CN115034465B - 一种基于人工智能的焦炭质量预测方法 - Google Patents

一种基于人工智能的焦炭质量预测方法 Download PDF

Info

Publication number
CN115034465B
CN115034465B CN202210627038.6A CN202210627038A CN115034465B CN 115034465 B CN115034465 B CN 115034465B CN 202210627038 A CN202210627038 A CN 202210627038A CN 115034465 B CN115034465 B CN 115034465B
Authority
CN
China
Prior art keywords
historical
coke
processing data
quality
data information
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.)
Active
Application number
CN202210627038.6A
Other languages
English (en)
Other versions
CN115034465A (zh
Inventor
陈宏广
张超辉
雷雨
赵凯歌
范凯强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huanghe Technology Group Innovation Co ltd
Original Assignee
Huanghe Technology Group Innovation Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huanghe Technology Group Innovation Co ltd filed Critical Huanghe Technology Group Innovation Co ltd
Priority to CN202210627038.6A priority Critical patent/CN115034465B/zh
Publication of CN115034465A publication Critical patent/CN115034465A/zh
Application granted granted Critical
Publication of CN115034465B publication Critical patent/CN115034465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Coke Industry (AREA)

Abstract

本发明基于数据处理技术领域，具体涉及一种基于人工智能的焦炭质量预测方法，根据原料煤的重量、原料煤的特性指标、炼焦的炉温、炼焦的时间构建质量预测函数模型，通过DNN网络和历史加工数据训练确定出预测函数模型的参数，计算出现有库存和历史加工数据的相似性，聚类选出与现有条件相似性最大的历史数据，根据相似度最大的历史加工数据信息中两两之间的相似性计算出每个历史加工数据信息的离群性，根据离群性筛选出初始值数据，代入焦炭质量预测函数模型得到适应度，根据适应度和平均梯度计算出每个基因个体数据的变异率，根据变异率不断迭代得到预测函数模型的最优解，根据最优解控制煤炭加工过程，方法智能而精准。

Description

一种基于人工智能的焦炭质量预测方法
技术领域
本申请涉及数据处理技术领域，具体涉及一种基于人工智能的焦炭质量预测方法。
背景技术
随着社会经济的发展，工业化的推进，钢铁的使用量也随之提高，焦炭作为钢铁冶炼的重要燃料，其质量和产出率影响钢铁冶炼的质量和效率。然而焦炭的加工工艺是影响焦炭质量和产出率的重要因素，因而需要寻找焦炭的最佳的加工工艺使得焦炭的转化率最佳且拥有较高的焦炭质量，所述影响焦炭转化率和焦炭质量的重要加工工艺有生产焦炭的原料碳的配比，以及焦化处理中的炉温及焦化时间。传统的煤炭加工处理一般依靠经验对煤炭进行配比，控制煤炭的加工设备参数，来实现充分的利用现有的原煤库存获取较高质量煤炭和较大的转化率，然而这种方法对工人的技能经验要求较高，且输出不太稳定。为了提高煤炭的生产智能性和稳定性，需设计一种方法实现焦炭加工工艺参数的自动化输出。
为了实现焦炭加工工艺参数的自动化输出，需通过历史数据设计出一种焦炭质量和焦炭转化率的映射函数，通过将映射函数的最大化，求解最优解的方式来获取焦炭最佳工艺参数。为了实现高效准确度获取最佳工艺参数，需准确的拟合出目标函数，同时能够快速的求解出最优解值。为了能够快速的求解出最佳工艺参数，可以根据历史数据辅助优化的遗传算法，不断循环该过程，同时还能获取最佳的工艺参数。
发明内容
本发明提供一种基于人工智能的焦炭质量预测方法，解决在焦炭加工过程中按照经验值设置设备参数产生的质量和转化率不稳定的问题，采用如下技术方案：
根据原料煤的重量、特性指标、及该原料煤在焦化是的炼焦炉温、炼焦时间构建焦炭质量预测函数模型；
利用历史原料煤在焦化时的历史加工数据作为网络训练的输入，历史原料煤焦化后的质量作为网络训练的输出，确定出焦炭质量预测函数模型中的参数值；
分别将现有库存信息中煤料种类及质量和历史加工数据信息中原料煤的重量及种类分别转化为现有条件向量和历史信息向量；
获取现有条件向量和每个历史加工数据信息向量的第一相似度，对相似度进行密度聚类，获取相似度均值最大类别中所有的待选历史信息向量；
根据每个待选历史信息向量所对应的历史加工数据信息获取待选历史信息向量之间的第二相似度，根据每个待选历史信息向量的第二相似度计算每个第一待选历史数据信息的离群性；
根据每个待选历史数据信息的离群性确定出所有第二待选历史数据信息，将该第二待选历史数据信息对应的历史加工数据信息作为初始值数据；
将每个初始值数据代入焦炭质量预测函数模型获得每个焦炭加工质量，根据每个焦炭加工质量和该焦炭加工质量周围的平均梯度计算出每个焦炭加工质量的变异率，通过交叉变异不断生成新解，直至收敛到焦炭质量预测函数模型的最优解；
根据焦炭质量预测函数模型的最优解预测焦炭加工的质量，并对煤炭加工过程进行控制。
所述原料煤的特性指标是指挥发分含量、灰分含量、硫分含量、粘结指数、胶质层厚度和最终收缩度。
所述焦炭质量预测函数模型为：
F(x1，x2，...，xn)＝Z(x1，x2，...，xn)+C(x1，x2，...，xn)
式中，Z(x1，x2，...，xn)为焦炭质量函数模型，C(x1，x2，...，xn)为产品转化率函数模型。
所述焦炭质量函数模型为：
Figure BDA0003674906270000021
式中，Zj()为第j个质量指标函数，j的范围为1到7分别对应灰分含量、硫分含量、抗碎强度、耐磨强度、热反应性、热反应后强度和挥发分含量这7种焦炭质量指标，Qj为第j个焦炭质量指标的权重，Zj()函数中自变量x1，...xm是在焦炭加工时加入的m种原料煤的重量，xm+1～xm+6为第一种原料煤的6种特性指标，以此类推得到m种原料煤的特性指标，自变量n-1为炼焦的炉温，n为炼焦的时间，总共含有n个自变量。
所述产品转化率函数模型为：
Figure BDA0003674906270000031
式中，Ck()为第k种产品转化率指标函数，k的范围为1到4分别对应焦炭产出率、焦油产率、煤气产率、粗苯产率这4种产品转化率指标，Qk为第k种产品转化率指标的权重，Ck()函数中自变量与焦炭质量函数模型中一致。
所述每个待选历史信息向量所对应的历史加工数据信息获取待选历史信息向量之间的第二相似度的获取方法为：
获取每个历史加工数据信息与其他历史加工数据信息的条件相似性均值Yi，即每个历史加工数据信息与其他历史加工数据信息中采用煤料种类的相似性；
获取每个历史加工数据信息与其他历史加工数据信息的决策相似性均值Ji，即每个历史加工数据信息与其他历史加工数据信息中采用煤料的配比重量及对应的煤炉温度和结焦时间。
所述第一待选历史数据信息的离群性的获取方法为：
计算相似性比例值：
Figure BDA0003674906270000032
则每个历史加工数据信息的离群性的计算公式为：
Figure BDA0003674906270000033
式中，Bi为第i个历史加工数据信息的Yi和Ji的比值，B为出现频率最高的相似性比例值，N为与当前历史数据已知条件相似的历史数据的个数，即煤料种类相似的历史数据，Li为第i个历史数据的离群性。
所述每个焦炭加工质量的变异率的计算方法为：
将每个初始值数据代入焦炭质量预测函数模型获得每个焦炭加工质量，根据每个焦炭加工质量和该焦炭加工质量周围的平均梯度计算出每个焦炭加工质量的变异率，通过交叉变异不断生成新解，直至收敛到焦炭质量预测函数模型的最优解；
Figure BDA0003674906270000034
式中，BYi为第i个焦炭加工质量的变异率，Si为第i个焦炭加工质量，S为所有焦炭加工质量最大值，Ti为第i个焦炭加工质量在以其为中心的50半径内平均梯度值Ti，δ为防零参数。
所述通过焦炭质量预测函数模型的最优解对煤炭加工过程进行控制的方法为：
求解出最优解后就会获得各种原料煤的配比重量，以及煤炉的温度以及结焦的时间，利用该数据对当前条件下对煤炭进行配比，并控制煤炉和结焦时间。
本发明的有益效果为：
根据煤炭原料特性和重量及焦炉温度、时间构建焦炭生产过程中的质量函数模型和产品转化率函数模型，根据二者得到焦炭质量预测函数模型，使用历史加工数据输入神经网络对焦炭质量预测函数模型进行训练，计算出焦炭质量预测函数模型的参数，将现有库存数据信息和历史加工数据信息转化为向量，计算出相似性并根据相似性进行聚类，选出与现有库存最相似的历史数据，计算出该历史数据中的条件相似性和决策相似性，根据条件相似性和决策相似性的比例得到每个历史数据的离群性，根据每个历史加工数据信息的离群性筛选出初始值数据作为基因个体数据，将每个基因个体数据代入焦炭质量预测函数模型获得每个基因个体数据的适应度，据每个基因个体数据的适应度和该基因个体数据周围的平均梯度计算出每个基因个体数据的变异率，根据变异率不断迭代得到焦炭质量预测函数模型的最优解；根据焦炭质量预测函数模型的最优解控制煤炭加工过程，方法智能、精准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于人工智能的焦炭质量预测方法的流程示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种基于人工智能的焦炭质量预测方法的实施例，如图1所示，包括：
步骤一：根据原料煤的重量、特性指标、及该原料煤在焦化是的炼焦炉温、炼焦时间构建焦炭质量预测函数模型；
该步骤的目的是分析焦炭生产过程根据原料煤的重量、原料煤的特性指标、炼焦的炉温、炼焦的时间构建焦炭的质量指标函数模型和产品转化率指标函数模型；根据焦炭质量指标函数模型和产品转化率指标函数模型得到焦炭质量预测函数模型。
本实施例的使用场景为：现已知当前企业的煤炭种类、库存量、煤炭特性煤炭质量指标、产出率等信息，以及一些煤炭加工过程的历史加工数据信息，通过分析这些信息之间的关系拟合这些关系中的映射关系，并利用该映射关系预估出最佳的配煤比和煤炉控制参数信息，使得焦炭产出率最高，同时焦炭质量较优。
其中，焦炭质量指标包括灰分含量、硫分含量、抗碎强度、耐磨强度、热反应性、热反应后强度和挥发分含量；
其中，构建焦炭质量函数模型为：
Figure BDA0003674906270000051
式中，Zj()表示第j个质量指标函数，j的范围为1到7分别对应灰分含量、硫分含量、抗碎强度、耐磨强度、热反应性、热反应后强度和挥发分含量7种焦炭质量指标，Qj表示第j个质量指标的影响权重。Zj()函数中自变量x1，...xm表示在焦炭加工中加入各种原料煤的重量、xm+1～xm+6第一种原料煤的6个特性指标，xm+7～xm+12为第二种原料煤的6个特性指标，以此类推得到各种原料煤的特性指标，自变量n-1为炼焦的炉温，n为炼焦的时间。如果有a种种类的原料煤炭这a种原料煤就会构成a×6种特性指标自变量，再加上以及炼焦的炉温、炼焦的时间等自变量总共n个自变量，Zj()函数是通过高斯混合模型来拟合表示。
其中原料煤特性指标参数是挥发分含量、灰分含量、硫分含量、粘结指数、胶质层厚度和最终收缩度等指标。
其中，产品转化率指标包括焦炭产出率、焦油产率、煤气产率、粗苯产率。
其中，构建产品转化率函数模型为：
Figure BDA0003674906270000061
式中Ck()表示第k种产品的产品转化率指标函数，Qk表示第k种产品的产品转化率的指标权重。Ck()函数中自变量有在焦炭加工中配入各种类的原料煤炭的重量、各种原料煤的煤炭特性，以及炼焦的炉温、炼焦的时间。Cj()函数是通过高斯混合模型来拟合表示，特性指标与质量函数构建中的一样。
其中，焦炭质量预测函数模型为：
F(x1，x2，...，xn)＝Z(x1，x2，...，xn)+C(x1，x2，...，xn)
约束条件：
x1，x2，...xm即各种原料煤的重量分别小于库存容量，Z1()，...，Za()各种质量指标控制在当前企业的质量指标要求范围内，xn-1，xn即炼焦的炉温、结焦时间控制在当前企业在历史生产加工时设置的范围内，x1，x2，...，xm两两数据的比值控制在一定范围内。
步骤二：利用历史原料煤在焦化时的历史加工数据作为网络训练的输入，历史原料煤焦化后的质量作为网络训练的输出，确定出焦炭质量预测函数模型中的参数值；
该步骤的目的是计算出焦炭质量预测函数模型中的参数值。
其中，确定各模型参数采用DNN网络，该网络模型为FC模型，训练该模型的数据集为历史加工数据，该数据的输入为焦炭质量预测函数模型中的各自变量参数，输出为质量值和产出率值，通过该方式回归出数学模型中的参数值。
步骤三：分别将现有库存信息中煤料种类及质量和历史加工数据信息中原料煤的重量及种类分别转化为现有条件向量和历史信息向量；获取现有条件向量和每个历史加工数据信息向量的第一相似度，对相似度进行密度聚类，获取相似度均值最大类别中所有的待选历史信息向量；
该步骤的目的是，利用以往的煤炭加工过程中的历史数据，传统方式会考虑现有的条件，根据以往的加工经验人为的确定各原料煤配比质量，以及炉温等数据，然这些人为经验数据加工出的产品质量和产出率会较为接近最优，因此需要筛选出与现有条件最相似的历史数据。
其中，计算出现有条件向量和每个历史加工数据信息向量的相似度的方法为：
(1)根据现有的已知条件有库存里各种煤炭的种类和质量，以及现有煤炭的特性信息，因而将这些信息构成向量，得到现有条件向量；
(2)根据历史加工数据信息中的煤炭种类、质量、煤炭特性、配比、炼焦的炉温、炼焦的时间将其转化为历史加工数据信息向量；
(3)将现有条件向量与每个历史加工数据信息向量进行相似性计算得到相似性值。
进一步的，对相似性进行密度聚类，获取相似性均值最大的那个类别集合中历史加工数据信息向量作为所有的待选历史信息向量。
步骤四：根据每个待选历史信息向量所对应的历史加工数据信息获取待选历史信息向量之间的第二相似度，根据每个待选历史信息向量的第二相似度计算每个第一待选历史数据信息的离群性；
该步骤的目的是，为了防止以往的历史数据中存在人为经验决策错误数据的干扰，所以对数据进行滤除，由于正常情况下，同类型已知条件下，给出的决策信息应该相似，(所述决策信息是指各种原料煤的配比重量，煤炉的温度、结焦时间)因而那些相似现有条件下，离群度较高的决策信息应该滤除。
其中，第二相似度的获取方法为：
获取每个历史加工数据信息与其他历史加工数据信息的条件相似性均值Yi，即每个历史加工数据信息与其他历史加工数据信息中采用煤料种类的相似性；
获取每个历史加工数据信息与其他历史加工数据信息的决策相似性均值Ji，即每个历史加工数据信息与其他历史加工数据信息中采用煤料的配比重量及对应的煤炉温度和结焦时间。
其中，根据第二相似度中的数据得到每个历史加工数据信息的离群性的计算方法为：
(1)计算相似性比例值：
Figure BDA0003674906270000071
(2)则每个历史加工数据信息的离群性的计算公式为：
Figure BDA0003674906270000072
式中，Bi为第i个历史加工数据信息的Yi和Ji的比值，B为出现频率最高的相似性比例值，N为与当前历史数据已知条件相似的历史数据的个数，即煤料种类相似的历史数据，Li为第i个历史数据的离群性。
需要说明的是，因为正常情况下两两已知条件相似性的历史加工数据信息，其决策数据信息的相似性也越大，而那些离群的数据说明该数据存在决策失误的可能性比较大。
步骤五：根据每个待选历史数据信息的离群性确定出所有第二待选历史数据信息，将该第二待选历史数据信息对应的历史加工数据信息作为初始值数据；
该步骤的目的是筛选出准确的数据作为遗传算法的初始值。
其中，筛选出初始值数据的方法为：
(1)筛除离群性大于2的待选的历史数据，获取剩余的历史数据构成数据集，作为第二待选历史数据信息。
(2)在第二待选历史数据信息的数据集中随机抽样10个数据，将这10个数据对应的加工数据(决策数据)作为初始值，每个初始值数据为遗传算法中的一个基因个体数据。
步骤六：将每个初始值数据代入焦炭质量预测函数模型获得每个焦炭加工质量，根据每个焦炭加工质量和该焦炭加工质量周围的平均梯度计算出每个焦炭加工质量的变异率，通过交叉变异不断生成新解，直至收敛到焦炭质量预测函数模型的最优解；
该步骤的目的是优化遗传算法：将每个初始值数据作为一个基因个体数据，将每个基因个体数据代入焦炭质量预测函数模型获得每个基因个体数据的适应度；根据每个基因个体数据的适应度和该基因个体数据的适应度周围的平均梯度计算出每个基因个体数据的变异率，通过交叉变异不断生成新解，直至收敛到焦炭质量预测函数模型的最优解。
该步骤的目的是，优化遗传算法快速求出焦炭质量预测函数模型的最优解。
其中，每个加工数据对应的焦炭加工质量即每个基因个体的适应度值的获取方法为：
将每个基因个体数据即每个初始值数据代入焦炭质量预测函数模型获得每个基因个体数据的适应度即每个焦炭加工质量；
其中，每个基因个体数据即每个焦炭加工质量的变异率的计算方法为：
Figure BDA0003674906270000081
式中Si表示第i个基因个体数据的适应度值即第i个焦炭加工质量，S表示所有基因个体中最大适应度值即焦炭加工质量中的最大值。S-Si通过该差值来说明第i个基因个体为最优解的可能性，该值越大说明该基因个体为最优解的可能性越低，因而应在该数据处降低搜索密度，所以将该数据的变异率调高，快速跳出区域。Ti是第i个基因个体数据即第i个焦炭加工质量在其为中心的50半径内平均梯度值Ti，Ti说明第i个基因个体周围的增长的快慢，增长的越快，说明该值处为函数最大值的可能性较大。因而应在该数据处密集搜索，将该数据的变异率调低。δ为防零参数，通常取10。
需要说明的是，通过交叉变异不断生成新解，直至收敛到焦炭质量预测函数模型的最优解，通过不断迭代能够快速收敛到最大值得到最优解。本实施例根据历史经验数据获取了较为接近最优值的初值，由于其离最优值较近，这样将会减少其迭代次数，同时在确定基因个体变异率时防止在一些低增长的次优解处花费太长时间搜寻，能够快速的趋近于最优解，提高了的求解效率。
步骤七：根据焦炭质量预测函数模型的最优解预测焦炭加工的质量，并对煤炭加工过程进行控制。
该步骤的目的是利用焦炭质量预测函数模型中求出的各种原料配比及炉温、时间对生产中的参数进行设置。
其中，控制煤炭加工过程的方法为：
求解出最优解后就会获得各种煤炭的配比重量，以及煤炉的温度以及结焦的时间，利用该数据对当前条件下对煤炭进行配比，并控制煤炉和结焦时间。
以上所述仅为本发明的较佳实施例而已，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 (7)

1.一种基于人工智能的焦炭质量预测方法，其特征在于，包括：
根据原料煤的重量、特性指标、及该原料煤在焦化时的炼焦炉温、炼焦时间构建焦炭质量预测函数模型；
利用历史原料煤在焦化时的历史加工数据作为网络训练的输入，历史原料煤焦化后的质量和产出率作为网络训练的输出，确定出焦炭质量预测函数模型中的参数值；
分别将现有库存信息中煤料种类及质量和历史加工数据信息中原料煤的重量及种类分别转化为现有条件向量和历史信息向量；
获取现有条件向量和每个历史信息向量的第一相似度，对相似度进行密度聚类，获取相似度均值最大类别中所有的历史信息向量作为待选历史信息向量；
根据每个待选历史信息向量所对应的历史加工数据信息获取待选历史信息向量之间的第二相似度，根据每个待选历史信息向量的第二相似度计算每个待选历史加工数据信息的离群性；
所述待选历史信息向量之间的第二相似度的获取方法为：
获取每个待选历史信息向量对应的历史加工数据信息与其他待选历史信息向量对应的历史加工数据信息的条件相似性均值Yi，即每个历史加工数据信息与其他历史加工数据信息中采用煤料种类的相似性；
获取每个待选历史信息向量对应的历史加工数据信息与其他待选历史信息向量对应的历史加工数据信息的决策相似性均值Ji，即每个历史加工数据信息与其他历史加工数据信息中采用煤料的配比重量及对应的煤炉温度和结焦时间的相似性；
所述每个待选历史加工数据信息的离群性的获取方法为：
计算相似性比例值：
Figure FDA0004088220420000011
则每个待选历史加工数据信息的离群性的计算公式为：
Figure FDA0004088220420000012
式中，Bi为第i个待选历史加工数据信息的Yi和Ji的比值，B为出现频率最高的相似性比例值，N为与当前待选历史加工数据信息已知条件相似的历史加工数据信息的个数，即煤料种类相似的待选历史加工数据信息，Li为第i个待选历史加工数据信息的离群性；
根据每个待选历史加工数据信息的离群性确定出初始值数据；
将每个初始值数据代入焦炭质量预测函数模型获得每个焦炭加工质量值，根据每个焦炭加工质量值和该焦炭加工质量值周围的平均梯度计算出每个焦炭加工质量值的变异率，通过交叉变异不断生成新解，直至收敛到焦炭质量预测函数模型的最优解；
根据焦炭质量预测函数模型的最优解预测焦炭加工的质量，并对煤炭加工过程进行控制。
2.根据权利要求1所述的一种基于人工智能的焦炭质量预测方法，其特征在于，所述原料煤的特性指标是指挥发分含量、灰分含量、硫分含量、粘结指数、胶质层厚度和最终收缩度。
3.根据权利要求1所述的一种基于人工智能的焦炭质量预测方法，其特征在于，所述焦炭质量预测函数模型为：
F(x1,x2,…,xn)＝Z(x1,x2,…,xn)+C(x1,x2,…,xn)
式中，Z(x1,x2,…,xn)为焦炭质量函数模型，C(x1,x2,…,xn)为产品转化率函数模型。
4.根据权利要求3所述的一种基于人工智能的焦炭质量预测方法，其特征在于，所述焦炭质量函数模型为：
Figure FDA0004088220420000021
式中，Zj()为第j个质量指标函数，j的范围为1到7分别对应灰分含量、硫分含量、抗碎强度、耐磨强度、热反应性、热反应后强度和挥发分含量这7种焦炭质量指标，Qj为第j个焦炭质量指标的权重，Zj()函数中自变量x1,…xm是在焦炭加工时加入的m种原料煤的重量，xm+1～xm+6为第一种原料煤的6种特性指标，以此类推得到m种原料煤的特性指标，自变量n-1为炼焦的炉温，n为炼焦的时间，总共含有n个自变量。
5.根据权利要求3所述的一种基于人工智能的焦炭质量预测方法，其特征在于，所述产品转化率函数模型为：
Figure FDA0004088220420000031
式中，Ck()为第k种产品转化率指标函数，k的范围为1到4分别对应焦炭产出率、焦油产率、煤气产率、粗苯产率这4种产品转化率指标，Qk为第k种产品转化率指标的权重，Ck()函数中自变量与焦炭质量函数模型中一致。
6.根据权利要求1所述的一种基于人工智能的焦炭质量预测方法，其特征在于，所述确定出初始值数据的方法为：
筛除离群性大于2的待选历史加工数据信息，获取剩余的历史加工数据信息构成数据集；
在数据集中随机抽样10个数据，将这10个数据作为初始值数据。
7.根据权利要求1所述的一种基于人工智能的焦炭质量预测方法，其特征在于，所述每个焦炭加工质量值的变异率的计算方法为：
Figure FDA0004088220420000032
式中，BYi为第i个焦炭加工质量值的变异率，Si为第i个焦炭加工质量值，S为所有焦炭加工质量值最大值，Ti为第i个焦炭加工质量值在以其为中心的50半径内平均梯度值Ti，δ为防零参数。
CN202210627038.6A 2022-06-01 2022-06-01 一种基于人工智能的焦炭质量预测方法 Active CN115034465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210627038.6A CN115034465B (zh) 2022-06-01 2022-06-01 一种基于人工智能的焦炭质量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210627038.6A CN115034465B (zh) 2022-06-01 2022-06-01 一种基于人工智能的焦炭质量预测方法

Publications (2)

Publication Number Publication Date
CN115034465A CN115034465A (zh) 2022-09-09
CN115034465B true CN115034465B (zh) 2023-05-12

Family

ID=83123640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210627038.6A Active CN115034465B (zh) 2022-06-01 2022-06-01 一种基于人工智能的焦炭质量预测方法

Country Status (1)

Country Link
CN (1) CN115034465B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117669395B (zh) * 2024-02-02 2024-05-07 苏州工业园区蒙纳士科学技术研究院 改善焦炭热态质量预测模型适用性的领域自适应训练方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239482A (zh) * 2021-04-23 2021-08-10 北京科技大学 一种转炉后吹碳含量动态预测方法及装置
CN113709598A (zh) * 2021-08-31 2021-11-26 宁夏百川电力股份有限公司 一种基于物联网的碳排放监测管理系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT1401501B1 (it) * 2010-08-02 2013-07-26 Eni Spa Metodo per predire le qualita' e le rese di un greggio
WO2018049376A1 (en) * 2016-09-12 2018-03-15 Cornell University Computational systems and methods for improving the accuracy of drug toxicity predictions
CN109741090A (zh) * 2018-12-18 2019-05-10 刘雨昆 一种基于多因素的配网工程物资需求预测方法
CN109858709B (zh) * 2019-03-01 2022-08-19 联想(北京)有限公司 一种优化焦炭生产的方法、装置和设备
CN111339297B (zh) * 2020-02-21 2023-04-25 广州天懋信息系统股份有限公司 网络资产异常检测方法、系统、介质和设备
CN111915077B (zh) * 2020-07-29 2021-11-09 华院计算技术(上海)股份有限公司 基于机器学习的配煤炼焦热态预测方法和系统
CN112001554B (zh) * 2020-08-26 2022-08-19 山东德佑电气股份有限公司 一种基于参数自适应相似日法的短期负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239482A (zh) * 2021-04-23 2021-08-10 北京科技大学 一种转炉后吹碳含量动态预测方法及装置
CN113709598A (zh) * 2021-08-31 2021-11-26 宁夏百川电力股份有限公司 一种基于物联网的碳排放监测管理系统

Also Published As

Publication number Publication date
CN115034465A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN115034465B (zh) 一种基于人工智能的焦炭质量预测方法
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
CN105740467B (zh) 一种C-Mn钢工业大数据的挖掘方法
CN113255102B (zh) 一种转炉终点钢水碳含量与温度预测方法及装置
CN105243437B (zh) 用于捣固炼焦的预测焦炭质量和优化配煤比的方法
CN113128124B (zh) 基于改进神经网络的多牌号C-Mn钢力学性能预测方法
Yuan et al. Modeling and optimization of coal blending and coking costs using coal petrography
Wang et al. Strip hardness prediction in continuous annealing using multiobjective sparse nonlinear ensemble learning with evolutionary feature selection
CN114239400A (zh) 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法
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
CN111639820A (zh) 一种水泥炉窑生产的能耗参数优化方法及系统
CN108268979B (zh) 一种基于演化模糊关联规则的中厚板质量预测方法
CN111914382B (zh) 一种基于代理模型的常减压装置的约束进化优化方法
CN116307149A (zh) 基于注意力LSTM和KbNSGA的高炉性能优化方法
CN109359320B (zh) 基于多采样率自回归分布滞后模型的高炉指标预测方法
CN114662763A (zh) 一种焦化配煤用单种煤性价比评价方法及系统
CN111475957A (zh) 一种基于装置机理的炼油过程生产计划优化方法
CN115456264B (zh) 一种中小型转炉的终点碳含量和终点温度预测方法
CN109101683B (zh) 燃煤分质利用与清洁预处理系统热解釜的模型更新方法
CN115049123A (zh) 基于GA-XGBoost模型的高炉铁水硅含量预测方法
CN113554216B (zh) 一种Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法
CN113723015A (zh) 一种基于机理模型与大数据技术的催化裂化装置优化方法
CN111861041B (zh) 一种预测Nb微合金钢动态再结晶型流变应力的方法
Li et al. Long short-term memory based on random forest-recursive feature eliminated for hot metal silcion content prediction of blast furnace
CN112825103B (zh) 气化工艺的反向设计装置及方法

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
GR01 Patent grant
GR01 Patent grant