一种冶金焦炭质量预测影响因素确定方法与流程

1.本发明涉及属于冶金焦炭质量预测技术领域，具体涉及一种冶金焦炭质量预测影响因素确定方法。


背景技术：

2.冶金焦炭是高炉冶炼中最重要的基础原料，是高炉冶炼生产的热源、还原剂、料柱骨架和渗透剂，同时也是高炉生产过程最重要的调节手段。近年来随着高炉冶炼技术的发展和进步，特别是高炉容积大型化、高风温技术以及鼓风富氧喷煤技术的迅猛发展，焦炭作为高炉内料柱的骨架，保证高炉内透气、透液作用更为突出。冶金焦炭的质量对现代高炉冶炼过程有着极大的影响，成为限制高炉稳定、均衡、优质、高效生产铁水的关键性因素。
3.对焦炭质量的预测是冶金焦炭质量管控与生产的重要环节，但由于冶金焦炭生产的复杂性及不稳定性，特别是原料炼焦单种煤性质的极端复杂性和炼焦过程的不可模拟性都为冶金焦炭的准确预测增加了难度，成为炼焦行业的一个难题。许多焦化企业采用不同的方法和形式的来冶金焦炭质量，但由于冶金焦炭生产的差异性，焦炭质量预测的普适性很差。


技术实现要素：

4.本发明的目的在于提供一种焦炭质量预测影响因素确定方法，采集大量的生产数据，利用极限梯度增强树的大数据处理方法计算影响冶金焦炭质量指标的相关性，确定冶金焦炭质量影响的参数。
5.具体的，冶金焦炭质量预测影响因素确定方法，所述方法包括以下步骤：
6.步骤一：采集冶金焦炭生产过程中的数据，对数据进行清洗；
7.步骤二：采用极限梯度增强树方法不断的训练新树来拟合之前树种群的预测残差，在训练完成后，将每棵树对应叶节点的分数汇总即得样本的预测值；极限梯度增强树的目标函数定义为：
[0008][0009]
其中：f为所有决策树代表的函数空间，y
i
和分别为样本真实值和模型预测值；f
k
为第k个决策树(所对应的等价函数)。目标函数分为两部分,前一项为模型损失即预测误差；后一项为正则项,用来规范模型结构/行为。
[0010]
进一步的，所述方法步骤二中采用极限梯度增强树方法不断的训练新树来拟合之前树种群的预测残差具体为采用基于egbt(极限梯度增强树(extreme gradient boostingtrees，egbt)是一种集成学习算法)的相关性分析，步骤包括：
[0011]
步骤二一：初始化弱分类器，设有m个回归树；
[0012]
步骤二二：求第i个基回归树的近似残差；
[0013]
步骤二三：利用步骤二二获得的近似残差rmj学习第i个基回归树，确定第i个基回归树的区域划分rmj；
[0014]
步骤二四：求rmj的最终残差rmj取值；
[0015]
步骤二五：更新回归树；
[0016]
步骤二六：若i<m重复步骤二二至步骤二五。
[0017]
本发明的有益效果在于：本发明利用大数据理论结合生产实际确定了一种以大数据理论分析影响冶金焦炭质量预测的分析方法，解决了原料炼焦单种煤性质的极端复杂性和炼焦过程的不可模拟性，增加了冶金焦炭的准确预测难度，焦炭质量预测的普适性很差，成为炼焦行业的一个难题。本发明将冶金焦炭生产过程中质量预测与大数据应用充分结合，提高冶金焦炭预测的普适性与准确性。
附图说明
[0018]
图1是本发明方法的流程图。
[0019]
图2为梯度增强树节点示意图。
具体实施方式
[0020]
下面结合附图对本发明的具体实施方式进行说明：
[0021]
如图1、图2所示，本发明采集大量的生产数据，利用极限梯度增强树的大数据处理方法计算影响冶金焦炭质量指标的相关性，确定冶金焦炭质量影响的参数。
[0022]
1、数据整理
[0023]
采集抽取某钢铁联合企业焦化厂冶金焦炭生产过程中数据135000条，包括单种煤质量指标、配合煤质量指标、焦炭质量指标、炼焦生产过程参数数据。按照配合煤、焦炭、焦炉工艺数据进行了数据匹配。基于焦炭生产工艺知识及焦化工程师长年累积的经验，建立初步的数据清洗的规则，并对数据进行了清洗。剔除了数据集中明显超出实际值范围的离群点数据、缺失数据(有个别参数没有记录)和非典型数据(数据明显偏离正常值且很少出现)。
[0024]
2、影响焦炭质量指标的相关性分析
[0025]
采用极限梯度增强树方法不断的训练新树来拟合之前树种群的预测残差，在训练完成后，将每棵树对应叶节点的分数汇总即得样本的预测值。极限梯度增强树的目标函数定义为：
[0026][0027]
所采用的基于egbt的相关性分析方法步骤如下：
[0028]
步骤1：初始化弱分类器，设有m个回归树；
[0029]
步骤2：求第i个基回归树的近似残差；
[0030]
步骤3：利用残差rmj学习第i个基回归树，确定第i个基回归树的区域划分rmj；
[0031]
步骤4：求rmj的最终取值rmj；
[0032]
步骤5：更新回归树；
[0033]
步骤6：若i<m重复步骤2
‑
5。
[0034]
方法的技术路线如图1所示。
[0035]
3、焦炭质量指标相关性分析
[0036]
相关性分析模型基于现场采集的焦炉配合煤指标、生产过程数据，构建极限梯度增强树模型，预测焦炭各项指标(灰分、硫分、m10、m40、cri、csr)。经参数优化后取得精度满足要求的模型，进而对模型本身进行分析，计算相对变量重要性，统计汇总得到各个特征变量与目标变量的相关性评估。
[0037]
具体的模型的输入、输出如表1所示：
[0038]
表1
[0039][0040][0041]
从采集的数据中选取规范数据用于训练梯度增强树回归模型，得到六个焦炭质量指标特征重要性。
[0042]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。


技术特征：
1.一种冶金焦炭质量预测影响因素确定方法，其特征在于，所述方法具体包括：步骤一：采集冶金焦炭生产过程中的数据，对数据进行清洗；步骤二：采用极限梯度增强树方法不断的训练新树来拟合之前树种群的预测残差，在训练完成后，将每棵树对应叶节点的分数汇总即得样本的预测值；极限梯度增强树的目标函数定义为：其中：f为所有决策树代表的函数空间，y
i
和分别为样本真实值和模型预测值；f
k
为第k个决策树，目标函数分为两部分,前一项为模型损失即预测误差；后一项为正则项,用来规范模型结构/行为。2.如权利要求1所述的冶金焦炭质量预测影响因素确定方法，其特征在于，所述方法步骤二中采用极限梯度增强树方法不断的训练新树来拟合之前树种群的预测残差具体为采用基于egbt的相关性分析，步骤包括：步骤二一：初始化弱分类器，设有m个回归树；步骤二二：求第i个基回归树的近似残差；步骤二三：利用步骤二二获得的近似残差rmj学习第i个基回归树，确定第i个基回归树的区域划分rmj；步骤二四：求rmj的最终残差rmj取值；步骤二五：更新回归树；步骤二六：若i<m重复步骤二二至步骤二五。3.如权利要求2所述的冶金焦炭质量预测影响因素确定方法，其特征在于，所述方法步骤一中，数据包括单种煤质量指标数据、配合煤质量指标数据、焦炭质量指标数据、炼焦生产过程参数数据。4.如权利要求1所述的冶金焦炭质量预测影响因素确定方法，其特征在于，所述方法步骤一中，数据清洗包括剔除数据集中明显超出实际值范围的离群点数据、缺失数据和非典型数据。5.如权利要求1所述的冶金焦炭质量预测影响因素确定方法，其特征在于，所述方法步骤一中，采集冶金焦炭生产过程中的数据后按照配合煤数据、焦炭数据、焦炉工艺数据进行数据匹配。

技术总结
本发明公开了一种冶金焦炭质量预测影响因素确定方法，属于冶金焦炭质量预测技术领域。方法为通过采集大量的生产数据，利用极限梯度增强树的大数据处理方法计算影响冶金焦炭质量指标的相关性，确定冶金焦炭质量影响的参数。本发明利用大数据理论结合生产实际确定了一种以大数据理论分析影响冶金焦炭质量预测的分析方法，解决了原料炼焦单种煤性质的极端复杂性和炼焦过程的不可模拟性，增加了冶金焦炭的准确预测难度，焦炭质量预测的普适性很差，成为炼焦行业的一个难题。本发明将冶金焦炭生产过程中质量预测与大数据应用充分结合，提高冶金焦炭预测的普适性与准确性。提高冶金焦炭预测的普适性与准确性。提高冶金焦炭预测的普适性与准确性。


技术研发人员：芦建文 王宏 江鑫 卢培山 付利俊 王勇 贾晓宗 欧宇星 范洪波 孙斌 王佳媛
受保护的技术使用者：包头钢铁（集团）有限责任公司
技术研发日：2021.05.10
技术公布日：2021/9/16