【技术实现步骤摘要】
一种模拟成焦机理的焦炭质量串行预测方法及装置
[0001]本专利技术涉及炼焦工艺
,尤其涉及一种模拟成焦机理的焦炭质量串行预测方法及装置。
技术介绍
[0002]在焦化企业的炼焦生产过程中,配煤工程师需要结合实际炼焦生产情况,根据焦炭质量要求、炼焦煤资源情况以及其他相关约束条件,制定和完善炼焦配煤方案。但是,这种配煤流程存在以下问题:
[0003](1)炼焦煤来源复杂、性质复杂以及混煤的存在,导致炼焦煤的质量波动大,炼焦煤的性质的表征极为复杂。
[0004](2)炼焦煤表征指标多,指标的加和性差,对焦炭质量指标不全是线性响应,导致焦炭质量预测模型的精度低,常需要借助小焦炉实验进行验证,才能指导工业生产。
[0005](3)由于炼焦配煤涉及的因素和约束条件多,炼焦配煤计算复杂,工作量大,传统配煤方法调控焦炭质量困难,无法做到整体最优,配煤成本较高,对稀缺的焦肥煤资源造成一定的浪费。
[0006](4)配煤流程的验证周期长、配煤效率低,而且容易导致焦炭质量不稳定、指标波动大等问题,难以满足大型高炉对焦炭的质量要求。此外,煤源供应剧变和质量波动,导致配煤方案改变频繁,配煤响应生产慢。
[0007]在工业配煤实践过程中,基于炼焦配煤的成焦理论,快速且准确地预测出焦炭质量,优选适宜的配煤方案,不仅能够大大提高工作效率,而且能够实现稳定焦炭质量的目的。炼焦配煤理论建立在煤化学、炼焦学、煤岩学、物理化学的基础上,在长期的生产实践中,形成了塑性成焦、表面结合成焦和中间相成焦3种成焦机理。 ...
【技术保护点】
【技术特征摘要】
1.一种模拟成焦机理的焦炭质量串行预测方法,其特征在于,包括如下步骤:步骤1:数据采集针对炼焦配煤的特点以及焦化生产数据,采集焦化企业实际炼焦生产数据,从焦化企业的质量报表与生产工艺报表中分析、提取影响焦炭质量的炼焦生产过程数据,包括单种煤、配合煤、焦炭以及焦炉热工数据;步骤2:数据匹配,构建初始煤焦数据集基于炼焦生产时序关系对单种煤煤质特征、配合煤煤质特征、配煤比、焦炭质量指标以及焦炉热工数据进行数据匹配,构建初始煤焦数据集;步骤3:数据转换煤炭和焦炭的各种检测数据的分析基准不同,将煤焦检测数据转换为相对稳定的分析基准,包括:全水分以收到基表示,灰分和硫分以干基表示,挥发分产率以干燥无灰基表示;步骤4:数据清洗基于焦炭质量预测对数据质量的需求,分析工业生产数据类别及数据特点,建立数据清洗规则和数据清洗方案;对原始数据进行全面检测,检测缺失数据、无关/冗余数据、异常/错误数据,确认问题数据的性质及位置,获取全面的数据质量信息;修正数据:填补缺失数据、合并重复数据、剔除冗余数据、检测异常/错误数据;步骤5:特征分析特征分析剔除不必要或冗余的特征,选择最贴合建模问题的特征,降低模型尺寸,防止过拟合;特征分析方法包括逐步回归、序列特征选择、正则化和近邻元分析;步骤6:数据归一化部分基于偏差的机器学习算法,对异常值比较敏感,灰分、硫分、挥发分、G值、Y值、焦炭质量指标存在维数高、范围较大的特点,为了消除不同特征间的量纲影响,保证数据的可比性,采用归一化进行特征变换;步骤7:数据挖掘模型构建建立满足数据挖掘要求的高质量煤焦数据集,采用规则采样
‑
构建学习器
‑
模型组合的方式建立模拟成焦机理的焦炭质量预测模型;包括如下:7.1规则采样将处理后的数据采用k折交叉验证法k
‑
foldCV将数据集分成k个大小相等的样本组,其中k
‑
1份作为训练集、1份作为测试集,其中k为不小于2的自然数;7.2构建学习器构建i个相互独立的学习器baselearner,分别以h1、h2……
h
i
表示,分别模拟i个炼焦机理,对于给定输入x,每一个学习器h
i
都尝试近似原始数据y的分布,并得到局部输出h
i
(y|x;θ
i
);其中,θ
i
是第i个学习器h
i
的参数;分别为每个学习器生成训练集和测试集,利用训练集样本进行训练,并对测试集进行预测;每个学习器采用一个或多个学习算法,使用第t个学习器的学习算法在第j次执行对应的训练集D
j
上训练得出学习器h
tj
;对于第j次执行的测试集D
(
‑
j)
中的每一个样本x
i
,设z
it
为学习器h
tj
在x
i
上的输出结果;将所述学习器在整个训练集上进行训练;每个学习器的初始化训练参数不同;每个子集各自训练学习器,在每个数据集上学习出一个模型;改变分布相似样本的权重,每个学习
器分别在每个数据集上学习最优模型;7.3模型组合每个学习器分别从不同的角度模拟成焦过程,采用串联的方式将将训练好的学习器组合起来,每个学习器均有独立的输出,使最终的结果能够取长补短,优势互补,学习出一个稳定的、在各个方面表现都较好的模型,通过组合输出最终的结果,产生更强大的模型,实现模型精度以及泛化能力的大幅提升。2.根据权利要求1所述的一种模拟成焦机理的焦炭质量串行预测方法,其特征在于,所述的步骤4中,修正数据包括检测异常/错误数据,具体如下:利用统计方法、基于距离的方法、机器学习模型来查找位于绝大多数数据所在范围之外的异常数据,确定异常值为错误数据或者离群数据;炼焦配煤生产数据中的离群值对模型的构建产生影响,需要甄别离群值属于数据异常还是煤质异常,炼焦配煤生产数据中的离群值分析方法分物理和统计2类准则;物理准则剔除原始数据中不符合准则的异常数据;统计准则剔除统计意义上不正常的数据;1统计准则剔除当炼焦工艺操作条件固定时,生产数据一般服从正态分布;根据肖维勒准则处理异常数据,即剔除偏差大于σ的数据,σ为该生产数据的标准差;σ的计算公式见式(1);2物理准则剔除一般焦化企业焦炭中的挥发分V
d
≤1.5%,配合煤的挥发分V
daf
一般控制在23%~29%;则成焦率K的计算公式见式(2):式中:a为成焦率K的修正系数,与煤挥发分、炉体结构、操作制度有关,通常为1.5%;正常生产条件下,不出现生焦,成焦率K介于73.2%~79.3%之间,以K≤α作为煤焦数据的剔除准则,α介于74%
‑
80%之间,对数据进行剔除处理。3.根据权利要求1所述的一种模拟成焦机理的焦炭质量串行预测方法,其特征在于,所述的步骤5中,特征分析具体包括如下:采用皮尔逊相关系数选择出对焦炭质量指标相关性较大,数据独立性好的特征;根据皮尔逊相关性计算公式,两个连续变量j与X之间的相关性P
j,X
为:其中,P
j,X
为皮尔逊相关性系数,σ
j
,σ
X
分别为配合煤的特征变量j和焦炭质量X的标准差,μ
j
,μ
K
分别为j和X的期望值,cov(j,X)为j和X的协方差;皮尔逊相关系数P的取值范围为(
‑
1,1),P>0表示正相关,P<0表示负相关,P=0表示零相关;P的绝对值越大表示...
【专利技术属性】
技术研发人员:王越,庞克亮,吴昊天,谷致远,万超然,
申请(专利权)人:鞍钢集团北京研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。