001950 potassium oxide Inorganic materials 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- KKCBUQHMOMHUOY-UHFFFAOYSA-N sodium oxide Chemical compound [O-2].[Na+].[Na+] KKCBUQHMOMHUOY-UHFFFAOYSA-N 0.000 description 1
- 229910001948 sodium oxide Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004449 solid propellant Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004408 titanium dioxide Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910001845 yogo sapphire Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Coke Industry (AREA)
Abstract
本申请实施例提供一种焦炭质量预测方法、装置及系统，其中方法包括：根据第一配合煤的检测数据和目标机理模型，预测焦炭的第一预测质量数据，其中，所述第一配合煤被炼制后形成所述焦炭；获取第一配合煤的煤岩图像，所述煤岩图像表征所述第一配合煤中的各个组分的含量；根据第一预测质量数据、上述煤岩图像、第一配合煤的检测数据和焦炭质量预测模型，获得所述焦炭的第二预测质量数据，其中，所述焦炭质量预测模型为经过训练后的人工智能AI模型。采用人工智能模型并结合大量配合煤的参数数据预测焦炭的质量数据，使焦炭质量预测模型的泛化能力更强，预测结果更加准确。
Description
技术领域
本申请涉及工业生产领域，尤其涉及一种焦炭质量预测方法、装置及系统。
背景技术
炼焦是指将原料煤按照一定比例混合后形成配合煤，进而将配合煤在焦炉中经高温干馏炼取焦炭的过程。焦炭可以作为还原剂和供炭剂用于高炉炼铁等金属冶炼领域，焦炭质量的波动会给高炉生产造成很大的影响。因此，在炼焦之前，根据配合煤的相关参数对焦炭质量进行预测，可以有效指导配煤炼焦，优化资源配置。
目前，焦化企业对焦炭质量的预测通常是工程师根据历史经验进行估计，或者是各焦化企业根据各自的配合煤以及工艺生产条件，通过大量实验并利用简单的线性回归算法得到线性模型，根据线性模型对焦炭质量进行预测，上述方法预测结果误差较大，且泛化能力差。
发明内容
本申请实施例公开了一种焦炭质量预测方法、装置及系统，通过人工智能(ArtificialIntelligence，AI)模型预测焦炭的质量，使预测结果更加准确，泛化能力更强。
第一方面，本申请实施例提供一种焦炭质量预测方法，包括：获取第一配合煤的检测数据，根据所述第一配合煤的检测数据和目标机理模型，预测所述焦炭的第一预测质量数据，其中，所述第一配合煤被炼制后形成所述焦炭；获取所述配合煤的煤岩图像，所述煤岩图像表征所述第一配合煤中的各个组分的含量；根据所述第一预测质量数据、所述煤岩图像、所述第一配合煤的检测数据和焦炭质量预测模型，获得所述焦炭的第二预测质量数据，其中，所述焦炭质量预测模型为经过训练后的人工智能AI模型。
上述方案中，第一配合煤是准备用于炼制焦炭的配合煤，该方法先获取第一配合煤的检测数据，根据机理模型计算得到第一配合煤炼制的焦炭的第一预测质量数据；再获取用于表征第一配合煤的各组分含量的煤岩图像，将第一配合煤的检测数据、第一配合煤的煤岩图像以及第一配合煤炼制的焦炭的第一质量数据输入到AI模型中，从而得到上述AI模型计算得到的第二预测质量数据。将根据第一配合煤的检测数据、煤岩图像数据以及第一预测质量数据训练的AI模型用于预测焦炭的质量数据，模型的泛化能力更强，并且通过配合煤的检测数据、煤岩图像数据以及通过机理模型预测的第一预测质量数据等数据，结合上述AI模型预测焦炭的第二预测质量数据，使第二预测质量数据更加接近第一配合煤炼制出的焦炭的真实质量数据，大大提高了焦炭质量预测的准确性。
在一种可能的实施方式中，上述AI模型可以采用XGBoost模型，也可以采用一种卷积神经网络模型。
在一种可能的实施方式中，所述根据所述第一预测质量数据、所述煤岩图像、所述第一配合煤的检测数据和焦炭质量预测模型，获得所述焦炭的第二预测质量数据，包括：将所述第一预测质量数据、所述煤岩图像和所述第一配合煤的检测数据进行融合，获得特征数据；输入所述特征数据至所述焦炭质量预测模型，获得所述第二预测质量数据。
在一种可能的实施方式中，所述目标机理模型为线性模型，所述目标机理模型的参数由第二配合煤的检测数据、所述第二配合煤炼制的焦炭的真实质量数据计算得到。
上述第二配合煤为已经用于炼制焦炭的配合煤，通过第二配合煤的检测数据、第二配合煤炼制的焦炭的真实质量数据计算得到目标机理模型的参数，得到目标机理模型。从而可以根据目标机理模型先对第一配合煤炼制的焦炭的质量数据进行一次预测，得到第一预测质量数据。然后将第一预测质量数据作为上述AI模型的输入数据，将第一次预测得到的第一预测质量数据用于AI模型预测，得到第二预测质量数据。将目标机理模型预测的数据作为AI模型的输入数据，可以使AI模型预测的第二预测质量数据更加接近第一配合煤炼制出的焦炭的真实质量数据。
在一种可能的实施方式中，所述将所述第一预测质量数据、所述煤岩图像和所述第一配合煤的检测数据进行融合，得到特征数据，包括：在所述第一配合煤的煤光片中确定多个目标点，获取所述多个目标点中每个目标点对应的煤岩图像，得到所述第一配合煤对应的多个煤岩图像；对所述多个煤岩图像中的每个煤岩图像进行分类，确定所述每个煤岩图像对应的组分，其中，所述每个煤岩图像对应的组分为镜质组、丝质组或壳质组中的任意一种；根据所述每个煤岩图像对应的组分，获得所述第一配合煤中各个组分的含量；将所述第一预测质量数据、所述第一配合煤中各个组分的含量以及所述第一配合煤的检测数据进行融合，得到所述特征数据。
通过对第一配合煤的煤岩图像进行识别，得到第一配合煤中各组分的含量，将第一配合煤中的各组分的含量作为上述AI模型的输入数据，使AI模型可以根据第一配合煤的各组分数据预测第一配合煤炼制的焦炭的第二预测质量数据，从而使第二预测质量数据更加接近第一配合煤炼制出的焦炭的真实质量数据。
在一种可能的实施方式中，所述第一配合煤的检测数据包括所述第一配合煤的以下数据中的一种或多种：灰分、挥发分、硫分、干基挥发分值、粘结指数、最大胶质层厚度、催化指数、镜质组反射率数据、镜质组发射率分布数据、灰分金属矿物质含量数据或吉氏流动度数据。通过获取第一配合煤的上述多种指标数据训练上述AI模型，可以是上述AI模型的预测结果更加准确，AI模型的泛化能力更强。
第二方面，本申请实施例提供一种焦炭质量预测装置，包括：
获取模块，用于获取第一配合煤的检测数据；
处理模块，用于根据所述第一配合煤的检测数据和目标机理模型，预测所述焦炭的第一预测质量数据，其中，所述第一配合煤被炼制后形成所述焦炭；
获取模块，用于获取所述第一配合煤的煤岩图像，所述煤岩图像表征所述第一配合煤中的各个组分的含量；
处理模块，用于根据所述第一预测质量数据、所述煤岩图像、所述第一配合煤的检测数据和焦炭质量预测模型，预测所述焦炭的第二预测质量数据，其中，所述焦炭质量预测模型为经过训练后的人工智能AI模型。
在一种可能的实施方式中，上述AI模型可以采用XGBoost模型，也可以采用一种卷积神经网络模型。
在一种可能的实施方式中，所述处理模块具体用于：将所述第一预测质量数据、所述煤岩图像和所述第一配合煤的检测数据进行融合，获得特征数据；输入所述特征数据至所述焦炭质量预测模型，预测所述第二预测质量数据。
在一种可能的实施方式中，所述目标机理模型为线性模型，所述目标机理模型的参数由第二配合煤的检测数据、所述第二配合煤炼制的焦炭的真实质量数据计算得到。
在一种可能的实施方式中，所述获取模块，还用于在所述第一配合煤的煤光片中确定多个目标点，获取所述多个目标点中每个目标点对应的煤岩图像，得到所述第一配合煤对应的多个煤岩图像；所述处理模块，还用于：对所述多个煤岩图像中的每个煤岩图像进行分类，确定所述每个煤岩图像对应的组分，其中，所述每个煤岩图像对应的组分为镜质组、丝质组或壳质组中的任意一种；根据所述每个煤岩图像对应的组分，获得所述第一配合煤中各个组分的含量；将所述第一预测质量数据、所述第一配合煤中各个组分的含量以及所述第一配合煤的检测数据进行融合，得到所述特征数据。
在一种可能的实施方式中，所述焦炭质量预测模型是根据第二配合煤炼制的焦炭的第三预测质量数据、所述第二配合煤的煤岩图像以及所述第二配合煤的检测数据训练得到的。
在一种可能的实施方式中，所述第一配合煤的检测数据包括所述第一配合煤的以下数据中的一种或多种：灰分、挥发分、硫分、干基挥发分值、粘结指数、最大胶质层厚度、催化指数、镜质组反射率数据、灰分金属矿物质含量数据或吉氏流动度数据。
第三方面，本申请实施例提供一种焦炭质量预测系统，包括处理器和存储器；所述存储器用于存储指令，所述处理器用于执行所述指令，当所述处理器执行所述指令时，所述系统执行上述第一方面或上述第一方面任意可能的实施方式中所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行上述第一方面或上述第一方面任意可能的实施方式中所述的方法。
第五方面，本申请实施例提供一种计算机程序产品，该计算机程序产品包括指令，当该计算机程序产品被计算机执行时，使得计算机可以执行上述第一方面或上述第一方面任意可能的实施方式中所述的方法。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种预测装置的部署示意图。
图2是本申请实施例提供的另一种预测装置的部署示意图。
图3是本申请实施例提供的一种焦炭质量预测模型训练方法的流程示意图。
图4是本申请实施例提供的一种焦炭质量预测模型预测方法的流程示意图。
图5是本申请实施例提供的一种预测装置的结构示意图。
图6是本申请实施例提供的一种训练装置的结构示意图。
图7是本申请实施例提供的一种焦炭质量预测系统的结构示意图。
图8是本申请实施例提供的另一种焦炭质量预测系统的结构示意图。
具体实施方式
为了帮助本领域技术人员更好地理解本申请的技术方案，首先对本申请实施例中所涉及到的一些概念进行介绍。
焦炭，是固体燃料的一种，主要用作冶炼钢铁或者其他金属。焦炭质量的波动会给高炉生产造成很大的影响，因此，在炼焦之前，根据配合煤的相关参数对焦炭质量进行预测十分重要。对焦炭质量进行预测主要是通过配合煤的相关参数预测焦炭的质量数据，通过质量数据判断炼制的焦炭是否符合要求的质量。其中，质量数据包括焦炭灰分、焦炭挥发分、焦炭硫分、焦炭耐磨强度M10、焦炭抗碎强度M40、焦炭抗碎强度M25、焦炭反应后强度CSR或焦炭反应性CRI中的任意一种或者多种。
配合煤，是指为了生产符合质量要求的焦炭，把不同种类的原料煤按照适当的比例混合而成的用于炼焦的煤。炼焦用煤品种较多，应用配煤技术得到的配合煤进行炼焦，在保证焦炭质量的同时，可以合理利用煤炭资源，节约优质炼焦煤。
水分，是指配合煤中水的质量占配合煤的质量的百分比。
空气干燥基灰分，简称灰分，是指样品(配合煤或者焦炭)煅烧后的残留物的质量在样品中的百分比。
干燥无灰基挥发分，简称挥发分，是指样品中有机质质量占样品质量的百分比。
空气干燥基挥发分，简称干基挥发分，是指样品中干物质(包括灰和有机质)的质量占样品质量的百分比。
配合煤的煤岩指标数据包括煤岩的镜质组随机反射率(random reflectance ofvitrinite)上限、镜质组随机反射率下限、镜质组随机反射率平均值、镜质组最大反射率平均值、镜质组随机反射率标准差以及镜质组随机反射率分布的凹口数中的部分或者全部。
配合煤的煤岩反射率分布数据为上述镜质组随机反射率的值的分布数据，镜质组随机反射率一般分布在0.01～3.49之间，若以0.01为间隔统计镜质组随机反射率的分布数据，镜质组随机反射率会分布在350组区间内，每个区间对应的数据表示镜质组随机反射率的值落在该区间的比例。例如，在配合煤的光片上选取1000个点测镜质组随机反射率，其中有100个镜质组随机反射率的值位于(0.69，0.70]这个区间内，则(0.69，0.70]这个区间对应的数据为10％。
配合煤的灰分金属矿物质含量数据包括灰成分二氧化硅SiO2含量、灰成分氧化铝Al2O3含量、灰成分氧化铁Fe2O3含量、灰成分二氧化钛TiO2含量、灰成分氧化钾K2O含量、灰成分氧化钠Na2O含量、灰成分氧化钙CaO含量、灰成分氧化镁MgO含量、灰成分氧化锰MnO含量、灰成分氧化钡BaO含量中的部分或者全部。其中，上述各金属矿物质的含量是指各金属矿物质在配合煤灰分中的百分比含量，例如，灰成分SiO2含量为16％。需要说明的是，上述列举的10种金属矿物质仅用作举例，配合煤的灰分中还可以包括更多或者更少种类的金属矿物质。
配合煤的吉氏流动度数据用于表征煤在热解过程中生成胶质体的黏度，是煤的塑性指标之一。吉氏流动度数据包括配合煤的初始软化温度、最大流动温度、最后流动温度、固化温度、塑性范围、最大吉氏流动度以及最大吉氏流动度对数值中的部分或者全部。
本申请实施例中，对焦炭质量进行预测是指对焦炭的质量数据进行预测，根据焦炭的质量数据评估焦炭是否满足炼焦需求。在一种实施例中，焦炭的质量数据包括灰分、挥发分、硫分、耐磨强度M10、抗碎强度M25、抗碎强度M40、反应后强度CSR或反应性CRI中的部分或者全部。例如，当质量数据包括灰分、抗碎强度M40与反应后强度CSR时，若焦炭的灰分小于或者等于15％、抗碎强度M40大于或者等于74％且反应后强度CSR大于或者等于55％的焦炭，则确定该焦炭满足需求。可以理解，上述焦炭的质量数据仅用于举例，不能理解为具体限定。
当前焦化企业进行焦炭质量的预测一般是在各自使用的配合煤以及工艺条件的基础上，通过大量试验利用简单的线性回归算法建立线性模型，通过建立的线性模型以及配合煤对焦炭的质量进行预测。通常，业界将建立的线性模型也称为机理模型，通过机理模型可以对焦炭的某一个或多个质量数据进行预测。例如，对焦炭灰分和硫分进行预测的机理模型如下述(公式1)中所示，
其中，A焦和S焦分别表示焦炭的灰分值和硫分值，A煤和S煤分别表示配合煤的灰分值和硫分值。对焦炭的抗碎强度M40以及反应后强度(CSR)进行预测的机理模型如下述(公式2)所示，
其中，Vdaf表示配合煤的挥发分，G表示配合煤粘结指数，Y表示配合煤胶质层厚度，ρ表示配合煤密度，MCI表示配合煤矿物质催化指数，α、β和γ为回归系数，n为经验常数，δ为基准煤的MCI值。
上述机理模型主要是基于实验室数据、经验数据以及线性回归的方法进行拟合得到的，未考虑到配合煤的复杂性，在对焦炭质量进行预测时提取的配合煤的特征较少，无法对配合煤各特征进行有效的建模，因此预测结果误差较大，泛化能力差。
本申请实施例提供一种焦炭质量预测方法，该方法由预测装置执行，预测装置的部署较为灵活。
图1是本申请实施例提供的一种预测装置的部署示意图，预测装置可部署在云环境中，云环境是云计算模式下利用基础资源向用户提供云服务的实体。云环境包括云数据中心和云服务平台，所述云数据中心包括云服务提供商拥有的大量基础资源(包括计算资源、存储资源和网络资源)。云数据中心包括的计算资源可以是大量的计算设备(例如服务器)。预测装置可以是云数据中心中用于对焦炭质量数据进行预测的服务器；预测装置也可以是创建在云数据中心中的用于对焦炭质量数据进行预测的虚拟机；预测装置还可以是部署在云数据中心中的服务器或者虚拟机上的软件装置，该软件装置用于对焦炭质量数据进行预测，该软件装置可以分布式地部署在多个服务器上、或者分布式地部署在多个虚拟机上、或者分布式地部署在虚拟机和服务器上。如图1所示，预测装置由云服务提供商在云服务平台抽象成一种预测焦炭质量数据的云服务提供给用户，用户在云服务平台购买该云服务后，云服务平台利用预测装置向用户提供预测焦炭质量数据的云服务，用户使用的终端设备可以通过应用程序接口(application program interface，API)或者通过云服务平台提供的网页界面上传用于炼制焦炭的配合煤的相关数据至云服务平台，由预测装置接收配合煤的相关数据，对配合煤的相关数据进行计算得到焦炭的预测质量数据，计算得到的焦炭的预测质量数据由预测装置返回至用户使用的终端设备，或者存储在云环境，例如：呈现在云服务平台的网页界面上供用户查看。
图2是本申请实施例提供的另一种预测装置的部署示意图，预测装置还可以部署在用户使用的终端设备(如：服务器、笔记本电脑、平板电脑、个人台式电脑)中。预测装置中进行焦炭质量预测采用的是训练好的焦炭质量预测模型。，本申请实施例中，采用训练装置训练焦炭质量预测模型，训练装置可以部署在上述云环境的云数据中心中，训练装置在根据样本数据训练焦炭质量预测模型之后，用户可以通过其使用的终端设备从云环境中将焦炭质量预测模型下载至该终端设备中，在终端设备构建预测装置。在需要预测焦炭质量数据时，用户只需上传用于炼制焦炭的配合煤的相关数据至终端设备，由预测装置接收配合煤的相关数据，对配合煤的相关数据进行计算得到焦炭的预测质量数据，计算得到的焦炭的预测质量数据呈现在终端设备的显示界面上供用户查看。
在一种可能的实施方式中，上述预测装置还可以部署在边缘数据中心，上述边缘数据中心是部署在距离用户使用的终端设备较近的边缘计算设备的集合。
本申请实施例中，上述训练装置可以部署在云环境的云数据中心中，也可以部署在边缘数据中心，上述训练装置在云环境的数据中心中的部署方式可以参照上述预测装置在云环境的云数据中心中的部署方式，在此不再赘述。上述预测装置与上述训练装置可以部署在相同环境中，也可以部署在不同的环境中，若预测装置与训练装置部署在相同的环境中，预测装置与训练装置可以部署在同一个计算设备中，也可以部署在不同的计算设备中。
在训练阶段，通过历史使用过的样本配合煤的数据以及通过上述样本配合煤已经炼制出来的样本焦炭的真实质量数据对焦炭质量预测模型进行训练。具体的，如图3所示，训练方法如下：
S301、根据样本配合煤的检测数据、样本焦炭的真实质量数据以及预设机理模型，获得目标机理模型。
上述样本配合煤是已经用于炼制焦炭的配合煤，上述样本焦炭是利用样本配合煤炼制的焦炭。上述检测数据是对配合煤进行检测和分析得到的数据，包括配合煤的工业指标数据、配合煤的煤岩指标数据、配合煤的灰分金属矿物质含量数据、配合煤的吉氏流动度数据以及配合煤的煤岩反射率分布数据五类数据中的部分或者全部。上述真实质量数据是对炼制成的焦炭进行实际检测测得的质量数据，包括焦炭灰分、焦炭硫分、焦炭耐磨强度M10、焦炭抗碎强度M40、焦炭抗碎强度M25、焦炭反应后强度CSR以及焦炭反应性CRI中的部分或者全部。上述目标机理模型用于根据配合煤的检测数据预测焦炭的质量数据。
本申请实施例中，上述样本配合煤包括一份或者多份，每份样本配合煤对应一组检测数据，每份样本配合煤对应一份利用该样本配合煤炼制成的样本焦炭，每份样本焦炭对应一组真实质量数据，即一份样本配合煤的检测数据对应一份样本焦炭的真实质量数据，一份样本焦炭的真实质量数据对应一份样本配合煤的检测数据。
上述配合煤的工业指标数据包括配合煤的灰分值、挥发分值、干基挥发分、硫分值、粘结指数值、最终收缩度值、最大胶质层厚度值、样本配合煤水分、金属氧化物含量以及炼焦煤细度中的部分或者全部。样本配合煤的煤岩指标数据包括的数据可参照上述配合煤的煤岩指标数据；上述样本配合煤的灰分金属矿物质含量数据包括的数据可参照上述配合煤的灰分金属矿物质含量数据；上述样本配合煤的吉氏流动度数据包括的数据可参照上述配合煤的吉氏流动度数据，在此不再赘述；上述样本配合煤的煤岩反射率分布数据可参照上述配合煤的煤岩反射率分布数据。
本申请实施例中，将上述机理模型中的参数作为未知参数，以参数未知的机理模型为预设机理模型，通过样本配合煤的检测数据以及样本焦炭的真实质量数据，重新拟合上述预设机理模型中的参数，得到目标机理模型。示例性的，
根据成焦机理分析，焦炭灰分与配合煤灰分呈现线性关系，因此，可以基于如下机理公式建立焦炭灰分与配合煤灰分之间的关系，
其中，上述Ad炭1表示焦炭的灰分值，Ad煤1表示配合煤的灰分值，Vd煤1表示配合煤的干基挥发分值，a1、b1和c1为未知系数。本申请实施例中，根据上述多份样本配合煤的检测数据中的灰分值、干基挥发分值以及对应的样本焦炭的真实质量数据中的焦炭的灰分值，通过拟合得到上述(公式3)中的系数a1、b1和c1。
焦炭的硫分与配合煤的硫分同样呈现线性关系。因此，可以基于如下机理公式建立焦炭的硫分与配合煤的硫分之间的关系，
其中，上述Std炭1表示焦炭的硫分值，Std煤1表示配合煤的硫分值，Vd煤1表示配合煤的干基挥发分值，a2、b2和c2为未知系数。本申请实施例中，根据上述多份样本配合煤的检测数据中的硫分值、干基挥发分值以及对应的样本焦炭的真实质量数据中的硫分值，通过拟合得到上述(公式4)中的系数a2、b2和c2。
根据成焦机理分析，焦炭耐磨强度M10、焦炭抗碎强度M40以及焦炭抗碎强度M25均与配合煤挥发分、配合煤的粘结指数以及配合煤的最大胶质层厚度呈现线性关系，因此，可以基于如下机理公式建立焦炭的M10、M25以及M40与配合煤检测数据之间的关系，
其中，Vdaf煤1表示配合煤的挥发分值，G煤1表示配合煤的粘结指数G值，Y煤1表示配合煤的最大胶质层厚度Y值。a3、b3、c3和d3，a4、b4、c4和d4，a5、b5、c5和d5均为未知系数。本申请实施例中，根据上述样本配合煤的检测数据中的挥发分值、粘结指数G值、最大胶质层厚度Y值以及对应的样本焦炭的真实质量数据中的M10值，通过拟合得到上述(公式5)中的系数a3、b3、c3和d3；根据上述样本配合煤的检测数据中的挥发分值、粘结指数G值、最大胶质层厚度Y值以及对应的样本焦炭的真实质量数据中的M25值，通过拟合得到上述(公式5)中的系数a4、b4、c4和d4；根据上述样本配合煤的检测数据中的挥发分值、粘结指数G值、最大胶质层厚度Y值以及对应的样本焦炭的真实质量数据中的M40值，通过拟合得到上述(公式5)中的系数a5、b5、c5和d5。
根据成焦机理分析，焦炭的反应后强度CSR以及反应性CRI主要与配合煤的灰分、挥发分、粘结指数以及灰分中金属氧化物含量有关，因此，可以基于如下机理公式建立焦炭的反应后强度CSR以及反应性CRI与配合煤检测数据之间的关系，
其中，MCI煤1表示由金属氧化物含量计算得到的催化指数。a6、b6、c6、d6以及e1均为未知系数，a7、b7、c7、d7以及e2均为未知系数。根据上述样本配合煤的检测数据中的灰分值、挥发分值、粘结指数G值、催化指数以及样本焦炭的真实质量数据中的反应后强度CSR值，通过拟合得到上述(公式6)的a6、b6、c6、d6以及e1。根据上述样本配合煤的检测数据中的灰分值、挥发分值、粘结指数G值、催化指数以及样本焦炭的真实质量数据中的反应性CRI的值，通过拟合得到上述(公式6)的a7、b7、c7、d7以及e2。
通过上述样本配合煤的检测数据、样本焦炭的真实质量数据以及上述预设机理模型(包括(公式3)～(公式6))，可以计算得到预设机理模型中各个公式的参数，然后将计算得到的各个参数带入上述对应的公式中，将上述(公式3)～(公式6)中的未知系数作为已知系数，已知参数作为未知参数，即可得到目标机理模型。例如，目标机理模型中计算硫分值的机理公式如下：
其中，a2、b2和c2为已知系数，Std煤2表示配合煤的硫分值，Ad煤2表示配合煤的灰分值，Vd煤2表示配合煤的干基挥发分值，Std炭2表示利用上述机理公式预测的配合煤炼制的焦炭的硫分值。
S302、根据样本配合煤的检测数据与目标机理模型，计算得到利用样本配合煤炼制的样本焦炭的预测质量数据。
在确定上述目标机理模型之后，可以根据用于炼制焦炭的配合煤的检测数据，预估炼制的焦炭的预测质量数据。
在焦炭质量预测模型的训练阶段，根据上述样本配合煤的检测数据与上述目标机理模型，可以计算得到利用上述样本配合煤炼制的焦炭的预测质量数据，例如样本焦炭的预测灰分值Ad炭2、样本焦炭的预测硫分值Std煤2、样本焦炭的预测耐磨强度值M102等。
S303、获取样本配合煤的煤岩图像。
上述煤岩图像是在显微镜下拍摄的煤光片上选择的目标点的显微图像，煤岩图像表征配合煤中的各个组分的含量。其中，每份样本配合煤对应一个煤光片，配合煤的组分包括镜质组、丝质组以及壳质组，煤光片是将煤块的表面磨平、打光制成的一种光片，用于在反光显微镜下对煤进行研究。
在一种具体的实施例中，通过对煤岩图像进行识别可以识别煤岩中的镜质组、丝质组以及壳质组，并确定配合煤中镜质组、丝质组和壳质组的含量。示例性的，在获取样本配合煤的煤光片之后，首先在样本配合煤的煤光片上确定多个目标点，在显微镜下获取这多个目标点对应的多个煤岩图像，其中，每个目标点对应一个煤岩图像；然后分别对每个煤岩图像进行分解，提取每个煤岩图像的纹理特征以及方向特征；根据训练好的分类模型以及上述纹理特征与方向特征，得到各个煤岩图像对应的类别，每个煤岩图像对应的类别为镜质组、丝质组或壳质组中的任意一种；最后统计上述多个煤岩图像中被识别为镜质组的煤岩图像的数量、被识别为丝质组的煤岩图像的数量以及被识别为壳质组的煤岩图像的数量，进而根据各组分对应的数量，确定每个组分在样本配合煤中的含量。例如，在配合煤的光片中选取1000个目标点，这1000个目标点中被识别为镜质组的由600个，被识别为丝质组的有290个，被识别为壳质组的有110个，则样本配合煤中镜质组、丝质组与壳质组的含量分别为60％、19％以及11％。
需要说明的是，上述配合煤的组分包括镜质组、丝质组以及壳质组仅用于举例，不能理解为具体限定，例如，配合煤中的镜质组还可以细分为镜质体、无结构镜质体和碎屑镜质体等组分，通过煤岩图像还可以识别出上述镜质体、无结构镜质体和碎屑镜质体等组分并计算含量，本申请中以识别上述镜质组、丝质组与壳质组并计算各自的含量为例进行说明。
可以理解，上述提取煤岩图像的纹理特征与方向特征的方法可以是基于轮廓波变换的方法，可以是基于小波变换的方法，还可以是基于方向梯度直方图的方法，本申请实施例不做具体限定。上述分类模型可以是AI模型，例如：可以是基于支持向量机(supportvector machine，SVM)的模型，也可以是基于神经网络的模型，本申请实施例不做具体限定。
S304、根据样本配合煤的检测数据、样本配合煤的煤岩图像以及样本焦炭的预测质量数据，构建样本配合煤的特征数据。
其中，上述样本配合煤的检测数据包括样本配合煤的工业指标数据、样本配合煤的煤岩指标数据、样本配合煤的灰分金属矿物质含量数据、样本配合煤的吉氏流动度数据以及样本配合煤的煤岩反射率分布数据五类数据中的部分或者全部。
本申请实施例中，以样本配合煤的检测数据包括上述五类数据为例进行说明，若上述五类数据均包括上述每类数据中所列出的数据，例如，样本配合煤的工业指标数据包括上述样本配合煤的灰分、挥发分、干基挥发分、硫分等10个配合煤指标数据；样本配合煤的煤岩指标数据包括镜质组随机反射率(random reflectance of vitrinite)上限、镜质组随机反射率下限、镜质组随机反射率平均值、凹口数等6个配合煤指标数据；样本配合煤的灰分金属矿物质含量数据包括Fe2O3含量、TiO2含量、K2O含量等10个配合煤指标数据；样本配合煤的吉氏流动度数据包括配合煤的初始软化温度、最大流动温度、最后流动温度等7个配合煤指标数据；样本配合煤的煤岩镜质组反射率分布数据包括350个区间对应的数据，则每份样本配合煤的检测数据包括383个配合煤指标数据。
上述样本配合煤的煤岩图像对应上述样本配合煤中镜质组、丝质组与壳质组3种组分的组分含量数据。
上述样本焦炭的预测质量数据包括样本焦炭的预测灰分值、样本焦炭的预测硫分值、预测焦炭耐磨强度M10、预测焦炭抗碎强度M40、预测焦炭抗碎强度M25、预测焦炭反应后强度CSR以及预测焦炭反应性CRI这7个数据。
将每份样本配合煤的检测数据、每份样本配合煤的组分含量数据以及每份样本焦炭的预测质量数据进行融合，得到每份样本配合煤对应的特征数据，每份样本配合煤对应的特征数据包括配合煤的n个指标对应的n个数值，多份样本配合煤的特征数据构成特征数据集。如果样本配合煤包括m份，则构建的特征数据集X(X∈Rmxn)为一个m行n列的矩阵，其中，矩阵的每一行包括一组样本配合煤对应的检测数据、组分含量数据以及预测质量数据组成的特征数据，矩阵的每一列为不同样本配合煤的同一项配合煤指标的数据。
在一种可能的实施方式中，在构建上述特征数据集X之后，还需要对上述特征数据集X进行特征工程处理，然后采用独立重复采样对特征数据集X进行随机重排。本申请实施例中，特征工程处理主要包括相关性分析，通过计算相关系数确定上述配合煤特征数据集中的特征与真实焦炭质量数据的相关度。随机重排是m行数据和n列数据的顺序分别进行重新排序以保证训练样本的独立性。
S305、根据特征数据集与样本焦炭的真实质量数据，对焦炭质量预测模型进行训练，得到训练好的焦炭质量预测模型。
本申请实施例中，由于焦炭的质量数据包括灰分、硫分、挥发分、耐磨强度M10、抗碎强度M25、抗碎强度M40、反应后强度CSR以及反应性CRI中的部分或者全部，对于每一个质量数据需要训练得到该质量数据对应的焦炭质量预测模型，如果需要预测上述8个质量数据，则训练装置训练这8个质量数据对应的8个焦炭质量预测模型。其中，上述焦炭质量预测模型为人工智能AI模型，例如机器学习模型或者深度学习模型。
下面以训练耐磨强度M10对应的焦炭质量预测模型为例，将上述每份样本焦炭的真实质量数据作为训练焦炭质量预测模型时特征数据集中每份样本配合煤的特征数据对应的标签(label)。然后将包括特征数据集X(X∈Rmxn)以及特征数据集中每组特征数据对应的标签Y(Y∈Rmxp，p为焦炭质量数据的个数)的训练集(X，Y)输入到焦炭质量预测模型中进行训练，得到训练好的焦炭质量预测模型。其中，Y为样本焦炭对应的真实耐磨强度M10的值，
在一种可能的实施方式中，上述焦炭质量预测模型采用XGBoost模型，其中，XGBoost模型为一种提升树模型，该模型将许多树模型集成在一起，形成一个强分类器。XGBoost算法的基本思想为在训练过程中不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，相当于学习一个新函数，去拟合上次预测的残差，直至XGBoost模型的目标函数满足预设条件，则停止树的。示例性的，在训练时，采用K折交叉验证的方式对模型进行训练，将上述训练集Z(Z包括上述X和Y)中的数据拆分为K份(Z1，Z2，…，ZK)，每次训练将其中的K-1份的数据作为训练数据，对XGBoost进行训练学习，得到一个XGBoost模型。然后用除上述K-1份之外的另外一份Zi(i为当前的迭代次数)作为测试数据，用于评估得到的XGBoost模型的训练结果。总共重复K次训练，可以得到K个模型及每个模型对应的训练结果，再根据K个训练结果选岀K个模型中训练结果最好的模型作为最终的用于预测耐磨强度M10的XGBboost模型。每次训练时，通过计算XGBoost的目标函数值确定当前模型是否满足要求，其中，该目标函数包括损失函数和正则项两部分，损失函数用来衡量焦炭质量数据的预测值与真实值之间的差异，确保模型预测准确；正则项用来确保模型的复杂度不会过高，值越小表示模型复杂度越低，焦炭质量预测模型的泛化能力越强。当前后两次目标函数值的减少量大于或等于预设阈值时，根据目标函数调整XGBoost的模型参数，继续进行迭代训练；当前后两次目标函数值的减少量小于预设阈值时，停止上述迭代过程，此时的XGBoost模型即为此次训练出的符合要求的XGBoost模型。
训练装置通过上述方法可以分别训练出各个质量数据对应的焦炭质量预测模型，例如训练反应后强度CSR对应的焦炭质量预测模型时，将上述标签Y替换为样本焦炭的真实反应后强度CSR的值，可以训练得到质量数据中反应后强度CSR对应的焦炭质量预测模型。
在一种可能的实施方式中，将上述样本配合煤的特征数据集X(X∈Rmxn)与特征数据集中每组特征数据对应的标签Y(Y∈Rmxp)拆分为训练集(X1，Y1)与测试集(X2，Y2)。其中，X1∈Rixn，X2∈Rjxn,Y1∈Rixp,Y2∈Rjxp，i+j＝m，且i和j均为正整数，即将特征数据集X(X∈Rmxn)与特征数据集中每组特征数据对应的标签Y(Y∈Rmxp)中的a组作为训练数据，另外b组数据作为测试数据，根据上述a组数据对焦炭质量预测模型进行训练，并用上述b组数据对训练后得到的模型进行测试。
在一种可能的实施方式中，上述S301中，在获取样本配合煤的检测数据，根据样本配合煤的检测数据、样本焦炭的真实质量数据以及预设机理模型，获得目标机理模型之后，需要对样本配合煤的检测数据进行数据预处理，将预处理之后的检测数据作为特征数据集X中的数据。其中，数据预处理包括填写空缺值、平滑数据噪声以及归一化处理等。
在一种可能的实施方式中，上述每个样本配合煤的煤岩反射率分布数据对应有350个区间的数据，可以对上述350个区间进行分箱处理，例如，将350个区间的数据进行数据分箱得到10个新的区间，比如，将上述0.01～3.49之间的数据分为(0，0.5]、(0.5，0.65]、(0.65，0.8]、(08，0.9]、(0.9，1.2]、(1.2，1.5]、(1.5，1.7]、(1.7，1.9]、(1.9，2.5]以及(2.5，3.49]十个区间。分别统计这10个区间的煤岩反射率分布数据，从而将350个数据降维为10个，可以减少运算量，提高训练效率。可以理解，上述将350个区间的数据转换为10个区间仅用作举例，不能理解为具体限定。
在一种可能的实施方式中，上述S303中，在获取到样本配合煤的煤岩图像之后，可以不根据煤岩图像确定配合煤中镜质组、丝质组和壳质组的含量，直接将煤岩图像作为输入数据，在S304中，将每个样本配合煤的检测数据、样本配合煤的煤岩图像以及样本焦炭的预测质量数据作为样本配合煤的特征数据。
在一种可能的实施方式中，上述样本配合煤的预测质量数据可以是由其他设备通过目标机理模型计算得到的，即上述目标机理模型参数的拟合可以在其他设备中进行，该目标机理模型可以部署在其他设备中。
通过上述方法得到训练好的质量预测模型之后，在需要利用待炼制配合煤炼制目标焦炭时，在获取到待炼制配合煤的检测数据之后，先根据待炼制配合煤的检测数据以及目标机理模型，计算得到利用待炼制配合煤炼制的目标焦炭的初始预测质量数据；然后将初始预测质量数据、待炼制配合煤的检测数据以及待炼制配合煤的煤岩图像数据输入到上述训练好的焦炭质量预测模型中，从而可以得到目标焦炭的目标预测质量数据。如图4所示，图4是本申请实施例提供的一种焦炭质量预测方法，该方法包括：
S401、获取待炼制配合煤的检测数据，根据待炼制配合煤的检测数据和目标机理模型，获得利用待炼制配合煤炼制的目标焦炭的初始预测质量数据。
在采用待炼制配合煤炼制焦炭之前，用户采集待炼制配合煤的一份或者多份样本，然后获取这一份或者多份样本中每份对应的检测数据，将上述检测数据发送给预测装置。示例性的，若用户采集的是一份待炼制配合煤的样本，则将这一份样本的待炼制配合煤对应的检测数据发送给上述预测装置。若用户采集的是待炼制配合煤的多份样本，则将这多份样本中同一项指标的多个值进行平均之后发送给预测装置，即发送给预测装置的待炼制配合煤的检测数据中，每一项配合煤指标只包括一个数值。例如，用户采集待炼制配合煤中的10份样本，这10份样本分别对应10个灰分值，用户计算这10个灰分值的平均值，将该平均值作为待炼制配合煤的检测数据中的灰分。
在接收到待炼制配合煤的检测数据之后，根据待炼制配合煤的检测数据以及上述目标机理模型，计算得到待炼制配合煤的初始预测质量数据。其中，初始预测质量数据包括目标焦炭的初始灰分、初始硫分、初始焦炭耐磨强度M10、初始焦炭抗碎强度M25、初始焦炭抗碎强度M40、初始反应后强度CSR以及初始反应性CRI中的全部或者部分。例如，从所述待炼制配合煤的检测数据中获取待炼制配合煤的挥发分、待炼制配合煤的粘结指数值以及待炼制配合煤的最大胶质层厚度值，结合下述(公式8)可以计算得到上述目标焦炭的初始焦炭耐磨强度M10、初始焦炭抗碎强度M25以及初始焦炭抗碎强度M40。
其中，M102为目标焦炭的初始焦炭耐磨强度，M252为初始焦炭抗碎强度，M402为初始焦炭抗碎强度。a3、b3、c3和d3，a4、b4、c4和d4，a5、b5、c5和d5均为目标机理模型中的已知系数，Vdaf煤2表示待炼制配合煤的挥发分，G煤2表示待炼制配合煤的粘结指数G值，Y煤2表示待炼制配合煤的最大胶质层厚度Y值。
S402、获取待炼制配合煤的煤岩图像。
所述待炼制配合煤的煤岩图像表征待炼制配合煤中的各个组分的含量，若上述训练过程中是将样本配合煤中各组分含量输入到焦炭质量预测模型中进行训练，则在预测待炼制配合煤的质量数据时，需要通过待炼制配合煤的煤岩图像确定上述待炼制配合煤中各组分含量。
示例性的，在获取待炼制配合煤的煤光片之后，首先在待炼制配合煤的煤光片上确定多个目标点，在显微镜下获取这多个目标点对应的多个煤岩图像，其中，每个目标点对应一个煤岩图像；然后分别对每个煤岩图像进行分解，提取每个煤岩图像的纹理特征以及方向特征；根据训练好的分类模型以及上述纹理特征与方向特征，得到各个煤岩图像对应的类别，每个煤岩图像对应的类别为镜质组、丝质组或壳质组中的任意一种；最后统计上述多个煤岩图像中被识别为镜质组的煤岩图像的数量、被识别为丝质组的煤岩图像的数量以及被识别为壳质组的煤岩图像的数量，进而根据各组分对应的数量，确定待炼制配合煤中各组分含量。
S403、根据初始预测质量数据、待炼制配合煤的煤岩图像、待炼制配合煤的检测数据和训练好的焦炭质量预测模型，获得利用待炼制配合煤炼制的目标焦炭的目标预测质量数据。
将上述初始预测质量数据、待炼制配合煤各组分含量以及待炼制配合煤的检测数据进行融合，得到待炼制配合煤对应的特征数据。示例性的，若待炼制配合煤的检测数据包括待炼制配合煤的工业指标数据、待炼制配合煤的煤岩指标数据、待炼制配合煤的灰分金属矿物质含量数据、待炼制配合煤的吉氏流动度数据以及待炼制配合煤的煤岩反射率分布数据这五类数据，例如，检测数据包括待炼制配合煤的工业指标数据中的灰分、挥发分、干基挥发分、硫分等10个数据，待炼制配合煤的煤岩指标数据中的镜质组随机反射率上限、镜质组随机反射率下限、镜质组随机反射率平均值、凹口数等6个数据；待炼制配合煤的灰分金属矿物质含量数据中的Fe2O3含量、TiO2含量、K2O含量等10个数据；待炼制配合煤的吉氏流动度数据中的配合煤的初始软化温度、最大流动温度、最后流动温度等7个数据；待炼制配合煤的煤岩镜质组反射率分布数据包括的10个区间对应的数据，则每份待炼制配合煤的检测数据包括43个配合煤指标数据。待炼制配合煤的煤岩图像表征待炼制配合煤的镜质组、丝质组以及壳质组3个组分含量数据，初始预测质量数据包括初始焦炭耐磨强度M10、初始焦炭抗碎强度M25等7个数据，则上述待炼制配合煤对应的特征数据为1x53的矩阵。
将待炼制配合煤对应的特征数据输入至上述训练好的焦炭质量预测模型中，训练好的焦炭质量预测模型通过训练好的焦炭质量预测模型与待炼制配合煤对应特征数据，计算得到目标焦炭的目标预测质量数据。上述目标预测质量数据包括目标焦炭的目标灰分、目标硫分、目标挥发分、目标焦炭耐磨强度M10、目标焦炭抗碎强度M25、目标焦炭抗碎强度M40、反应后强度CSR以及反应性CRI中的部分或者全部。
本申请实施例中，上述焦炭质量预测模型可以采用训练装置训练好的XGBoost模型，或者采用训练装置训练好的神经网络模型。
示例性的，若上述焦炭质量预测模型采用XGBoost模型，采用训练好的焦炭质量预测模型预测上述目标焦炭的对应的目标耐磨强度M10时，将上述待炼制配合煤对应的特征数据输入至耐磨强度M10对应的训练好的XGBoost中。该训练好的XGBoost模型包括k棵决策树，每棵决策树都包括多个节点，具体包括一个根节点、一个或多个内部结点以及一个或多个叶子节点，根节点和内部结点对应有分裂条件。当待炼制配合煤对应的特征数据输入至上述已训练好的XGBoost模型时，会将特征数据迭代送入每棵决策树中，通过根节点或内部节点的分裂条件进行判断来选择对应的分支。针对每层节点迭代进行判断，最终将特征数据分配到最终的叶子节点。此叶子节点上的取值即为该待炼制配合煤对应的特征数据在该棵决策树上的预测分数，将k棵决策树上叶子节点对应的分数相加，即得到目标焦炭的目标耐磨强度M10。
当需要预测目标焦炭的其他质量数据时，将上述特征数据输入至各质量数据对应的焦炭质量预测模型中，即可得到目标焦炭对应的目标预测质量数据。例如，预测目标焦炭的目标反应后强度CSR，将上述特征数据输入至反应后强度CSR对应的焦炭质量预测模型中，即可得到目标反应后强度CSR。
本申请实施例中，先根据机理模型计算得到样本配合煤炼制的焦炭的预测质量数据；再获取用于表征样本配合煤的各组分含量的煤岩图像，最后将样本配合煤的检测数据、样本配合煤的煤岩图像数据以及样本配合煤炼制的焦炭的质量数据输入到AI模型中进行训练，得到训练好的焦炭质量预测模型。通过提取配合煤更多的参数数据用于训练焦炭质量预测模型，使焦炭质量预测模型的泛化能力更强。
另外，通过将待炼制配合煤的检测数据、煤岩图像数据以及通过机理模型预测的第一预测质量数据等配合煤的指标，结合上述AI模型预测焦炭的第二预测质量数据，使第二预测质量数据更加接近待炼制配合煤炼制出的焦炭的真实质量数据。
上文中结合图1至图4详细描述了根据本申请实施例所提供的焦炭质量预测方法，下面结合图5至图8，描述本申请实施例所提供的关于焦炭质量预测的相关装置与系统。参见图5，图5是本申请实施例提供的一种预测装置的结构示意图，该预测装置500包括：获取模块510和处理模块520，其中，
获取模块510，用于获取待炼制配合煤的检测数据，其中，待炼制配合煤为将要用于炼制焦炭的配合煤。
处理模块520，用于根据待炼制配合煤的检测数据和目标机理模型，获得利用待炼制配合煤炼制的焦炭的初始预测质量数据。处理模块520计算初始预测质量数据的方法可参照上述S401中的详细描述，在此不再阐述。
获取模块510，还用于获取所述待炼制配合煤的煤岩图像，其中煤岩图像表征所述第一配合煤中的各个组分的含量。
处理模块520，还用于根据上述初始预测质量数据、上述煤岩图像数据、上述待炼制配合煤的检测数据和焦炭质量预测模型，获得待炼制配合煤炼制的焦炭的目标预测质量数据，其中，上述焦炭质量预测模型为经过训练后的人工智能AI模型，例如XGBoost模型或者神经网络模型。处理模块520获得上述目标预测质量数据的方法可参照上述S403中的详细描述，在此不再阐述。
在一种可能的实施方式中，处理模块520具体用于：将初始预测质量数据、待炼制配合煤的煤岩图像数据和待炼制配合煤的检测数据进行融合，获得特征数据；输入上述特征数据至焦炭质量预测模型，获得上述目标预测质量数据。
在一种可能的实施方式中，获取模块510还用于在待炼制配合煤的煤光片中确定多个目标点，获取这多个目标点中每个目标点对应的煤岩图像，得到待炼制配合煤对应的多个煤岩图像。
处理模块520，还用于：对上述多个煤岩图像中的每个煤岩图像进行分类，确定每个煤岩图像对应的组分，其中，所述每个煤岩图像对应的组分为镜质组、丝质组或壳质组中的任意一种；根据每个煤岩图像对应的组分，获得待炼制配合煤中各个组分的含量；将初始预测质量数据、待炼制配合煤中各个组分的含量以及待炼制配合煤的检测数据进行融合，得到上述特征数据。处理模块520获得待炼制配合煤中各个组分的含量的方法可参照上述S402中的详细描述，在此不再赘述。
在一种可能的实施方式中，上述焦炭质量预测模型是根据样本配合煤炼制的焦炭的预测质量数据、样本配合煤的煤岩图像数据以及样本配合煤的检测数据训练得到的，样本配合煤为已经用于炼制焦炭的配合煤。
具体的，上述预测装置500中获取模块510或者处理模块520实现焦炭质量预测的方法可参照上述方法实施例中的操作，在此不再赘述。
参见图6，图6是本申请实施例提供的一种训练装置的结构示意图，该训练装置600包括：获取模块610和处理模块620，其中，
获取模块610，用于获取样本配合煤的检测数据、样本焦炭的真实质量数据以及预测机理模型。样本配合煤是已经用于炼制焦炭的配合煤，样本焦炭是利用样本配合煤炼制的焦炭，上述检测数据是对配合煤进行检测和分析得到的数据。对于上述样本配合煤的检测数据、样本焦炭的真实质量数据以及预测机理模型的详细描述可参照上述S301中的相关描述，在此不再赘述。
处理模块620，用于：根据样本配合煤的检测数据、样本焦炭的真实质量数据以及预设机理模型，获得目标机理模型。处理模块620根据上述数据与预设机理模型获取目标机理模型的方法参见上述S301中的详细描述，在此不再赘述。
根据样本配合煤的检测数据与目标机理模型，计算得到利用样本配合煤炼制的样本焦炭的预测质量数据。处理模块620计算样本焦炭的预测质量数据的方法可参照上述S302中的详细描述，在此不再赘述。
获取模块610，还用于获取样本配合煤的煤岩图像。
处理模块620，还用于：根据样本配合煤的检测数据、样本配合煤的煤岩图像以及样本焦炭的预测质量数据，构建样本配合煤的特征数据。处理模块620构建样本配合煤的特征数据的方法可参照上述S304中的详细表述，在次不再赘述。
根据特征数据集与样本焦炭的真实质量数据，对焦炭质量预测模型进行训练，得到训练好的焦炭质量预测模型。处理模块620训练焦炭质量预测模型的方法参照上述S305中的详细表述，在次不再赘述。
在一种可能的实施方式中，处理模块620还用于根据上述样本配合煤的煤岩图像确定样本配合煤中各组分的含量，处理模块620确定样本配合煤中各组分的含量的方法可参见上述S303中的详细描述，在此不再赘述。
本申请还提供一种焦炭质量预测系统，该系统可以包括一个或者多个计算设备，当该系统包括一个计算设备时，该系统的结构示意图可参见图7，当该系统包括多个计算设备时，该系统的结构示意图可参见图8。
参见图7，图7是本申请实施例提供的一种计算设备700的示意图，该计算设备700包括：一个或者多个处理器710、通信接口720以及存储器730，所述处理器710、通信接口720以及存储器730通过总线740相互连接，其中，
所述处理器710执行各种操作的具体实现可参照上述方法实施例中的具体操作。例如处理器710用于执行上述图4中S401～S403的操作，在此不再赘述。
处理器710可以有多种具体实现形式，例如处理器710可以为中央处理器(centralprocessing unit，CPU)或图像处理器(graphics processing unit，GPU)，处理器710还可以是单核处理器或多核处理器。处理器710可以由CPU和硬件芯片的组合。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic，GAL)或其任意组合。处理器710也可以单独采用内置处理逻辑的逻辑器件来实现，例如FPGA或数字信号处理器(digital signal processor，DSP)等。
通信接口720可以为有线接口或无线接口，用于与其他模块或设备进行通信，有线接口可以是以太接口、局域互联网络(local interconnect network，LIN)等，无线接口可以是蜂窝网络接口或使用无线局域网接口等。本申请实施例中通信接口720具体可用于执行上述S401中获取待炼制配合煤的检测数据或者S402中获取煤岩图像等操作。
存储器730可以是非易失性存储器，例如，只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。存储器730也可以是易失性存储器，易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
存储器730也可用于存储程序代码和数据，以便于处理器710调用存储器730中存储的程序代码执行上述方法实施例中实现焦炭质量预测的操作步骤。此外，计算设备700可能包含相比于图7展示的更多或者更少的组件，或者有不同的组件配置方式。
总线740可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。所述总线740可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，该计算设备700还可以包括输入/输出接口750，输入/输出接口750连接有输入/输出设备，用于接收输入的信息，输出操作结果。
具体地，上述计算设备700执行各种操作的具体实现可参照上述方法实施例中S401～S403执行的具体操作，在此不再赘述。
由于本申请提供的预测装置500中的各个模块可以分布式地部署在同一环境或者不同环境中的多个计算设备上，因此，本申请还提供一种如图8所示的系统，该系统包括多个计算设备800，每个计算设备800包括一个或者多个处理器810、通信接口820以及存储器830，其中，处理器810、通信接口820以及存储器830通过总线840相互连接，总线840可包括在计算设备800各个部件(例如，处理器810、通信接口820、存储器830)之间传送信息的通路。其中，上述处理器810的具体形式可以参照上述计算设备700中对处理器710的相关描述，上述通信接口820的具体形式可以参照上述计算设备700中对处理器720的相关描述，上述存储器830的具体形式可以参照上述计算设备700中对处理器730的相关描述，在此不再赘述。
可选地，计算设备800还可以包括输入/输出接口850，输入/输出接口850连接有输入/输出设备，用于接收输入的信息，输出操作结果。
上述每个计算设备800间通过通信网络建立通信通路。每个计算设备800上运行获取模块510或处理模块520中的任意一个或多个。例如，第一计算设备中运行有获取模块510与处理模块520，获取模块510用于获取待炼制配合煤的检测数据以及待炼制配合煤的煤岩图像，处理模块520用于执行上述S401中计算初始预测质量数据操作，以及执行S402中识别待炼制配合煤的组分的操作。在第二计算设备中同样运行有获取模块510与处理模块520，第二计算设备中的获取模块510用于获取第一计算设备通过通信网络发送的待炼制配合煤的检测数据、待炼制配合煤的组分含量以及待炼制配合煤的初始预测质量数据，处理模块520用于执行上述S403中描述的方法。其中，任一计算设备800可以为云数据中心中的计算机(例如：服务器)，或边缘数据中心中的计算机，或终端计算设备。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在处理器上运行时，可以实现上述方法实施例中的方法步骤，所述计算机可读存储介质的处理器在执行上述方法步骤的具体实现可参照上述方法实施例的具体操作，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘(Solid State Drive，SSD)。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并或删减；本申请实施例装置中的模块可以根据实际需要进行划分、合并或删减。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种焦炭质量预测方法，其特征在于，包括：
获取第一配合煤的检测数据，根据所述第一配合煤的检测数据和目标机理模型，预测所述焦炭的第一预测质量数据，其中，所述第一配合煤被炼制后形成所述焦炭；
获取所述第一配合煤的煤岩图像，所述煤岩图像表征所述第一配合煤中的各个组分的含量；
根据所述第一预测质量数据、所述煤岩图像、所述第一配合煤的检测数据和焦炭质量预测模型，预测所述焦炭的第二预测质量数据，其中，所述焦炭质量预测模型为经过训练后的人工智能AI模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测质量数据、所述煤岩图像、所述第一配合煤的检测数据和焦炭质量预测模型，预测所述焦炭的第二预测质量数据，包括：
将所述第一预测质量数据、所述煤岩图像和所述第一配合煤的检测数据进行融合，获得特征数据；
输入所述特征数据至所述焦炭质量预测模型，预测所述第二预测质量数据。
3.根据权利要求1或2所述的方法，其特征在于，
所述目标机理模型为线性模型，所述目标机理模型的参数由第二配合煤的检测数据、所述第二配合煤炼制的焦炭的真实质量数据计算得到。
4.根据权利要求2或3所述的方法，其特征在于，所述将所述第一预测质量数据、所述煤岩图像和所述第一配合煤的检测数据进行融合，得到特征数据，包括：
在所述第一配合煤的煤光片中确定多个目标点，获取所述多个目标点中每个目标点对应的煤岩图像，得到所述第一配合煤对应的多个煤岩图像；
对所述多个煤岩图像中的每个煤岩图像进行分类，确定所述每个煤岩图像对应的组分，其中，所述每个煤岩图像对应的组分为镜质组、丝质组或壳质组中的任意一种；
根据所述每个煤岩图像对应的组分，获得所述第一配合煤中各个组分的含量；
将所述第一预测质量数据、所述第一配合煤中各个组分的含量以及所述第一配合煤的检测数据进行融合，得到所述特征数据。
5.根据权利要求1或2所述的方法，其特征在于，所述焦炭质量预测模型是根据第二配合煤炼制的焦炭的第三预测质量数据、所述第二配合煤的煤岩图像以及所述第二配合煤的检测数据训练得到的。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述第一配合煤的检测数据包括所述第一配合煤的以下数据中的一种或多种：灰分、挥发分、硫分、干基挥发分值、粘结指数、最大胶质层厚度、催化指数、镜质组反射率数据、灰分金属矿物质含量数据或吉氏流动度数据。
7.一种焦炭质量预测装置，其特征在于，包括：
获取模块，用于获取第一配合煤的检测数据；
处理模块，用于根据所述第一配合煤的检测数据和目标机理模型，预测所述焦炭的第一预测质量数据，其中，所述第一配合煤被炼制后形成所述焦炭；
所述获取模块，还用于获取所述第一配合煤的煤岩图像，所述煤岩图像表征所述第一配合煤中的各个组分的含量；
所述处理模块，用于根据所述第一预测质量数据、所述煤岩图像、所述第一配合煤的检测数据和焦炭质量预测模型，预测所述焦炭的第二预测质量数据，其中，所述焦炭质量预测模型为经过训练后的人工智能AI模型。
8.根据权利要求7所述的装置，其特征在于，所述处理模块具体用于：
将所述第一预测质量数据、所述煤岩图像和所述第一配合煤的检测数据进行融合，获得特征数据；
输入所述特征数据至所述焦炭质量预测模型，预测所述第二预测质量数据。
9.根据权利要求7或8所述的装置，其特征在于，所述目标机理模型为线性模型，所述目标机理模型的参数由第二配合煤的检测数据、所述第二配合煤炼制的焦炭的真实质量数据计算得到。
10.根据权利要求8或9所述的装置，其特征在于，
所述获取模块，还用于在所述第一配合煤的煤光片中确定多个目标点，获取所述多个目标点中每个目标点对应的煤岩图像，得到所述第一配合煤对应的多个煤岩图像；
所述处理模块，还用于：对所述多个煤岩图像中的每个煤岩图像进行分类，确定所述每个煤岩图像对应的组分，其中，所述每个煤岩图像对应的组分为镜质组、丝质组或壳质组中的任意一种；
根据所述每个煤岩图像对应的组分，获得所述第一配合煤中各个组分的含量；
将所述第一预测质量数据、所述第一配合煤中各个组分的含量以及所述第一配合煤的检测数据进行融合，得到所述特征数据。
11.根据权利要求7或8所述的装置，其特征在于，所述焦炭质量预测模型是根据第二配合煤炼制的焦炭的第三预测质量数据、所述第二配合煤的煤岩图像以及所述第二配合煤的检测数据训练得到的。
12.根据权利要求7-11任一项所述的装置，其特征在于，所述第一配合煤的检测数据包括所述第一配合煤的以下数据中的一种或多种：灰分、挥发分、硫分、干基挥发分值、粘结指数、最大胶质层厚度、催化指数、镜质组反射率数据、灰分金属矿物质含量数据或吉氏流动度数据。
13.一种焦炭质量预测系统，其特征在于，包括处理器和存储器；所述存储器用于存储指令，所述处理器用于执行所述指令，当所述处理器执行所述指令时，所述系统执行如权利要求1至6任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911090455.6A CN112784396B (zh) | 2019-11-08 | 2019-11-08 | 一种焦炭质量预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911090455.6A CN112784396B (zh) | 2019-11-08 | 2019-11-08 | 一种焦炭质量预测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784396A true CN112784396A (zh) | 2021-05-11 |
| CN112784396B CN112784396B (zh) | 2024-01-19 |
Family
ID=75749378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911090455.6A Active CN112784396B (zh) | 2019-11-08 | 2019-11-08 | 一种焦炭质量预测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784396B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115375675A (zh) * | 2022-10-24 | 2022-11-22 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于图像数据的煤炭质量检测方法 |
| WO2024077876A1 (zh) * | 2022-10-12 | 2024-04-18 | 华院计算技术(上海)股份有限公司 | 一种基于自适应的局部动态焦炭质量预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102890144A (zh) * | 2012-10-22 | 2013-01-23 | 辽宁科技大学 | 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 |
| 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 |
| CN104090084A (zh) * | 2014-06-27 | 2014-10-08 | 江苏省沙钢钢铁研究院有限公司 | 一种配合煤镜质组反射率分布的预测方法及应用 |
| CN110097027A (zh) * | 2019-05-13 | 2019-08-06 | 安徽工业大学 | 基于卷积神经网络的煤岩壳质组显微图像分类方法及系统 |
-
2019
- 2019-11-08 CN CN201911090455.6A patent/CN112784396B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102890144A (zh) * | 2012-10-22 | 2013-01-23 | 辽宁科技大学 | 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 |
| 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 |
| CN104090084A (zh) * | 2014-06-27 | 2014-10-08 | 江苏省沙钢钢铁研究院有限公司 | 一种配合煤镜质组反射率分布的预测方法及应用 |
| CN110097027A (zh) * | 2019-05-13 | 2019-08-06 | 安徽工业大学 | 基于卷积神经网络的煤岩壳质组显微图像分类方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 崔庆安;何桢;崔富新;: "基于支持向量机的焦炭质量预测模型", 化工自动化及仪表 * |
| 白云起;白青子;赵宪德;: "基于煤岩组分和镜质组反射率的焦炭质量预测模型", 黑龙江科技大学学报 * |
| 秦志宏;卜良辉;李祥;: "基于炼焦煤族组成和结构参数的焦炭质量预测模型及其成焦机理", 燃料化学学报 * |
| 谢海深;刘永新;吕庆;孟军波;: "焦炭质量预测模型", 东北大学学报(自然科学版) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024077876A1 (zh) * | 2022-10-12 | 2024-04-18 | 华院计算技术(上海)股份有限公司 | 一种基于自适应的局部动态焦炭质量预测方法 |
| CN115375675A (zh) * | 2022-10-24 | 2022-11-22 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于图像数据的煤炭质量检测方法 |
| CN115375675B (zh) * | 2022-10-24 | 2023-01-31 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于图像数据的煤炭质量检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784396B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | Integrative analysis of histopathological images and genomic data predicts clear cell renal cell carcinoma prognosis | |
| Hui et al. | Clinician prediction of survival versus the Palliative Prognostic Score: which approach is more accurate? | |
| Wang et al. | CoSpar identifies early cell fate biases from single-cell transcriptomic and lineage information | |
| Louzada et al. | On the impact of disproportional samples in credit scoring models: An application to a Brazilian bank data | |
| Moore et al. | Systematic quantification of developmental phenotypes at single-cell resolution during embryogenesis | |
| CA2833497A1 (en) | Analyzing the expression of biomarkers in cells with moments | |
| Li et al. | Collagen fiber orientation disorder from H&E images is prognostic for early stage breast cancer: clinical trial validation | |
| CN108470095B (zh) | 基于数据驱动径向基函数模型的tbm推进力预测方法 | |
| CN112784396A (zh) | 一种焦炭质量预测方法、装置及系统 | |
| Parker et al. | The practical effect of batch on genomic prediction | |
| Rockova et al. | Hierarchical Bayesian formulations for selecting variables in regression models | |
| Carmichael et al. | Joint and individual analysis of breast cancer histologic images and genomic covariates | |
| Rajasundaram et al. | Understanding the relationship between cotton fiber properties and non-cellulosic cell wall polysaccharides | |
| Ji et al. | Optimized differential evolution algorithm for solving DEM material calibration problem | |
| Butkeviciute et al. | Global diarrhoea-associated mortality estimates and models in children: recommendations for dataset and study selection | |
| Li et al. | A neural network-based method for exhaustive cell label assignment using single cell RNA-seq data | |
| Fu et al. | Application of digital pathology‐based advanced analytics of tumour microenvironment organisation to predict prognosis and therapeutic response | |
| CN101517579A (zh) | 蛋白质查找方法和设备 | |
| Rüschoff et al. | Statistical modelling of HER2-positivity in breast cancer: Final analyses from two large, multicentre, non-interventional studies in Germany | |
| El Nahhas et al. | From whole-slide image to biomarker prediction: a protocol for end-to-end deep learning in computational pathology | |
| North et al. | Understanding the impact of coal blending decisions on the prediction of coke quality: a data mining approach | |
| Ferreira et al. | Credit scoring modeling with state-dependent sample selection: A comparison study with the usual logistic modeling | |
| Hu et al. | Learning predictive models of tissue cellular neighborhoods from cell phenotypes with graph pooling | |
| Sinha et al. | Statistical Mechanical theory for spatio-temporal evolution of Intra-tumor heterogeneity in cancers: Analysis of Multiregion sequencing data | |
| González-Vargas et al. | Validation methods for population models of gene expression dynamics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220214 Address after: 550025 Huawei cloud data center, jiaoxinggong Road, Qianzhong Avenue, Gui'an New District, Guiyang City, Guizhou Province Applicant after: Huawei Cloud Computing Technologies Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Applicant before: HUAWEI TECHNOLOGIES Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |