由单种煤黏结性和煤岩指标非线性预测焦炭质量的方法

摘要

本发明公开了一种由单种煤黏结性和煤岩指标非线性预测焦炭质的方法，对焦化企业生产焦炭的稳定性和焦炭质量的提高可以提供重要技术的保证。本发明提供的方法步骤为：建立单种炼焦用煤性质和焦炭质量指标信息数据库，将单种炼焦煤粘结性指标、煤岩指标，输入到煤信息数据库；建立焦炭质量预测模型，通过聚类和支持向量机来预测配合煤的质量指标；确定配合煤质量指标，由单种煤质量指标预测焦炭质量指标；建立焦炭抗碎强度和耐磨强度预测模型。本发明是以稳定及提高焦炭质量、降低配煤成本为目标的煤岩优化配煤预测焦炭质量系统。该系统能形成煤质质量指标与焦炭质量指标的多参数准确性高的预测模型。同时，该系统具有实时更新或人工干预功能。

主权项

1.一种由单种煤黏结性和煤岩指标非线性预测焦炭质量的方法，其特征在于该方法按以下步骤实现：一. 建立单种炼焦用煤性质和焦炭质量指标信息数据库将单种炼焦煤粘结性指标，包括胶质层最大厚度Y值、黏结指数G值作为一水平的二个因素，并录入到煤资源信息数据库；将单种炼焦煤的煤岩指标，包括煤镜质组全反射率精细段落数据、煤岩显微组成，以及由此可以计算得到的活惰比参数为一水平的二个因素，并将形成的煤质信息输入到煤信息数据库，建立起单种炼焦用煤性质和焦炭质量指标信息数据库；二. 建立焦炭质量预测模型根据炼焦单种煤的煤质黏结性指标水平，包括胶质层最大厚度Y值和黏结指数G值二个因素；煤岩指标水平，包括镜质组全组分反射率及显微组分的活惰比二个因素及相应的配煤比，通过聚类和支持向量机技术来预测配合煤的质量指标，再由配合煤质量指标预测焦炭质量指标，由此形成两个系统，该系统中单种煤预测的主体是焦炭的抗碎强度M₄₀、耐磨强度M₁₀及反应性CRI和反应后强度CSR；（一）确定配合煤质量指标由单种煤质量指标预测焦炭质量指标，根据实验焦炉或焦化厂生产焦炉实际使用的单种炼焦煤煤质黏结性指标，包括胶质层最大厚度Y值和黏结指数G值二个因素；煤岩指标，包括镜质组全组分反射率及显微组分的活惰比二个因素共构成四个因素来预测焦炭的质量，该预测指标体系是采用支持向量机技术，在采用实际检测数据进行计算机运算过程中，根据煤质特性可对单种煤的上述二个黏结性因素及煤岩指标因素采用支持向量机技术进行预测，而对配合煤的黏结性指标水平，包括煤的胶质层最大厚度Y值和粘结指数指标必须进行单种煤质量指标的模糊聚类运算，然后再根据同类单种煤黏结性指标进行加权运算，而后再结合支持向量机技术，训练并预测未来煤质质量指标数据；由炼焦单种煤黏结性指标胶质层最大厚度Y值和黏结指数G值与煤岩指标预测焦炭质量指标中，煤显微组分中，活性组分包括镜质组、半镜质组和稳定组，惰性组分包括惰质组、半镜质组和矿物，其中：活性组分=镜质组+1/3×半镜质组+稳定组惰性组分=惰质组+2/3×半镜质组+矿物活惰比=活性组分/惰性组分按以下规定进行，(1) 由单种炼焦煤黏结性指标Y值预测配合煤Y值模型${\bar{Y}}_{mix}=SvmY(K_1,K_2,K_3,K_4,K_5,K_6)$$K_1={\displaystyle \sum _{i=1}^{m_1}(Y_{\sin gle}^i}\times P_{1i})$    $K_2={\displaystyle \sum _{i=1}^{m_2}(Y_{\sin gle}^i}\times P_{2i})$     $K_3={\displaystyle \sum _{i=1}^{m_3}(Y_{\sin gle}^i}\times P_{3i})$$K_4={\displaystyle \sum _{i=1}^{m_4}(Y_{\sin gle}^i}\times P_{4i})$    $K_5={\displaystyle \sum _{i=1}^{m_4}(Y_{\sin gle}^i}\times P_{5i})$    $K_6={\displaystyle \sum _{i=1}^{m_4}(Y_{\sin gle}^i}\times P_{6i})$    ${\displaystyle \sum _{i=1}^6{m}_i}=n$其中，利用模糊聚类聚六类，n为此配比中单种煤的总数，m_i(i=1,2,3,4,5,6)为第i类别中单种煤的数量，为单种煤的Y值，P_ki为第k类中的第i种煤在配合煤中所占的比例，K_i（i=1,2,3,4,5,6）为指定分类中的煤种在此类中的Y值的加权平均值，SvmY为自定义支持向量机函数，为预测的配合煤的Y值；(2) 由单种炼焦煤黏结性指标G值预测配合煤G值模型${\bar{G}}_{mix}=SvmG(K_1,K_2,K_3,K_4,K_5,K_6)$$K_1={\displaystyle \sum _{i=1}^{m_1}(G_{\sin gle}^i}\times P_{1i})$    $K_2={\displaystyle \sum _{i=1}^{m_2}(G_{\sin gle}^i}\times P_{2i})$    $K_3={\displaystyle \sum _{i=1}^{m_3}(G_{\sin gle}^i}\times P_{3i})$$K_4={\displaystyle \sum _{i=1}^{m_4}(G_{\sin gle}^i}\times P_{4i})$   $K_5={\displaystyle \sum _{i=1}^{m_3}(G_{\sin gle}^i}\times P_{5i})$  $K_6={\displaystyle \sum _{i=1}^{m_3}(G_{\sin gle}^i}\times P_{6i})$    ${\displaystyle \sum _{i=1}^6{m}_i}=n$利用模糊聚类聚六类，其中，n为配比中单种煤的总数，m_i(i=1,2,3,4,5,6)为第i类别中单种煤的数量，为单种煤的G值，P_ki为第k类中的第i种煤在配合煤中所占的比例，K_i（i=1,2,3,4,5,6）为指定分类中的煤种在此类中G值的加权平均值，SvmG为自定义支持向量机函数，为预测的配合煤的G值；(3) 由单种炼焦煤镜质组反射率分布预测配合煤镜质组全反射率平均频数模型D_j是模型中配合煤镜质组在j点反射率的频数：${\text{D}}_{\text{j}}={\displaystyle \sum _{\text{i}=1}^n{\text{(DSingle}}_{\text{j}}}\times P_{\text{i}})$其中，DSingle_j(j=1,2,3…60)为采集的每一个单种煤镜质组在j点反射率分布的频数，是连续性反射率分布值；P_i为第i种单种煤的配比；（4）由单种炼焦煤活惰比预测配合煤活惰比模型模型中配合煤的活惰比设为B：$B=\underset{i=1}{\overset{m}{\Sigma }}(A_i/I_i\times P_i)$其中，A_i为第i种煤的活性组分，I_i为第i种煤的惰性组分，P_i为第i种煤在配煤方案中所占的百分比，n为配煤方案中的单种煤的总个数；（二）预测焦炭质量指标根据实验焦炉炼焦实验或生产焦炉焦炭的检验分析数据与实际煤质检测分析进行比较，对焦炭机械强度和热态性能指标进行预测，并采用支持向量机技术，$L^{ϵ}(x,y,f)={|y-f\left(x\right)|}_{ϵ}=\left\{\begin{array}{cc}0& |y-f\left(x\right)|\le ϵ\\ |y-f\left(x\right)|-ϵ& \mathrm{else}\end{array}\right.---\left(1\right)$其中f是域X上的实值函数，其意义为如果预测值与实际值之间的差别小于ε时，则损失等于0，否则为预测值和实际值差的绝对值与之差，在线性函数集合中寻找一种估计回归函数，f(x)=(w·x)+b  w,x∈Rⁿ,b∈R，其中，（x₁,y₁）,…(x_m,y_m)是独立同分布的数据，b为偏置量，回归估计问题是求参数w和b，使得对于样本以外的输入x，满足|f(x)-(w·x)-b|≤ε，求参数w和b等价于求下式的最小值，$\min \Phi \left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2=\frac{1}{2}(w·w)---\left(2\right)$$\mathrm{subject\; to}\left\{\begin{array}{c}{y}_i-((w·x_i)+b)\le ϵ\\ ((w·x_i)+b)-y_i\le ϵ\end{array}\right.i=\mathrm{1,2},...,m$为确保上述优化问题有解，引入松弛变量ξ，，则优化问题转化为求解在下式约束下的最小值问题：$\min \Phi \left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i}{\overset{m}{\Sigma }}({\xi }_i+{\hat{\xi }}_i)---\left(3\right)$$\mathrm{subject\; to}\left\{\begin{array}{c}{y}_i-((w·x_i)+b)\le ϵ+{\xi }_i\\ ((w·x_i)+b)-y_i\le ϵ+{\hat{\xi }}_i\\ {\xi }_i{\hat{\xi }}_i\ge 0i=\mathrm{1,2},...,l\end{array}\right.$其中C为指定的常数，C>0，用来表示函数f的平滑度和允许误差大于ε的数值之间的折中，主要在提高泛化能力和减小误差之间起调控作用，ε为一正数，需要事先设定，主要是用来控制算法希望达到的精度，通过把原问题转化为对偶问题来求最优解，根据目标函数和约束条件建立Lagrange函数，则优化问题的对偶形式为$L(w,b,{\xi }_i,{\hat{\xi }}_i)=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i}{\overset{m}{\Sigma }}({\xi }_i+{\hat{\xi }}_i)-\underset{i=1}{\overset{m}{\Sigma }}{\alpha }_i[ϵ+{\xi }_i-y_i+((w·x_i)+b)]-$$\underset{i=1}{\overset{m}{\Sigma }}{\hat{\alpha }}_i[ϵ+{\hat{\xi }}_i+y_i-((w·x_i)+b]-\underset{i=1}{\overset{m}{\Sigma }}(n_i{\xi }_i+{\hat{\eta }}_i{\hat{\xi }}_i)---\left(4\right)$其中，w，b，ξ_i，为原变量；α_i，，η_i，为对偶变量，且满足α_i，，η_i，，对上式中的变量求偏导，可得$\left\{\begin{array}{c}\frac{\partial L}{\partial b}=\underset{i=1}{\overset{m}{\Sigma }}({\hat{\alpha }}_i-{\alpha }_i)=0\\ \frac{\partial L}{\partial m}=w-\underset{i=1}{\overset{m}{\Sigma }}({\alpha }_i-{\hat{\alpha }}_i)x_i=0\\ \frac{\partial L}{\partial {\hat{\xi }}_i}=C-{\hat{\alpha }}_i-{\hat{\eta }}_i=0\end{array}\right.---\left(5\right)$将（5）代入（4）可得其对偶优化问题为：在约束条件（7）下，对求解函数式（6）的最大值：$\begin{array}{c}\max Q(\alpha -\hat{\alpha })=-\frac{1}{2}\underset{i,j=1}{\overset{m}{\Sigma }}({\alpha }_i-{\hat{\alpha }}_i)({\alpha }_j-{\hat{\alpha }}_j)(x_i,x_j)-\\ ϵ\underset{i=1}{\overset{m}{\Sigma }}({\alpha }_i+{\hat{\alpha }}_i)+\underset{i=1}{\overset{m}{\Sigma }}{y}_i({\alpha }_i-{\hat{\alpha }}_i)\end{array}---\left(6\right)$$\mathrm{subject\; to}\left\{\begin{array}{c}\underset{i=1}{\overset{m}{\Sigma }}({\alpha }_i-{\hat{\alpha }}_i)=0\\ {\alpha }_i,{\hat{\alpha }}_i\in [0,C]\end{array}\right.---\left(7\right)$它对应的KKT回补条件是$\left\{\begin{array}{c}{\alpha }_i(y_i-(w·x_i)-b-ϵ-{\xi }_i)=0\\ {\hat{\alpha }}_i((w·x_i)+b-y_i-ϵ-{\hat{\xi }}_i)=0\\ {\xi }_i{\hat{\xi }}_i=0\\ {\alpha }_i{\hat{\alpha }}_i=0\\ ({\alpha }_i-C){\xi }_i=0\\ ({\hat{\alpha }}_i-C){\hat{\xi }}_i=0\end{array}\right.---\left(8\right)$求解上述问题后，可得w和待估计函数$\left\{\begin{array}{c}w=\underset{i=1}{\overset{m}{\Sigma }}({\alpha }_i-{\hat{\alpha }}_i)x_i\\ f\left(x\right)=\underset{i=1}{\overset{m}{\Sigma }}({\alpha }_i-{\hat{\alpha }}_i)(x_i,x)+b\end{array}\right.---\left(9\right)$利用支持向量机解决非线性问题，首先利用一个非线性映射将训练数据集非线性映射到一个高维特征空间，即Hilbert空间，将非线性函数回归问题转化为高维特征空间中的线性函数回归问题，转换的方法是引入如径向基的核函数；（三）建立焦炭抗碎强度和耐磨强度预测模型将参加配煤单种煤的镜质组全反射率全部参与该配煤模型及预测焦炭质量指标系统中，从系统中提取到镜质组反射率数据，根据0.05阶的划分，由长焰煤到贫瘦煤，再到无烟煤阶段，共留有60个数据段，并形成60个因变量，无论是对捣固炼焦对煤种适用性宽泛性要求，还是常规顶装煤焦炉用煤特点，对参与配煤的任何一个煤种镜质组反射分布都会落到该60个数据段内，并分别用D₁, D₂…D₆₀来表示，对焦炭质量的预测模型结构形式构成如下：M₄₀=SvmM40(D₁,D₂…D₆₀,B_mix,G_mix,Y_mix)M₁₀=SvmM10(D₁,D₂…D₆₀,B_mix,G_mix,Y_mix)其中，SvmM40和SvmM10为自定义的支持向量机的预测函数；（四）建立焦炭反应性CRI和反应后强度CSR预测模型预测模型结构形式如下：CRI=SvmCRI(D₁,D₂…D₆₀,B_mix,G_mix,Y_mix)CSR=SvmCSR(D₁,D₂…D₆₀,B_mix,G_mix,Y_mix)其中，SvmCRI和SvmCSR为自定义的支持向量机的预测函数；三. 采用单种炼焦煤的粘结性指标水平，包括胶质层最大厚度Y值、黏结指数G值为二因素，并录入到煤质性质信息数据库；采用单种炼焦煤的煤岩指标水平，包括煤镜质组全反射率精细段落数据、煤岩显微组成计算得到的活惰比参数构成的二因素，由此所形成的配合煤煤质信息数据库；在结合配煤比，采用支持向量基技术来预测焦炭的抗碎强度M₄₀、耐磨强度M₁₀及反应性CRI和反应后强度CSR。