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量指標預測焦炭質量,并基于預測結果為配煤方案的優(yōu)化提供數(shù)據(jù)支撐。焦炭質量預測的理論依據(jù)是配合煤的成焦理論,而在實際生產過程中,普遍基于煉焦生產數(shù)據(jù),采用焦炭質量預測模型進行計算。
用于焦炭質量預測的基礎數(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、焦質量指標信息,但成本高、耗時長,難以在日常煉焦生產過程中使用,因此主要用于焦化及配煤理論研究。實際煉焦生產數(shù)據(jù)受焦化企業(yè)化驗室技術水平、化驗成本及質量管理的影響僅包含有限的煤、焦質量指標信息,但這些指標可以按班組檢測,形成指導生產的質量報表,且滿足焦炭質量國家標準的檢測要求,能真實地反映煉焦生產過程,可直接用于焦炭質量預測。
用于焦炭質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]和以神經網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)的神經網絡成為了焦炭質量預測的主要技術手段,其中采用BP神經網絡[4]、RBF神經網絡[5]以及自適應神經模糊系統(tǒng)[6]構建的焦炭質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網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量指標與焦炭質量指標之間的關系,從煉焦工藝上分析煉焦工況對焦炭質量的影響,而對用于訓練神經網絡的實際煉焦生產數(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。在實際煉焦生產過程中,煤、焦質量及煉焦工況數(shù)據(jù)以質量報表和生產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神經網絡構建符合實際煉焦生產過程的焦炭質量預測方法。
焦化企業(yè)在煉焦生產過程中,由化驗室按班組采集單煤、配合煤、焦炭樣本進行化驗,并以質量報表的形式呈現(xiàn)各樣本的質量指標。本文對湖南某焦化企業(yè)5.5 m搗固焦質量日報表進行分析,選取某日配合煤與焦炭的質量指標數(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量預測模型的輸入變量。焦炭質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指標作為焦炭質量預測模型的輸出變量。
基于上述質量日報表中配合煤與焦炭質量指標的選取,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,配合煤各質量指標的平均值均在要求范圍內,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,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。
圖1 配合煤質量指標統(tǒng)計圖
圖2 焦炭質量指標統(tǒng)計圖
煉焦工況數(shù)據(jù)由工況日報表提供,本文選取對焦炭質量有影響的最短結焦時間(Ctime)、機側直行溫度(CMT)、焦側直行溫度(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、機側直行溫度、焦側直行溫度按班組統(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稍微低于要求值,企業(yè)在該時段內可能處于強化生產過程,與此同時機、焦側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
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)生產過程與管理要求,在圖4中給出了一個煉焦周轉周期所涉及的班組、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量數(shù)據(jù);為保證生產的連續(xù)性,配合煤將在煤塔中儲存一個班組時間(8 h),再經搗固后裝煤;配合煤在炭化室內經過26 h的干餾煉焦,再經過出焦、熄焦后送至篩焦樓;經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
由圖4可知,晚班制樣的配合煤經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。即焦炭質量指標數(shù)據(jù)與配合煤質量指標數(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個班組間隔與經驗值基本一致。在上述實際焦炭質量指標分析中,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)。
在圖4中,晚班制樣的配合煤在炭化室內受到當日白班、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量數(shù)據(jù)僅與前一日的K均和K安系數(shù)匹配。
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?;谥鞒煞挚傌暙I率大于90%的原則,選取經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
依據(jù)上述實際煉焦生產數(shù)據(jù)的分組與匹配關系,本文采用BP神經網絡構建焦炭質量預測模型。BP神經網絡具有逼近非線性函數(shù)的能力,并已廣泛應用于焦炭質量預測算法的設計。針對表4中數(shù)據(jù)組C_Base,C_M40M10和C_CRICSR分別構建BP神經網絡。在MATLAB軟件中,數(shù)據(jù)經標幺化操作后,采用標準函數(shù)newff構建3層神經網絡,其中輸入層神經元個數(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),中間層神經元個數(shù)為9個,輸出層神經元與焦炭質量指標相對應。利用train函數(shù)訓練網絡,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網絡預測模型。
基于上述實際煉焦生產數(shù)據(jù)組及BP神經網絡,本文進行了考慮工況與不考慮工況的焦炭質量預測分析,各焦炭質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,揮發(fā)分的預測誤差集中在±5%以內,硫分的預測誤差大部分在±5%以內,M40的預測誤差控制在±3%以內,M10的預測誤差集中在±10%以內,CRI的預測誤差大部分在±10%以內,CSR的預測誤差在±5%以內。
圖5 焦炭質量預測誤差分析
表5給出了上述各焦炭質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量的預測精度,并彌補預測算法的性能。
表6 誤差均方根
在實際煉焦生產過程中,焦炭質量的預測精度取決于對煉焦生產數(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神經網絡,構建了符合實際煉焦生產過程的焦炭質量預測模型,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數(shù)據(jù)的分析以及焦炭質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)生產過程的數(shù)據(jù)分析與挖掘提供借鑒。