一种模拟成焦机理的焦炭质量串行预测方法及装置制造方法及图纸

一种模拟成焦机理的焦炭质量串行预测方法及装置，从炼焦工业生产数据出发，采用数据挖掘技术模拟成焦机理，组合每种成焦机理的优点，建立可解释性强的焦炭质量预测方法，提高焦炭质量预测的精度和速度，对炼焦配煤提供有效指导。包括：1：数据采集；2：数据匹配；3：数据转换；4：数据清洗；5：特征分析；6：数据归一化；7：数据挖掘模型构建，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。模型精度以及泛化能力的大幅提升。模型精度以及泛化能力的大幅提升。

【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。这3种成焦机理分别从不同的维度表征炼焦煤的成焦过程。
[0008]计算机技术和算法的蓬勃发展，为配煤优化和焦炭质量精准预测提供了新的思路。数据挖掘配煤是计算机技术、人工智能、统计学和现代焦化技术结合的产物。将炼焦配煤机理、配煤专家经验与炼焦生产大数据和人工智能技术相结合。通过数据挖掘的方式来优化配煤，利用计算机的存储能力、数据处理以及先进算法计算出最优配煤方案。在保证焦炭质量的前提下，合理地利用煤炭资源，节约高价值的炼焦煤，扩大炼焦煤资源，将有利于焦化企业节约生产成本、提高生产效率，实现焦炭生产的保质降本，是优化配煤技术的发展方向。
[0009]公开号为CN114692986A的中国专利公开了一种基于入历史配煤数据及相应焦炭检测结果的神经网络模型智能配煤系统。该专利技术主要针对神经网络模型在炼焦配煤中的使用。
[0010]公开号为CN 111950854 B的中国专利公开了一种基于多层神经网络的焦炭质量指标预测方法，采用工业实际生产数据，首先对数据进行清洗，采用梯度增强树对影响焦炭质量指标的因素进行相关性分析，选择出与灰分、硫分、M10、M40、CRI和CSR等变量，构建训
练样本，建立多层神经网络预测模型预测焦炭质量指标，并采用智能优化算法对模型中的变量进行优化，给出最终的焦炭质量指标预测结果。该专利技术利用梯度增强树进行特征分析，建立多层神经网络预测焦炭质量，并未涉及成焦机理的应用。
[0011]公开号为CN112861359B的中国专利公开了一种全要素智能配煤系统，系统包括：单种煤成焦预测模块，用于预测单种煤独立炼焦下焦炭的热强度；煤源性价比排序模块，用于在设定目标质量的前提下，将拟进行排序的所有煤源在一定的质量互补、价格支撑下，选出目前条件下的性价比最优方案，并根据方案比例确定其性价比排名；焦炭质量正向预测模块，用于针对不同炉型、不同工艺，对给定配煤比例进行计算，准确预测焦炭冷强度和焦炭热强度；配煤优化模块，用于依据给定的焦炭冷强度和焦炭热强度优化出最低入炉煤成本的配比；产品产率预测模块，用于预测产品的吨焦单位产率以及焦炭粒度分级比例。该专利技术主要针对单种煤的成焦特性、煤源性价比、采用具体的公式预测焦炭的M40、CSR等质量指标，并未涉及数据挖掘方法的使用。

技术实现思路

[0012]为了解决
技术介绍
中的技术问题，本专利技术提供了一种模拟成焦机理的焦炭质量串行预测方法及装置，从炼焦工业生产数据出发，采用数据挖掘技术模拟成焦机理，组合每种成焦机理的优点，建立可解释性强的焦炭质量预测方法，提高焦炭质量预测的精度和速度，对炼焦配煤提供有效指导。
[0013]为了达到上述目的，本专利技术采用以下技术方案实现：
[0014]一种模拟成焦机理的焦炭质量串行预测方法，包括如下步骤：
[0015]步骤1：数据采集
[0016]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。
[0017]步骤2：数据匹配，构建初始煤焦数据集
[0018]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。
[0019]步骤3：数据转换
[0020]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。
[0021]步骤4：数据清洗：
[0022]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。
[0023]步骤5：特征分析
[0024]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。
[0025]步骤6：数据归一化
[0026]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。
[0027]步骤7：数据挖掘模型构建
[0028]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：
[0029]7.1规则采样
[0030]将处理后的数据采用k折交叉验证法k
‑
fold CV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。
[0031]7.2构建学习器
[0032]构建i个相互独立的学习器base learner，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本文档来自技高网...

【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：