本發(fā)明涉及鋼鐵燒結過程生產節(jié)能降耗領域,具體涉及一種基于數據降維法預測燒結過程綜合焦比的方法。
背景技術:
鋼鐵工業(yè)是國民經濟支柱產業(yè)之一,鋼鐵工業(yè)的發(fā)展也將決定我國國民經濟的發(fā)展。隨著鋼鐵行業(yè)的快速發(fā)展,其所帶來的能源消耗以及環(huán)境問題也日益突顯。燒結過程又是煉鐵過程的一個重要環(huán)節(jié),其過程生產的燒結礦是高爐煉鐵的主要原料,并且燒結過程也是鋼鐵生產過程除高爐煉鐵過程外最大的耗能工序,其能耗約占鋼鐵冶金總能耗的10%~15%,在能源消耗中,主要有焦粉燃燒、燃氣點火和電能消耗,其中焦粉燃料消耗約為80%,燃氣消耗約為6%,電能消耗約為13.5%,其他約為0.5%。隨著近幾年來全球生態(tài)環(huán)境的持續(xù)惡化,各國也越來越重視對環(huán)境的保護,“可持續(xù)發(fā)展”、“綠色制造”和“低碳經濟”等經濟發(fā)展觀念被越來越多的國家接受,并融入到各國的經濟發(fā)展之中。由此可見,通過提高燒結過程碳能源利用率(即提高碳效),將是實現(xiàn)我國鋼鐵行業(yè)生產過程節(jié)能減排的重要途徑之一。
目前,國際上著名鋼鐵企業(yè)所采用的鋼鐵生產方式是帶式抽風燒結方式,其生產過程主要是先把原料充分混合得到混合料,然后將混合料平鋪在臺車上,混合料在點火爐處點燃料層表面,料層隨臺車移動而移動,此時臺車下方的風箱開始進行負壓抽風,料層將自上而下地進行燃燒,直到在燒結終點處燒穿料層,最終完成燒結造塊過程。燒結過程的工藝流程見附圖1。但帶式抽風燒結方式在燒結生產中,充分混合的混合料在料層中燃燒會產生1300℃左右的高溫,使得燒結混合料會在這樣的高溫環(huán)境下會發(fā)生一系列的化學物理變化,這樣會使混合料層出現(xiàn)分層現(xiàn)象,其中料層自上而下可分為燒結礦層、燃燒層、預熱干燥層、過濕層和生料層等,其中燒結料層的分層現(xiàn)象見附圖2。另外,燒結生產過程中,焦粉作為燒結過程主要的能量來源,無法在保證燒結礦質量和產量的前提下提高焦粉利用率,而且,燒結過程涉及到配料、制粒、布料、燒結點火和燒結終點等等工序,并且該過程具有非線性、強耦合、機理復雜和工藝流程長等特征。因此,為了保證燒結礦的質量和產量,需要對燒結過程碳效指標進行準確有效預測。
技術實現(xiàn)要素:
有鑒于此,本發(fā)明的實施例提供了一種能對燒結過程碳效指標進行準確預測的基于數據降維法預測燒結過程綜合焦比的方法。
本發(fā)明的實施例提供一種基于數據降維法預測燒結過程綜合焦比的方法,包括以下步驟:
(1)分析燒結過程機理得到影響燒結過程綜合焦比的燒結參數;
(2)對燒結參數進行數據降維,并重新組合,得到主成分變量;
(3)將步驟(2)得到的主成分變量作為輸入變量輸入最小二乘支持向量機模型,所述最小二乘支持向量機模型的輸出變量即為燒結過程綜合焦比。
進一步,所述燒結參數包括垂直燃燒速度、上升點、上升點溫度、燒結終點、燒結終點溫度、返礦、風箱負壓、料層厚度、臺車速度和焦粉配比。
進一步,所述步驟(2)中,數據降維包括以下步驟:
(2.1)對燒結參數進行標準化處理;
設燒結參數有n組數據,每組數據中有u個判別指標,燒結參數用矩陣X=(xij)n×u表示,xij為第j個判別指標的第i組數據,標準化公式如下:
式中:Xscalar是數據標準化后得到的數據,Xmin是數據中的最小值,Xmax是數據中的最大值,Xactual是數據中的實際值;
(2.2)計算數據的相關系數rij和相關系數矩陣C;
計算式如下:
C=(rij)u×u
(i=1,2,…,u;j=1,2,…,u)
式中:xai為第i個判別指標第a組數據;為第i個判別指標所有數據的平均值;xaj為第j個判別指標第a組數據;為第j個判別指標所有數據的平均值;
(2.3)計算相關系數矩陣C的u個特征值,記為λ1≥λ2≥…≥λu≥0;
(2.4)計算每個燒結參數的貢獻率確定主成分變量的個數;
設第d個燒結參數的貢獻率為以作為前m個燒結參數的累積貢獻率,以累積貢獻率達到85%及以上時,燒結參數的個數確定為主成分變量的個數;
(2.5)設m個燒結參數的累積貢獻率達到85%及以上,則主成分變量個數為m個,可得到主成分變量為:
式中:yd表示第d個主成分變量,ld表示m個特征值所對應的單位特征向量,(d=1,2,…,m)。
進一步,所述步驟(3)中,最小二乘支持向量機模型為:
式中:αk是拉格朗日乘子,K(y,yk)=exp(-||y-yk||2/2σ2)為高斯徑向基核函數,σ是核函數寬度,b是偏置量。
進一步,所述最小二乘支持向量機模型通過以下步驟得到:
(3.1)計算已燒結礦的綜合焦比;
(3.2)對已燒結礦的燒結參數的生產歷史數據進行時序配準和平均值濾波處理,得到樣本數據庫;
(3.3)對步驟(3.2)得到的樣本數據庫采用主成分分析法對燒結參數進行數據降維,并重新組合,得到已燒結礦的主成分變量;
(3.4)以步驟(3.3)得的已燒結礦的主成分變量作為輸入變量,以步驟(3.1)得的已燒結礦的綜合焦比作為輸出變量進行重復計算和驗證,根據最小二乘支持向量機法建立最小二乘支持向量機模型。
進一步,所述步驟(3.1)中,已燒結礦的綜合焦比的計算式如下:
式中:η表示綜合焦比(Kg/t),wc表示焦粉配比(%),p表示成品率(%),q表示燒損率(%),QD表示燒結的大成礦產量(Kg/h),QX表示燒結的小成礦產量(Kg/h),QF表示燒結的返礦量(Kg/h),QP表示燒結的鋪底料量(Kg/h)。
進一步,所述步驟(3.4)中,
設已燒結礦的主成分變量和綜合焦比組成的樣本數據集為yk∈Rm為m維輸入變量,Yk∈R為對應的目標輸出;
采用非線性映射將輸入變量映射到高維特征空間,得到:
式中:ω是權函數,表示將輸入變量非線性映射到高維空間,b是偏置量;
基于結構風險最小化原理,將上述回歸問題轉化為約束優(yōu)化問題:
式中:γ是懲罰因子,其是衡量參數風險和擬合誤差相對重要程度的參數,ek是擬合誤差;
對約束優(yōu)化問題采用拉格朗日乘子法、正定矩陣和卡羅需-庫恩-塔克條件進行求解,即得到最小二乘支持向量機模型。
與現(xiàn)有技術相比,本發(fā)明具有以下有益效果:通過燒結過程機理分析,確定影響綜合焦比的燒結參數,對燒結參數進行降維重組獲得主成分變量,可有效克服燒結參數之間的耦合問題;能有效預測燒結過程中的綜合焦比,為實現(xiàn)燒結過程節(jié)能降耗奠定基礎。
附圖說明
圖1是帶式抽風燒結方式的燒結工藝流程圖。
圖2是帶式抽風燒結方式的燒結料層分層現(xiàn)象的示意圖。
圖3是本發(fā)明一實施例的流程圖。
具體實施方式
下面結合附圖和具體實施例對本發(fā)明做進一步說明。
實施例
請參照附圖3,包括以下步驟:
(1)分析燒結過程機理得到影響燒結過程綜合焦比的燒結參數,燒結參數包括垂直燃燒速度、上升點(BRP)、上升點溫度、燒結終點(BTP)、燒結終點溫度、返礦、風箱負壓、料層厚度、臺車速度和焦粉配比;
(2)對燒結參數進行數據降維,并重新組合,得到主成分變量;
數據降維包括以下步驟:
(2.1)對燒結參數進行標準化處理;
設燒結參數有n組數據,每組數據中有u個判別指標,燒結參數用矩陣X=(xij)n×u表示,xij為第j個判別指標的第i組數據,標準化公式如下:
式中:Xscalar是數據標準化后得到的數據,Xmin是數據中的最小值,Xmax是數據中的最大值,Xactual是數據中的實際值;
(2.2)計算數據的相關系數rij和相關系數矩陣C;
計算式如下:
C=(rij)u×u
(i=1,2,…,u;j=1,2,…,u)
式中:xai為第i個判別指標第a組數據;為第i個判別指標所有數據的平均值;xaj為第j個判別指標第a組數據;為第j個判別指標所有數據的平均值;
(2.3)計算相關系數矩陣C的u個特征值,記為λ1≥λ2≥…≥λu≥0;
(2.4)計算每個燒結參數的貢獻率確定主成分變量的個數;
設第d個燒結參數的貢獻率為以作為前m個燒結參數的累積貢獻率,以累積貢獻率達到85%及以上時,燒結參數的個數確定為主成分變量的個數;
(2.5)設m個燒結參數的累積貢獻率達到85%及以上,則主成分變量個數為m個,可得到主成分變量為:
式中:yd表示第d個主成分變量,ld表示m個特征值所對應的單位特征向量,(d=1,2,…,m)。
(3)將步驟(2)得到的主成分變量作為輸入變量輸入最小二乘支持向量機模型;
最小二乘支持向量機模型通過以下步驟得到:
(3.1)計算已燒結礦的綜合焦比;
已燒結礦的綜合焦比的計算式如下:
式中:η表示綜合焦比(Kg/t),wc表示焦粉配比(%),p表示成品率(%),q表示燒損率(%),QD表示燒結的大成礦產量(Kg/h),QX表示燒結的小成礦產量(Kg/h),QF表示燒結的返礦量(Kg/h),QP表示燒結的鋪底料量(Kg/h)。
(3.2)對已燒結礦的燒結參數的生產歷史數據進行時序配準和平均值濾波處理,得到樣本數據庫;
燒結過程中的各個工序之間相互影響,從配料生產到燒結礦的破碎完成大約需要2個小時,對燒結礦化驗需要2個小時,從此可見燒結生產過程存在時滯現(xiàn)象,為了確保燒結生產過程燒結參數在時序上保持一致,需對燒結參數的生產歷史數據進行時序配準處理;根據燒結工藝規(guī)定,大成礦每隔一段時間會分流到鋪底料倉,大成礦呈現(xiàn)周期性變化,周期大約為45min,由于大成礦的周期性波動會造成綜合焦比的波動,故采用大成礦的波動周期作為采樣周期,選定采樣周期為45min對燒結參數的生產歷史數據進行平均值濾波處理,得到燒結參數垂直燃燒速度、BRP、BRP溫度、BTP、BTP溫度、返礦、風箱負壓、料層厚度、臺車速度和焦粉配比的生產歷史數據共900組,以此,建立樣本數據庫;
(3.3)對步驟(3.2)得到的樣本數據庫采用主成分分析法對燒結參數進行數據降維,并重新組合,得到已燒結礦的主成分變量;
(3.4)以步驟(3.3)得的已燒結礦的主成分變量作為輸入變量,以步驟(3.1)得的已燒結礦的綜合焦比作為輸出變量進行重復計算和驗證,根據最小二乘支持向量機法建立最小二乘支持向量機模型;
包括以下步驟:
設已燒結礦的主成分變量和綜合焦比組成的樣本數據集為yk∈Rm為m維輸入變量,Yk∈R為對應的目標輸出;
采用非線性映射將輸入變量映射到高維特征空間,得到:
式中:ω是權函數,表示將輸入變量非線性映射到高維空間,b是偏置量;
基于結構風險最小化原理,將上述回歸問題轉化為約束優(yōu)化問題:
式中:γ是懲罰因子,其是衡量參數風險和擬合誤差相對重要程度的參數,ek是擬合誤差;
對約束優(yōu)化問題采用拉格朗日乘子法、正定矩陣和卡羅需-庫恩-塔克條件進行求解,即得到最小二乘支持向量機模型,最小二乘支持向量機模型為:
式中:αk是拉格朗日乘子,K(y,yk)=exp(-||y-yk||2/2σ2)為高斯徑向基核函數,σ是核函數寬度;
最小二乘支持向量機模型的輸出變量即為燒結過程綜合焦比。
本方法預測綜合焦比的準確率高,誤差范圍均在[-3%,2%],能夠滿足實際燒結過程生產要求,可為燒結過程的碳效優(yōu)化奠定基礎。
在不沖突的情況下,本文中上述實施例及實施例中的特征可以相互結合。
以上所述僅為本發(fā)明的較佳實施例,并不用以限制本發(fā)明,凡在本發(fā)明的精神和原則之內,所作的任何修改、等同替換、改進等,均應包含在本發(fā)明的保護范圍之內。