[发明专利]煤岩镜质组全反射率非线性优化配煤预测焦炭质量的方法

摘要

本发明公开了一种煤岩镜质组全反射率非线性优化配煤预测焦炭质量的方法，对焦化企业生产焦炭的稳定性和焦炭质量的提高提供重要技术的保证。本发明的方法步骤为：建立炼焦用煤资源信息数据库，将炼焦配合煤的粘结性指标，单种炼焦煤的煤岩指标，输入炼焦用煤资源信息数据库中；通过支持向量机建立焦炭质量预测模型，根据炼焦配合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来预测焦炭的质量指标。本发明在炼焦过程中能够表征炼焦煤在软化过程中表示胶质体数量的胶质层最大厚度Y值与表示胶质体黏结性质量，实现预测焦炭机械强度和热态性能为目标的预测过程。

主权项

1.一种煤岩镜质组全反射率非线性优化配煤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.建立炼焦用煤资源信息数据库将炼焦配合煤的粘结性指标，包括胶质层最大厚度Y值、黏结指数G值为一水平的二因素，并录入到煤质性质信息数据库；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、煤岩显微组成计算得到的活惰比参数构成的一水平二因素，以及由此所形成的配合煤煤质信息输入到煤质性质信息数据库中，建立起炼焦用煤资源信息数据库；二.建立焦炭质量预测模型根据炼焦配合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四个指标来预测焦炭的质量指标，配合煤的预测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）确定炼焦配合煤质量指标根据实验焦炉或焦化厂生产焦炉实际使用的在备煤工艺粉碎机后形成的配合煤黏结性指标或实验焦炉粉碎并配合后的煤黏结性指标，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，根据煤质特性对炼焦煤的上述二个黏结性因素及二个煤岩指标因素采用支持向量机技术进行预测，由炼焦配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、部分半镜质组和稳定组，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)配合煤的最大胶质层厚度Y值和黏结指数G值以实际分析值为准(2)炼焦煤镜质组全反射率及显微组分的活惰比按计算模型D_j是模型中配合煤镜质组在j点反射率的频数： D j = ∑ i=1 n (DSingle j × P 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；配合煤的活惰比设为B: B = ∑ i = 1 n ( A i / I i × 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的焦炭质量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，支持向量机是基于统计学理论的结构风险最小化原则，利用最大分界面分类器思想和基于核的方法结合在一起， L ϵ ( x , y , f ) = | y - f ( x ) | ϵ = 0 | y - f ( x ) | ≤ ϵ | y - f ( x ) | - ϵ else - - - ( 1 ) ]]>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 Φ ( w ) = 1 2 | | w | | 2 = 1 2 ( w · w ) - - - ( 2 ) ]]> s u b j e c t t o { y i ( ( w · x i ) + b ) ≤ ϵ ( ( w · x i ) + b ) y i ≤ ϵ i = 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 Φ ( w ) = 1 2 | | w | | 2 + C ∑ i m ( ξ i + ξ ^ i ) - - - ( 3 ) ]]> s u b j e c t t o { y i ( ( w · x i ) + b ) ≤ ϵ + ξ i ( ( w · x i ) + b ) y i ≤ ϵ + ξ ^ i ξ i , ξ ^ i ≥ 0 i = 1 , 2 , . . . , l ]]>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，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 , ξ i , ξ ^ i ) = 1 2 | | w | | 2 + C ∑ i m ( ξ i + ξ ^ i ) ∑ i = 1 m α i [ ϵ + ξ i y i + ( ( w · x i ) + b ) ] ]]> ∑ i = 1 m α ^ i [ ϵ + ξ ^ i + y i ( ( w · x i ) + b ] ∑ i = 1 m ( n i ξ i + η ^ i ξ ^ i ) - - - ( 4 ) ]]>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，≥0，对上式中的变量求偏导，可得 { ∂ L ∂ b = ∑ i = 1 m ( α ^ i α i ) = 0 ∂ L ∂ w = w ∑ i = 1 m ( α i α ^ i ) x i = 0 ∂ L ∂ ξ ^ i = C α ^ i η ^ i = 0 - - - ( 5 ) ]]>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： max Q ( α α ^ ) = 1 2 ∑ i , j = 1 m ( α i α ^ i ) ( α j α ^ j ) ( x i , x j ) ϵ ∑ i = 1 m ( α i + α ^ i ) + ∑ i = 1 m y i ( α i α ^ i ) - - - ( 6 ) ]]> s u b j e c t t o { ∑ i = 1 m ( α i α ^ i ) = 0 α i , α ^ i ∈ [ 0 , C ] - - - ( 7 ) ]]>它对应的KKT回补条件是 { α i ( y i ( w · x i ) b ϵ ξ i ) = 0 α ^ i ( ( w · x i ) + b y i ϵ ξ ^ i ) = 0 ξ i ξ ^ i = 0 α i α ^ i = 0 ( α i C ) ξ i = 0 ( α ^ i C ) ξ ^ i = 0 - - - ( 8 ) ]]>求解上述问题后，可得w和待估计函数 { w = ∑ i = 1 m ( α i α ^ i ) x i f ( x ) = ∑ i = 1 m ( α i α ^ i ) ( x i , x ) + b - - - ( 9 ) ]]>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，转换的方法是引入核函数的思想，如径向基函数；支持向量机的预测是将具有代表性的配合煤Y值和G值数据和预测得到的煤岩指标作为输入参数，以焦炭质量指标作为输出参数，对支持向量机进行训练，形成输入参数和输出参数的非线性关系，然后将待预测的配合煤指标数据作为输入参数，得到焦炭的指标；（三）建立焦炭抗碎强度和耐磨强度预测模型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，支持向量机的预测是将具有代表性的配合煤Y值和G值数据和预测得到的煤岩指标作为输入参数，以焦炭质量指标作为输出参数，对支持向量机进行训练，形成输入参数和输出参数的非线性关系，然后将待预测的配合煤指标数据作为输入参数，得到焦炭的指标；从技术机系统中提取到镜质组反射率数据，根据0.05阶的划分，由长焰煤到贫瘦煤阶段，共留有60个数据段，同时，对参与配煤的任何一个煤种镜质组反射分布都会落该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： M 40 =SvmM40( D 1 ,D . 2 .. D 60 , B mix , G mix , Y mix ) ]]> M 10 =SvmM10( D 1 , D 2 ... D 60 , 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( D 1 ,D . 2 .. D 60 , B mix , G mix , Y mix ) ]]> CSR=SvmCSR( D 1 ,D . 2 .. D 60 , 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.采用炼焦配合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，以及由此所形成的配合煤煤质信息数据库，并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。