焦炭机械强度预测模型的研究吕青;何小刚;谢克明【摘要】The coke mechanical strength is an important index of coke quality, and an accurate predictive model of coke mechanical strength can ensure the coking production going well.Predicting the coke mechanical strength by support vector regression and detailedly analyzing the different forecasting effects with the different indexes of the blend coal and the coking process,the effective characteristic parameters are founded to establish the coke mechanical strength model. With the characteristic parameters selected, when 85≤M25≤90 or 6≤M10≤12, the predictive accuracy of the support vector machines model is high, the predictive error is small, the correlation is strong, and the generalization ability of the prediction model is great.%焦炭机械强度是焦炭质量的重要指标,建立准确的焦炭机械强度预测模型可保证炼焦生产顺利进行.把支持向量回归机用于焦炭机械强度的预测,详细地分析了不同配煤煤质特性指标及炼焦工艺指标情况下的预测效果,找到了建立预测模型的有效特征参数.基于所选特征参数,当85≤M25≤90,6≤M10≤12时,支持向量机模型的预测准确率高,误差小,相关性强,同时,预测模型的泛化能力强.【期刊名称】《煤炭转化》【年(卷),期】2011(034)001【总页数】4页(P18-21)【关键词】焦炭机械强度;支持向量回归机;泛化能力【作者】吕青;何小刚;谢克明【作者单位】太原理工大学信息工程学院,030024,太原;太原理工大学信息工程学院,030024,太原;太原理工大学信息工程学院,030024,太原【正文语种】中文【中图分类】TQ520.1;TP810 引言焦炭在高炉冶炼中主要是热源、还原剂和骨架作用,其中,焦炭提供热量和还原剂的作用可以由高炉喷煤替代,但骨架作用是无可替代的,为此焦炭应具有一定的机械强度.[1]焦炭机械强度是由两个指标即抗碎强度 M25和耐磨强度 M10组成,M25对焦块在高炉内承受的压力和冲击能力具有一定的模拟性,M10对焦块在高炉内的磨损有良好的模拟性,这两个指标反映了焦炭的一定骨架作用,是衡量焦炭质量的重要指标,建立它们的准确预测模型十分必要.目前,国内外预测焦炭机械强度的方法很多.[2,3]一般情况下,预测模型均建立在各厂的不同煤源、不同配煤实践和不同的工艺条件的基础上,通过大量的炼焦实验获得数学模型,而且在生产实践中还要对模型不断修正,有着各自的适用范围.对于本文的研究对象山西省河津市某焦化厂焦炭,不能直接使用现成的机械强度预测模型,甚至采用最常用的二元线性回归模型预测效果也不理想.考虑到影响焦炭机械强度的因素众多,情况复杂,本质上是非线性问题,本文采用支持向量机方法来建立 M25和 M10的预测模型.在 SVM回归建模时,不同的特征输入在很大程度上影响回归模型的性能,文中分析比较了不同配合煤煤质特性指标及炼焦工艺指标情况下的SVM预测效果,支持向量机基于所选的有效特征参数下的机械强度模型的预测性能好,推广能力强,满足实际生产需要.1 支持向量回归机基本模型支持向量机(SVM)是20世纪90年代中期由Vapnik等提出的一种新的机器学习方法,它采用结构风险最小化原则,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中,以获得最好的推广能力.支持向量回归机可形象理解为用柔软、可弯曲、具有恢复水平弹性的ε-管道套住尽量多的训练样本,ε-管道的中心线就是回归曲线,对超出管道之外的样本由松弛因子惩罚.[4-7]样本训练集假定为{(x1,y1),…,(xl,yl)},其中xi∈Rn为输入值,yi∈R为对应的目标值,l 为样本数.函数回归问题最终可归结为一个求解约束条件下的凸二次规划问题:＊国家自然科学基金资助项目(60843006).1)博士生、讲师;2)副教授、硕士生导师;3)教授、博士生导师,太原理工大学信息工程学院,030024 太原收稿日期:2010-05-19;修回日期:2010-06-252 基于支持向量机的焦炭机械强度预测模型的建立与分析以山西河津某焦化企业为例,每天的生产日报要记录入炉配合煤的性质指标、反映炼焦工艺的一些参数和出炉焦炭的质量指标数据,其中,入炉配合煤要作灰分、全硫、水分、细度、挥发分(Vdaf)和黏结指数(G)共6项指标分析,涉及炼焦工艺的有焦炉平均温度和结焦时间,焦炭的指标有灰分、硫、水分、挥发分、M25和M10,本文着重研究焦炭的机械强度指标,主要是建立 M25和 M10预测模型.配合煤性质和炼焦工艺条件都会影响焦炭机械强度,两种预测模型涉及到的是8个参数,这些参数会不同程度影响机械强度,支持向量机选择哪些特征参数输入影响所建立回归模型的性能,因此比较不同配合煤煤质特性指标及炼焦工艺指标情况下的SVM预测效果.SVM输入特征参数只考虑配合煤煤质指标做了三个实验.实验一:SVM特征参数为配合煤的挥发分(Vdaf)和黏结指数(G).实验二:SVM特征参数为配合煤的细度、挥发分(Vdaf)和黏结指数(G).实验三:SVM特征参数为配合煤的灰分、全硫、水分、细度、挥发分(Vdaf)和黏结指数(G).把炼焦工艺参数加入SVM特征输入量,做了两个实验.实验四:SVM特征参数为配合煤的细度、挥发分(Vdaf)和黏结指数(G)及焦炉平均温度和结焦时间.实验五:SVM特征参数为配合煤的灰分、全硫、水分、细度、挥发分(Vdaf)和黏结指数(G)及焦炉平均温度和结焦时间.五个实验支持向量机的输出量(目标值)分别为M25和M10.对比实验结果见第20页表1和表2,实验三的训练及测试样本集的预测结果见图1.3 结果与讨论图1 实验三基于支持向量机的 M10和 M25预测值与实际值Fig.1 M10,M25 actual value and M10,M25 p redicted value w ith SVR in Experiment 3a——M10;b——M25+ ——Testing data;●——Training data由图1可知,训练样本集和测试样本集的预测结果交织在一起,两类样本集的预测误差相当,甚至个别预测误差较大的点是支持向量机训练过的样本点,说明基于支持向量机的预测模型对于训练样本以外的预测效果也很稳定,SVM模型的泛化性能好.由图1还可知,对于M25和M10,出现较大预测误差的点都发生在两端极值范围内,这与样本的分布有关,本文用的样本集是实际生产的日报,数据主要集中在85≤M25≤90,6≤M10≤12范围,分布在两端极值区域的样本点的比较少,导致SVM 训练不充分,补充一定样本后,预测效果应会加强.由表1和表2中实验一、二、三的结果对比可见,选对结焦性起决定性作用的两种指标(挥发分和黏结指数),作为支持向量机的输入是不够的,6种配合煤的指标全部作为支持向量机的输入量时,所建立模型的预测效果最好.配合煤煤质的6个指标综合了更多对结焦影响的因素,所含有的信息多,把它们作为支持向量机建模方法的特征参数是合理有效的.对比表1和表2中实验二、四和实验三、五,再加入两种炼焦工艺参数后,支持向量机模型预测M25和M10的结果与之前没太大变化,说明两种炼焦工艺指标可以不作为支持向量机的输入量.可能由于工艺条件相对稳定,对焦炭质量的影响没有体现出来.表1 不同特征参数下SVR预测 M 10的比较Table 1 Comparison of M10 p redicted values under the different characteristic parameters of SVRNote:2009’s daily p roduction data of some coking plant in Hejin City,Shanxi Province are equally divided into 4 groups,w hich are numbered 1,2,3,4.Choose any 3 groups to constitute the training set w hich is used to train the SVRmodel,and the remaining group is as the testing set for exam ining the p redictive ability of the SVR model.In Table 1,2,123-4 means that the 1,2,3 groups are used to train the SVR model and the 4 group to test themodel.124-3,134-2 and 234-1 have the similarmeaning.Co rrelation coefficient refers to the co rrelation relationship between the actual value and the p redicted value in tables.Number of training and testing sample sets M10 actual value M 10 p redicted value of Experiment 1 M 10 p redicted value of Experiment 2 M 10 p redicted value of Experiment 4 M 10 p redicted value of Experiment 3 M 10 p redicted value of Experiment 5 123-4 Maximum minus minimum 12.10 3.93 4.52 4.34 4.26 4.41 Co rrelation coefficient 0.50 0.58 0.62 0.74 0.71 124-3 Maximum minus minimum 12.10 3.70 3.67 4.91 4.46 4.56Correlation coefficient 0.53 0.57 0.61 0.72 0.72 134-2 Maximum minus minimum 8.20 3.25 4.82 5.49 4.49 4.14 Co rrelation coefficient 0.48 0.52 0.65 0.76 0.77 234-1 Maximum minus minimum 10.40 3.67 3.82 4.72 5.40 4.40 Co rrelation coefficient 0.48 0.57 0.61 0.77 0.76表2 不同特征参数下SVR预测 M 25的比较Table 2 Comparison of M25 p redicted values under the different characteristic parameters of SVRNumber of training and testing samp le sets M25 actual value M25 p redicted value of Experiment 1 M25 p redicted value of Experiment 2 M25 p redicted value of Experiment 4 M25 p redicted value of Experiment 3M25 p redicted value of Experiment 5 123-4 Maximum minus minimum 16.20 8.05 8.78 8.50 9.12 8.05 Correlation coefficient 0.49 0.49 0.54 0.74 0.71 124-3 Maximum minus minimum 16.20 8.03 8.90 8.36 8.30 8.06 Co rrelation coefficient 0.47 0.50 0.51 0.78 0.72 134-2 Maximum minus minimum 15.10 9.31 9.11 9.13 9.79 9.59 Co rrelation coefficient 0.55 0.56 0.58 0.75 0.76 234-1 Maximum minus minimum 15.90 8.46 8.99 8.52 8.07 8.90 Co rrelation coefficient 0.49 0.53 0.57 0.74 0.77由表1和表2可以看出,在不同的训练及测试样本集下,M25和M10预测值的极差都小于它们实际值的极差,说明支持向量机方法预测值的范围缩小了,预测值集中在样本量大的区域范围里.在表1和表2中,同一个实验所选训练及测试样本集不同得到的结果却近似,说明生产日报数据可以满足支持向量机对样本集的要求,可以作为支持向量机机械强度模型的训练样本.4 结论在工艺条件相对稳定情况下,选择配合煤的灰分、全硫、水分、细度、挥发分(Vdaf)和黏结指数(G)作为特征因素,建立基于支持向量机的焦炭机械强度预测模型,模型的预测误差小,相关性好,泛化能力强,满足工厂的实际需要.本文方法是建立焦炭机械强度预测模型的有效方法,对于焦炭其他指标如热强度以及焦化企业配合煤指标的预测可提供参考借鉴作用.参考文献[1] 贺永德.现代煤化工手册[M].北京:化学工业出版社,2005.[2] 谢海深,刘永新,孟军波等.焦炭质量预测模型的研究[J].煤炭转化,2006,29(3):54-57.[3] 孟庆波,刘洋,郭武卫等.用镜质组反射率分布控制水钢焦炭质量的研究[J].煤炭转化,2009,32(4):61-65.[4] Vapnik V,Vashist A.A New Learning Paradigm:Learning Using Privileged Information[J].Neural Networks,2009,22(6):544-557.[5] Vapnik V N.An Overview of Statistical Learning Theory[J].IEEE Transactions on Neural Networks,1999,10(5):988-999.[6] 李国正,王猛,曾华军等.支持向量机导论[M].北京:电子工业出版社,2005.[7] 邓乃扬,田英杰.数据挖掘中的新方法——支持向量机[M].北京:科学出版社,2004.。
