一种基于人工智能的焦炭质量预测方法技术

本发明专利技术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。方法智能而精准。方法智能而精准。

【技术实现步骤摘要】
一种基于人工智能的焦炭质量预测方法


[0001]本申请涉及数据处理
，具体涉及一种基于人工智能的焦炭质量预测方法。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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：r/>[0005]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；
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]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。
[0014]所述焦炭质量预测函数模型为：
[0015]F(x1，x2，...，x
n
)＝Z(x1，x2，...，x
n
)+C(x1，x2，...，x
n
)
[0016]式中，Z(x1，x2，...，x
n
)为焦炭质量函数模型，C(x1，x2，...，x
n
)为产品转化率函数模型。
[0017]所述焦炭质量函数模型为：
[0018][0019]式中，Z
j
()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，Q
j
为第j个焦炭质量指标的权重，Z
j
()函数中自变量x1，...x
m
是在焦炭加工时加入的m种原料煤的重量，x
m+1
～x
m+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。
[0020]所述产品转化率函数模型为：
[0021][0022]式中，C
k
()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，Q
k
为第k种产品转化率指标的权重，C
k
()函数中自变量与焦炭质量函数模型中一致。
[0023]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：
[0024]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Y
i
，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；
[0025]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J
i
，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。
[0026]所述第一待选历史数据信息的离群性的获取方法为：
[0027]计算相似性比例值：
[0028][0029]则每个历史加工数据信息的离群性的计算公式为：
[0030][0031]式中，B
i
为第i个历史加工数据信息的Y
i
和J
i
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，L
i
为第i个历史数据的离群性。
[0032]所述每个焦炭加工质量的变异率的计算方法为：
[0033]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；
[0034][0035]式中，BY
i
为第i个焦炭加工质量的变异率，S
i
为第i个焦炭加工质量，S为所有焦炭加工质量最大值，T
i
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T
i
，δ为防零参数。
[0036]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：
[0037]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。
[0038]本专利技术的有益效果为：
[0039]根据煤炭原料特性和重量及焦炉温度、时间构本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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，...，x
n
)＝Z(x1，x2，...，x
n
)+C(x1，x2，...，x
n
)式中，Z(x1，x2，...，x
n
)为焦炭质量函数模型，C(x1，x2，...，x
n
)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：式中，Z
j
()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，Q
j
为第j个焦炭质量指标的权重，Z
j
()函数中自变量x1，...x
m
是在焦炭加工时加入的m种原料煤的重量，x
m+1
～x
m+6

【专利技术属性】
技术研发人员：陈宏广，张超辉，雷雨，赵凯歌，范凯强，
申请(专利权)人：黄河科技集团创新有限公司，
类型：发明
国别省市：