一种基于神经网络模型的炼焦人工智能配煤系统的制作方法

1.本发明属于智能配煤技术领域，具体涉及一种基于神经网络模型的炼焦人工智能配煤系统。


背景技术：

2.炼焦是指炼焦煤在隔绝空气条件下加热到1000℃左右(高温干馏)，通过热分解和结焦产生焦炭、焦炉煤气和其他炼焦化学产品的工艺过程。炼焦化学产品是重要的化工原料，因此炼焦生产是现代钢铁工业的一个重要环节。
3.现有的焦化厂在进行炼焦时，通常依据配煤师的经验完成配煤，这种方式不能准确地预测焦炭质量，也不能准确的给出最优的配煤比例。


技术实现要素：

4.针对上述背景技术所提出的问题，本发明的目的是：旨在提供一种基于神经网络模型的炼焦人工智能配煤系统。
5.为实现上述技术目的，本发明采用的技术方案如下：
6.一种基于神经网络模型的炼焦人工智能配煤系统，所述炼焦人工智能配煤系统的实施流程如下，
7.s1.模型定义，结合已有的炼焦数据、分析配煤比和焦炭质量的对应关系，计算出焦炭质量预测模型，该焦炭质量预测模型包括输入层、隐层、以及输出层，所述输入层包括x1…
xi…
xd若干个输入神经元，所述隐层包括b1…bh
…bq
若干个隐层神经元，所述输出层包括y1…
yj…yl
若干个输出神经元，所述输入神经元与隐层神经元之间的对应权重为v
ih
，所述隐层神经元与输出神经元之间的对应权重为w
hj
；
8.第h个所述隐层神经元的值等于第j个所述输出神经元的值等于
9.s2.训练，通过导入历史配煤数据及相应焦炭检测结果，对焦炭质量预测模型进行训练；
10.s3.评估，采用独立数据输入焦炭质量预测模型进行预测，若独立数据预测结果符合预期，则进入下一步，若独立数据预测结果不符合预期，则回到s1，对焦炭质量预测模型进行调整；
11.s4.经验证的模型，此时的焦炭质量预测模型结果符合预期；
12.s5.应用，焦炭质量预测模型应用于生产。
13.进一步限定，所述模型定义包括模型初始化，所述模型初始化指，对输入神经元、隐层神经元、输出神经元之间的权重系数赋初始值。
14.进一步限定，训练过程中，所述焦炭质量预测模型导入历史配煤数据及相应焦炭检测结果，并不断纠正权重系数。
15.进一步限定，所述独立数据不存在于历史配煤数据及相应焦炭检测结果中。
16.本发明的有益效果：
17.1.依据要求的焦炭质量指标及各单种煤的成本价格，自动给出最优化的煤种配比，在保证焦炭质量的前提下节省了焦化企业的原材料成本；
18.2.根据各单种煤的指标及配比，准确预测焦炭的质量。
附图说明
19.本发明可以通过附图给出的非限定性实施例进一步说明；
20.图1为本发明一种基于神经网络模型的炼焦人工智能配煤系统实施例的实施流程图；
21.图2为本发明一种基于神经网络模型的炼焦人工智能配煤系统实施例中焦炭质量预测模型的示意图；
具体实施方式
22.为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。
23.本案实施中，结合图1-2，本发明的一种基于神经网络模型的炼焦人工智能配煤系统，其实施流程如下，
24.s1.模型定义，结合已有的炼焦数据、分析配煤比和焦炭质量的对应关系，计算出焦炭质量预测模型，该焦炭质量预测模型包括输入层、隐层、以及输出层，输入层包括x1…
xi…
xd若干个输入神经元，隐层包括b1…bh
…bq
若干个隐层神经元，输出层包括y1…
yj…yl
若干个输出神经元，输入神经元与隐层神经元之间的对应权重为vih，隐层神经元与输出神经元之间的对应权重为w
hj
；
25.第h个隐层神经元的值等于第j个输出神经元的值等于
26.s2.训练，通过导入历史配煤数据及相应焦炭检测结果，对焦炭质量预测模型进行训练；
27.s3.评估，采用独立数据输入焦炭质量预测模型进行预测，若独立数据预测结果符合预期，则进入下一步，若独立数据预测结果不符合预期，则回到s1，对焦炭质量预测模型进行调整；
28.s4.经验证的模型，此时的焦炭质量预测模型结果符合预期；
29.s5.应用，焦炭质量预测模型应用于生产，在实际应用过程中，经验证的焦炭质量预测模型，一方面依据要求的焦炭质量指标及各单种煤的成本价格，自动给出最优化的煤种配比，另一方面，根据各单种煤的指标及配比预测焦炭的质量指标。
30.上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。


技术特征：
1.一种基于神经网络模型的炼焦人工智能配煤系统，其特征在于：所述炼焦人工智能配煤系统的实施流程如下，s1.模型定义，结合已有的炼焦数据、分析配煤比和焦炭质量的对应关系，计算出焦炭质量预测模型，该焦炭质量预测模型包括输入层、隐层、以及输出层，所述输入层包括x1…
x
i
…
x
d
若干个输入神经元，所述隐层包括b1…
b
h
…
b
q
若干个隐层神经元，所述输出层包括y1…
y
j
…
y
l
若干个输出神经元，所述输入神经元与隐层神经元之间的对应权重为v
ih
，所述隐层神经元与输出神经元之间的对应权重为w
hj
；第h个所述隐层神经元的值等于第j个所述输出神经元的值等于s2.训练，通过导入历史配煤数据及相应焦炭检测结果，对焦炭质量预测模型进行训练；s3.评估，采用独立数据输入焦炭质量预测模型进行预测，若独立数据预测结果符合预期，则进入下一步，若独立数据预测结果不符合预期，则回到s1，对焦炭质量预测模型进行调整；s4.经验证的模型，此时的焦炭质量预测模型结果符合预期；s5.应用，焦炭质量预测模型应用于生产。2.根据权利要求1所述的一种基于神经网络模型的炼焦人工智能配煤系统，其特征在于：所述模型定义包括模型初始化，所述模型初始化指，对输入神经元、隐层神经元、输出神经元之间的权重系数赋初始值。3.根据权利要求2所述的一种基于神经网络模型的炼焦人工智能配煤系统，其特征在于：训练过程中，所述焦炭质量预测模型导入历史配煤数据及相应焦炭检测结果，并不断纠正权重系数。4.根据权利要求3所述的一种基于神经网络模型的炼焦人工智能配煤系统，其特征在于：所述独立数据不存在于历史配煤数据及相应焦炭检测结果中。

技术总结
本发明公开了一种基于神经网络模型的炼焦人工智能配煤系统，所述炼焦人工智能配煤系统的实施流程如下，S1.模型定义，结合已有的炼焦数据、分析配煤比和焦炭质量的对应关系，计算出焦炭质量预测模型，该焦炭质量预测模型包括输入层、隐层、以及输出层，所述输入层包括x1…


技术研发人员：田效永
受保护的技术使用者：山东青博工业科技有限公司
技术研发日：2022.04.11
技术公布日：2022/7/1