基于精確匹配數(shù)據(jù)的焦炭質(zhì)量預測

沈 坤,劉有勢,劉錄光,南晨晨

(湖南師范大學信息科學與工程學院，中國 長沙 410081)

在實際煉焦生產(chǎn)過程中，為提高配煤的準確性，配煤專家根據(jù)實際煉焦工況及配合煤質(zhì)量指標預測焦炭質(zhì)量，并基于預測結果為配煤方案的優(yōu)化提供數(shù)據(jù)支撐。焦炭質(zhì)量預測的理論依據(jù)是配合煤的成焦理論，而在實際生產(chǎn)過程中，普遍基于煉焦生產(chǎn)數(shù)據(jù)，采用焦炭質(zhì)量預測模型進行計算。

用于焦炭質(zhì)量預測的基礎數(shù)據(jù)主要包括小焦爐試驗數(shù)據(jù)和實際煉焦生產(chǎn)數(shù)據(jù)[1-2]，其區(qū)別在于試驗數(shù)據(jù)可以提供更精細的煤、焦質(zhì)量指標信息，但成本高、耗時長，難以在日常煉焦生產(chǎn)過程中使用，因此主要用于焦化及配煤理論研究。實際煉焦生產(chǎn)數(shù)據(jù)受焦化企業(yè)化驗室技術水平、化驗成本及質(zhì)量管理的影響僅包含有限的煤、焦質(zhì)量指標信息，但這些指標可以按班組檢測，形成指導生產(chǎn)的質(zhì)量報表，且滿足焦炭質(zhì)量國家標準的檢測要求，能真實地反映煉焦生產(chǎn)過程，可直接用于焦炭質(zhì)量預測。

用于焦炭質(zhì)量預測的方法主要包括以回歸分析為代表的統(tǒng)計學方法[2-3]和以神經(jīng)網(wǎng)絡為代表的智能方法[4-7]。當前，具有逼近任意非線性函數(shù)的神經(jīng)網(wǎng)絡成為了焦炭質(zhì)量預測的主要技術手段，其中采用BP神經(jīng)網(wǎng)絡[4]、RBF神經(jīng)網(wǎng)絡[5]以及自適應神經(jīng)模糊系統(tǒng)[6]構建的焦炭質(zhì)量預測方法得到了廣泛的應用。但上述文獻主要關注于神經(jīng)網(wǎng)絡的設計以及輸入變量的選取，并偏重于從成焦理論上分析配合煤質(zhì)量指標與焦炭質(zhì)量指標之間的關系，從煉焦工藝上分析煉焦工況對焦炭質(zhì)量的影響，而對用于訓練神經(jīng)網(wǎng)絡的實際煉焦生產(chǎn)數(shù)據(jù)及其關系缺乏深入的分析。雖然文獻[7]提到了用于焦炭質(zhì)量預測的模型數(shù)據(jù)時序匹配困難，但并沒有給出具體可行的數(shù)據(jù)匹配方法。在實際煉焦生產(chǎn)過程中，煤、焦質(zhì)量及煉焦工況數(shù)據(jù)以質(zhì)量報表和生產(chǎn)工藝報表的形式呈現(xiàn)，這些報表數(shù)據(jù)是配煤專家進行配煤的依據(jù)，因此從報表中分析和提取有效信息并完成時序匹配是進行焦炭質(zhì)量預測的必要工作。

由以上分析可知，基礎數(shù)據(jù)和預測方法是實現(xiàn)焦炭質(zhì)量預測的關鍵要素，已有的研究主要關注于預測方法的設計，而很少涉及對實際煉焦生產(chǎn)數(shù)據(jù)的分析與匹配。本文針對實際焦化企業(yè)的報表數(shù)據(jù)，分析、提取煉焦生產(chǎn)過程中煤、焦、工況數(shù)據(jù)及其匹配關系，并以此為基礎采用BP神經(jīng)網(wǎng)絡構建符合實際煉焦生產(chǎn)過程的焦炭質(zhì)量預測方法。

1 實際煉焦生產(chǎn)數(shù)據(jù)分析

焦化企業(yè)在煉焦生產(chǎn)過程中，由化驗室按班組采集單煤、配合煤、焦炭樣本進行化驗，并以質(zhì)量報表的形式呈現(xiàn)各樣本的質(zhì)量指標。本文對湖南某焦化企業(yè)5.5 m搗固焦質(zhì)量日報表進行分析，選取某日配合煤與焦炭的質(zhì)量指標數(shù)據(jù)如表1所示。由表1可知，化驗室3班均檢測配合煤的水分(Mt)、灰分(Ad)、揮發(fā)分(Vdaf)、硫分(St,d)、G值、細度及細度分布。對于焦炭質(zhì)量，化驗室3班均檢測焦炭的水分(Mt)、灰分(Ad)、揮發(fā)分(Vdaf)、硫分(St,d)、平均粒度及粒度分布，而只有每天的白班才檢測焦炭的M40與M10，并由白班在干熄焦工段取樣檢測焦炭的CRI與CSR指標,分別為20.7%和69.9%。

表1 配合煤與焦炭質(zhì)量日報表

考慮到配合煤細度分布可以由細度表示，因此本文采用配合煤的Mt，Ad，Vdaf，St,d和G值及細度指標作為焦炭質(zhì)量預測模型的輸入變量。焦炭質(zhì)量指標中的平均粒度是粒度分布的函數(shù)，且焦炭粒度受篩焦工藝影響，而焦炭的水分主要由熄焦工藝決定，因此選取焦炭的Ad，Vdaf，St,d，M40，M10，CRI及CSR指標作為焦炭質(zhì)量預測模型的輸出變量。

基于上述質(zhì)量日報表中配合煤與焦炭質(zhì)量指標的選取，本文收集了湖南某焦化企業(yè)2018年全年的配合煤與焦炭質(zhì)量數(shù)據(jù)，并對數(shù)據(jù)進行圖表分析，部分指標的分析結果如圖1和圖2所示。由圖1可知，配合煤各質(zhì)量指標的平均值均在要求范圍內(nèi)，其中水分在年初出現(xiàn)了超過上限值的情況，這可能與南方雨季空氣濕度高有關，揮發(fā)分穩(wěn)定在限值范圍內(nèi)，G值和細度出現(xiàn)了較大范圍的波動，且部分數(shù)據(jù)超出限值。在圖2中，焦炭的冷態(tài)強度(M40，M10)及熱態(tài)強度(CSR，CRI)指標均在限值范圍內(nèi)。

圖1 配合煤質(zhì)量指標統(tǒng)計圖

圖2 焦炭質(zhì)量指標統(tǒng)計圖

煉焦工況數(shù)據(jù)由工況日報表提供，本文選取對焦炭質(zhì)量有影響的最短結焦時間(Ctime)、機側(cè)直行溫度(CMT)、焦側(cè)直行溫度(CCT)、直行溫度平均系數(shù)K均(KM)及直行溫度安定系數(shù)K安(KA)等工況數(shù)據(jù)進行分析，如表2所示。最短結焦時間、機側(cè)直行溫度、焦側(cè)直行溫度按班組統(tǒng)計，K均與K安按天統(tǒng)計。

根據(jù)上述工況日報表，經(jīng)剔除無效、未記錄數(shù)據(jù)后的湖南某焦化企業(yè)2018年全年工況數(shù)據(jù)統(tǒng)計圖如圖3所示。由圖3可知，大部分工況數(shù)據(jù)滿足生產(chǎn)要求，但仍存在超出規(guī)范值的情況，其中最短結焦時間在一段時間內(nèi)稍微低于要求值，企業(yè)在該時段內(nèi)可能處于強化生產(chǎn)過程，與此同時機、焦側(cè)直行溫度先超出上限值再回到平均值附近，這說明現(xiàn)場操作人員針對強化生產(chǎn)的影響修改了加熱制度。從K均曲線可以看出，雖然其平均值可以滿足要求，但仍存在低于下限值的情況，它反映了焦爐測溫火道平均溫度的均勻性。

表2 工況日報表

圖3 工況數(shù)據(jù)統(tǒng)計圖

2 數(shù)據(jù)匹配關系分析

為了分析配合煤、焦炭及工況數(shù)據(jù)的匹配關系，根據(jù)企業(yè)生產(chǎn)過程與管理要求，在圖4中給出了一個煉焦周轉(zhuǎn)周期所涉及的班組、物流位置、操作及數(shù)據(jù)等信息。配合煤經(jīng)粉碎后由皮帶送入煤塔，制樣人員在皮帶上取配合煤煤樣，化驗室人員給出該煤樣的質(zhì)量數(shù)據(jù)；為保證生產(chǎn)的連續(xù)性，配合煤將在煤塔中儲存一個班組時間(8 h)，再經(jīng)搗固后裝煤；配合煤在炭化室內(nèi)經(jīng)過26 h的干餾煉焦，再經(jīng)過出焦、熄焦后送至篩焦樓；經(jīng)篩焦工藝處理的焦炭由皮帶送出，制樣人員在皮帶上取焦樣，化驗室人員給出該焦樣的質(zhì)量數(shù)據(jù)。對于工況數(shù)據(jù)，在每個班組交班的時候給出當前班組的工況信息，對于KM與KA等按日統(tǒng)計的數(shù)據(jù)，則由中班最后統(tǒng)計。

圖4 數(shù)據(jù)時序關系圖

2.1 配合煤與焦炭數(shù)據(jù)匹配關系

由圖4可知，晚班制樣的配合煤經(jīng)過一系列煉焦工序后，在次日中班可以得到其對應的焦炭質(zhì)量指標數(shù)據(jù)，由此可以認為當日晚班取樣的配合煤與次日中班取樣的焦炭相匹配。即焦炭質(zhì)量指標數(shù)據(jù)與配合煤質(zhì)量指標數(shù)據(jù)在時序上相差5個班組。在配煤專家的配煤經(jīng)驗中，配合煤到焦炭的時間間隔一般取1.5個結焦時間。在本文中，結焦時間為26 h，因此分析得到的5個班組間隔與經(jīng)驗值基本一致。在上述實際焦炭質(zhì)量指標分析中，每班組均可得到焦炭的Ad，Vdaf，St和d，因此對于這3個數(shù)據(jù)可按間隔5個班組的時序找到相匹配的配合煤班組數(shù)據(jù)。焦炭的M40和M10僅由白班給出，因此也可按間隔5個班組的時序找到與其匹配的配合煤數(shù)據(jù)。在表1中，在干熄焦工段取樣檢測焦炭的CSR及CRI指標，結合圖4可知焦炭的CSR及CRI指標需按間隔4個班組的時序找到與之匹配的配合煤班組數(shù)據(jù)。

2.2 工況與焦炭數(shù)據(jù)匹配關系

在圖4中，晚班制樣的配合煤在炭化室內(nèi)受到當日白班、中班及次日晚班、白班工況的影響，即中班獲取的焦炭質(zhì)量數(shù)據(jù)與當日白班、晚班及前一日中班、白班的工況數(shù)據(jù)相匹配。在表2給出的工況數(shù)據(jù)中，機、焦側(cè)直行溫度每日3班均可獲得，且直行溫度影響整個煉焦過程，因此可按上述匹配關系進行數(shù)據(jù)匹配。最短結焦時間由每個班組統(tǒng)計，由圖4可知，當日中班獲取的焦炭質(zhì)量數(shù)據(jù)與當日白班統(tǒng)計的最短結焦時間相匹配。K均和K安系數(shù)按日統(tǒng)計，因此在圖4中，當日中班獲取的焦炭質(zhì)量數(shù)據(jù)與當日及前一日的K均和K安系數(shù)匹配，而由當日白班或晚班獲取的焦炭質(zhì)量數(shù)據(jù)僅與前一日的K均和K安系數(shù)匹配。

2.3 匹配數(shù)據(jù)組及PCA降維

基于上述數(shù)據(jù)匹配關系，本文將圖2和圖3所示的某焦化企業(yè)2018年實際煉焦生產(chǎn)數(shù)據(jù)分為3個匹配數(shù)據(jù)組，如表3所示。由于存在圖4所示的時序關系，并剔除了部分記錄不完整的數(shù)據(jù)組，因此表3給出的數(shù)據(jù)規(guī)模稍少于圖2與圖3。此外，對于工況指標數(shù)據(jù)，考慮到焦炭質(zhì)量受多個班組工況數(shù)據(jù)的共同影響，且圖3所示的實際煉焦生產(chǎn)過程工況相對穩(wěn)定，因此取多個班組工況數(shù)據(jù)的平均值具有實際意義。

由表3可知，在匹配數(shù)據(jù)組中配合煤指標包含6項原始數(shù)據(jù)指標，工況指標包含5項數(shù)據(jù)指標。為降低數(shù)據(jù)指標的維度，對原始指標數(shù)據(jù)進行主成分分析(PCA)，分析結果如表4所示。基于主成分總貢獻率大于90%的原則，選取經(jīng)PCA分析后的配合煤指標3個主成分，分別命名為M1，M2和M3，各主成分的貢獻率如表4所示。對于工況數(shù)據(jù)，經(jīng)PCA分析后，其兩個主成分的總貢獻率達到99%，因此選取工況指標主成分C1與C2。

表3 匹配數(shù)據(jù)組

表4 數(shù)據(jù)組的PCA分析

3 焦炭質(zhì)量預測

依據(jù)上述實際煉焦生產(chǎn)數(shù)據(jù)的分組與匹配關系，本文采用BP神經(jīng)網(wǎng)絡構建焦炭質(zhì)量預測模型。BP神經(jīng)網(wǎng)絡具有逼近非線性函數(shù)的能力，并已廣泛應用于焦炭質(zhì)量預測算法的設計。針對表4中數(shù)據(jù)組C_Base，C_M40M10和C_CRICSR分別構建BP神經(jīng)網(wǎng)絡。在MATLAB軟件中，數(shù)據(jù)經(jīng)標幺化操作后，采用標準函數(shù)newff構建3層神經(jīng)網(wǎng)絡，其中輸入層神經(jīng)元個數(shù)為5個，分別對應表4中配合煤主成分(M1，M2和M3)及工況主成分(C1和C2)，中間層神經(jīng)元個數(shù)為9個，輸出層神經(jīng)元與焦炭質(zhì)量指標相對應。利用train函數(shù)訓練網(wǎng)絡，最后由sim函數(shù)進行預測計算。選取數(shù)據(jù)組的前2/3部分作為訓練樣本，后1/3部分作為測試樣本。為了對比分析實際煉焦工況數(shù)據(jù)對焦炭質(zhì)量預測精度的影響，對各數(shù)據(jù)組分別構建了不考慮工況的神經(jīng)網(wǎng)絡預測模型。

基于上述實際煉焦生產(chǎn)數(shù)據(jù)組及BP神經(jīng)網(wǎng)絡，本文進行了考慮工況與不考慮工況的焦炭質(zhì)量預測分析，各焦炭質(zhì)量指標的預測誤差如圖5所示。由圖5可知，考慮工況與不考慮工況對應的預測誤差曲線幾乎一致，這說明穩(wěn)定、順行、合規(guī)的工況對焦炭質(zhì)量預測的影響較小。而無論是否考慮工況，焦炭灰分的預測誤差可以控制在±4%以內(nèi)，揮發(fā)分的預測誤差集中在±5%以內(nèi)，硫分的預測誤差大部分在±5%以內(nèi)，M40的預測誤差控制在±3%以內(nèi)，M10的預測誤差集中在±10%以內(nèi)，CRI的預測誤差大部分在±10%以內(nèi)，CSR的預測誤差在±5%以內(nèi)。

圖5 焦炭質(zhì)量預測誤差分析

表5給出了上述各焦炭質(zhì)量指標預測誤差絕對值的平均值。由表5可知，除了CRI指標，其他指標的預測誤差絕對值的平均值均小于5%。工況參與預測后，焦炭質(zhì)量指標CRI與CSR的預測精度得到了提高。

表5 絕對誤差平均值

進一步在表6中給出了上述預測計算的誤差均方根，可以看出在預測模型中考慮實際煉焦工況可以提高焦炭質(zhì)量的預測精度，且部分指標優(yōu)于文獻[5]的計算結果，這說明精確的數(shù)據(jù)匹配可以有效地提高焦炭質(zhì)量的預測精度，并彌補預測算法的性能。

表6 誤差均方根

4 結論

在實際煉焦生產(chǎn)過程中，焦炭質(zhì)量的預測精度取決于對煉焦生產(chǎn)數(shù)據(jù)的處理以及預測方法的設計，本文分析了實際焦化企業(yè)的報表數(shù)據(jù)，完成了數(shù)據(jù)的分析、提取、匹配及PCA降維，并結合BP神經(jīng)網(wǎng)絡，構建了符合實際煉焦生產(chǎn)過程的焦炭質(zhì)量預測模型，計算結果表明穩(wěn)定、順行、合規(guī)的煉焦工況對焦炭質(zhì)量預測精度的影響較小，而精確的數(shù)據(jù)匹配有利于提高預測精度，并可降低對預測方法性能的要求。此外，本文對實際煉焦生產(chǎn)數(shù)據(jù)的分析以及焦炭質(zhì)量預測方法的設計是工業(yè)大數(shù)據(jù)分析與數(shù)據(jù)挖掘的一種嘗試，并可為其他流程化工業(yè)生產(chǎn)過程的數(shù)據(jù)分析與挖掘提供借鑒。