基于支持向量回归模型的焦炭质量智能分析_郭亮东.pdf

11燃 料 与 化 工Fuel&Chemical Processes2023 年 3 月第 54 卷第 2 期基于支持向量回归模型的焦炭质量智能分析郭亮东（国家能源集团煤焦化有限责任公司，乌海016000）摘要：炼焦配煤是焦化企业生产过程中的一项关键工作。在钢铁工业中，焦炭在高温下的 CSR 和 CRI 质量指标尤其重要。为了改善需依赖经验的传统配煤手段，基于原料煤指标预测焦炭质量的思路被提出。通过分析国内外的一些预测方法，针对目前存在的不足进行改良，以西来峰焦化厂一期和二期为例，采用支持向量回归模型，对焦炭的 CSR 和 CRI 这 2 个质量指标进行了智能分析，并通过系统分析训练样本比例与预测精度的关系，指明进一步提升焦炭质量预测性能的工作方向。关键词：支持向量回归模型；CSR；CRI中图分类号：TQ520.1 文献标识码：A文章编号：1001-3709（2023）02-0011-04Intelligent analysis of coke quality based on support vector regression modelGuo Liangdong（National Energy Group Coal Coking Co.，Ltd.，Wuhai 016000，China）Abstract:Coal blending plays a key role in the production of a coking plant.In the iron and steel industry，CSR and CRI indexes of coke at high temperature are of particular importance.In order to improve traditional coal blending process that relies on expert experience，the idea of predicting coke quality based on raw coal indexes has been put forward.This article aims to analyze some coke quality prediction methods at home and abroad and improve the existing deficiencies.Taking Phase I and II projects of Xilaifeng coking plant as an example，this article conducts intelligent analysis,using SVR model，on CSR and CRI indexes of coke.By showing the relationship between training sample proportion and prediction accuracy，it further points out research orientation of coke quality prediction work.Key words:Support vector regression（SVR）；Coke strength after reaction（CSR）；Coke reactivity index（CRI）1引言我国作为煤炭大国，在经历多年发展后焦化相关产业在产能规模、产业建设等方面均取得了长足的进步。同时，随着经济社会的发展和人民生活水平的提高，我国对于钢铁的消耗量与日俱增。焦炭在高炉中起着关键的骨架作用，这使得钢铁工业生产过程对焦炭质量的要求十分高。同时，随着高炉喷吹技术的发展，焦比下降使得焦炭质量对冶炼过程影响愈发明显。焦炭的高温性能主要包括热反应性（CRI）和热强度（CSR）。CRI是衡量焦炭在收稿日期：2022-08-17作者简介：郭亮东（1976-），男，工程师高温下保持稳定的能力，CSR是衡量焦炭高温下保持强度的能力，两者结合更能反映焦炭的质量。然而，传统配煤方式主要依赖专家经验，原料煤质量波动会对配煤炼焦产生较大的影响。因此，研发基于原料煤基本属性信息进而预测焦炭质量的方法，对于保障焦化企业的高质量焦炭生产具有重要作用。为了摆脱利用经验方法指导配煤，采用更科学的手段预测焦炭质量，国内外学者进行了一系列研究。Klika等1基于41种焦炭成分和36种配煤方案进行研究，对不同焦炭高温实验后进行表征，并DOI:10.16044/ki.rlyhg.2023.02.01512燃 料 与 化 工Fuel&Chemical ProcessesMar.2023Vol.54 No.2表 1数据概况表 2数据的描述性统计分析焦化厂名称数据开始日期数据结束日期训练集样本数/个测试集样本数/个样本数合计/个西来峰焦化厂一期2019-01-292022-04-089212311 152西来峰焦化厂二期2019-01-292022-04-089152291 144焦化厂名称统计项焦炭指标原料煤指标CRI/%CSR/%全水分/%灰分/%挥发分/%硫分/%焦渣特征G 值西来峰焦化厂一期均值30.25 60.41 10.27 10.08 29.91 1.05 5.39 78.08 标准差1.71 2.05 0.93 0.26 1.42 0.15 0.52 3.97 最小值24.20 52.35 7.15 9.15 1.26 0.69 3 59.00 25%29.00 59.10 9.65 9.92 29.27 0.93 5 76.00 50%30.10 60.50 10.20 10.09 29.92 1.06 5 79.00 75%31.43 61.70 10.80 10.24 30.57 1.18 6 81.00 最大值37.50 67.50 14.70 11.70 33.82 1.54 6 92.00 西来峰焦化厂二期均值31.2159.1510.4610.1429.660.915.3777.93标准差1.511.810.900.631.050.060.503.90最小值25.0050.807.008.1526.060.77363.0025%30.3058.209.859.9728.930.88575.5050%31.2059.3010.4010.1229.680.91578.5075%32.2060.2311.0010.2830.310.95681.00最大值36.3067.4014.3029.5035.611.24688.00采用2步法对焦炭质量进行预测，并优化了回归方程的修正系数，使得对焦炭性质的预测准确性有所提高。Lech等2对15个焦炭样品进行了密度、孔隙率、抗压强度、摩擦系数等性质的测定，并进行了CSR和CRI的单因素方差分析，结果表明15种样品的比重密度对CSR和CRI的相关性最强，但是预测过程中发现表观密度和体积密度对预测的偏差较大。Kumar等3针对焦炭测试CSR和CRI重复度很高的问题，开发了利用物理性质预测焦炭质量的模型，并用实验室数据对模型的准确性进行了验证。刘颖义等4根据宣钢焦化厂的配煤情况，基于回归模型预测焦炭质量，并基于实际生产情况对模型进行修正。刘文丽等5结合影响焦炭质量的综合因素，采用多元线性回归方法建立了配煤指标预测模型，模型精度也符合设计要求。然而，从目前已有的相关工作来看，模型建立的过程依赖于固定软件或平台，且模型整体比较简单，从预测精度的角度来看仍然有提升空间。本实验作为输入部分的数据项主要以原料煤指标为主，包括全水分、灰分、挥发分、硫分、焦渣特性和黏结性指数G值。2.2数据分析2.2.1描述性统计分析对西来峰焦化厂一期和二期的相关数据进本实验使用人工智能领域广泛使用的支持向量回归模型，其可基于已有原料煤质量指标数据及对应生产焦炭质量指标数据自动建模，分别对西来峰公司的2个焦化厂的焦炭产品的CSR和CRI进行预测。首先，基于训练集上的交叉验证，通过网格搜索方法对支持向量回归模型选择最优的超参数组合；然后，利用全部训练集重新训练具有最优超参数设置的支持向量回归模型，并在测试集上进行模型性能分析；最后，分析了在使用不同比例的训练样本的情况下，在测试集上的模型性能变化情况。2实验数据2.1数据概况本实验使用数据的整体情况如表1所示，数据来源为西来峰焦化厂的一期和二期工程，使用数据的起始时间从2019年1月29日到2022年4月8日，每日对3条数据取均值后得到数据集，在数据集的划分上选用全部数据集的80%作为训练集，20%作为测试集。行了描述性统计分析，针对原料煤和焦炭的各项指标给出了均值、标准差、最小值、25百分位数（25%）、中值（50%）、75百分位数（75%）和最大值。数据详细情况如表2所示，实验数据各项指标的取值在合理范围内。13燃 料 与 化 工Fuel&Chemical Processes2023 年 3 月第 54 卷第 2 期2.2.2相关性分析在对数据进行描述性分析的基础上进一步进行相关性分析，判断CSR和CRI与所选原料煤指标是否存在相关性。图1（a）为西来峰焦化厂一期原料煤指标与焦炭指标相关性分析图，图1（b）为西来峰焦化厂二期原料煤指标与焦炭指标相关性分析图。如图1（a）所示，对于西来峰焦化厂一期，原料煤的灰分、硫分以及黏结指数G值与CRI和CSR的相关性较大，全水分、挥发分、硫分、焦渣特征和G值对CSR的影响为正相关，灰分对CRI影响为正相关。为了进一步探究西来峰焦化厂一期和二期焦炭CSR与CRI存在的相关性，同时也为了更加直观地体现CSR和CRI的相关关系，以CRI为自变量、CSR为因变量进行分析，其结果如图2所示。从图2（a）和3实验结果及分析3.1评价指标本实验采取平均绝对误差（MAE）作为误差评价标准。在对同一物理量进行多次测量时，测量值和绝对误差会有不同，将测量绝对误差取绝对值后再平均，即可得到平均绝对误差：（1）如图1（b）所示，对于西来峰焦化厂二期，全水分、挥发分和黏结指数G值与CRI和CSR的相关性较大。硫分、G值对CSR影响为正相关，其余指标对CRI影响为正相关。对图1整体分析可以看出，在选取原料煤指标项相同的情况下，西来峰焦化厂一期和二期的原料煤指标与焦炭质量的相关性会有一定的偏差。因此，针对不同的焦化厂，应建立不同的焦炭质量智能分析模型。从CSR和CRI的整体趋势来看，二者存在负相关关系。图2（b）可以看出，西来峰焦化厂一期和二期的CRI与CSR的拟合曲线斜率均为负值，具有明显的负相关关系，且图2（a）和图2（b）拟合曲线的R2分别为0.723 9和0.659 9，二者具有较强的负相关性。其中为平均绝对误差，1、2、.、n为各次测量的绝对误差。令n个样本的预测目标值表示为t1，t2，.，tn，则对于1组预测结果y1，y2，.，yn，其平均绝对偏差可按公式（2）计算：（2）离差被绝对值化，会避免正负抵消的情况，因图 1原料煤指标与焦炭指标的相关性分析图 2 焦炭 CSR 指标与 CRI 指标的相关性分析（a）西来峰焦化厂一期CRI CSR相关系数全水分灰分挥发分焦渣特征黏结指数 G 值硫分0.150.10.050-0.05-0.1-0.15（a）西来峰焦化厂一期y=-1.021 1x+91.29R2=0.723 9CSR/%CRI/%706866646260585654525024 26 28 30 32 34 36 38西来峰焦化厂二期CRI CSR相关系数全水分灰分挥发分焦渣特征黏结指数 G 值硫分0.20.150.10.050-0.05-0.10.15（b）y=-0.973 4x+89.537R2=0.659 9CRI/%CSR/%24 26 28 30 32 34 36 38706560555045西来峰焦化厂二期（b）=(|1|+|2|+.+|n|)/n 1n MAE=ni=1|yi-ti|14燃 料 与 化 工Fuel&Chemical ProcessesMar.2023Vol.54 No.2此MAE可以更好地反映预测值误差的实际情况。3.2超参数选择本实验选择支持向量回归模型，其作为一种应用广泛的机器学习模型，存在2个重要的超参数，分别是C和gamma。为了确定MAE最低时的超参数，基于训练集上的K折交叉验证，通过网格搜索确定各模型的最优参数。由于CSR与CRI具有较强的负相关关系，这里通过验证集上的CSR预测选择支持向量回归模型的最优超参数，实验结果如表3、表4所示。可见，对于西来峰焦化厂一期和二期，其最优超参数存在不同。对于西来峰焦化厂一期，其超参数C和gamma的最优值分别是10和0.01；对于西来峰焦化厂二期，其超参数C和gamma的最优值则分别是1和0.005。在后续的实验中，对于西来峰焦化厂一期和二期，使用不同的最优超参数设置C与gamma进行焦炭质量预测。3.4讨论与分析为了进一步优化模型，设置训练样本的不同使用比例，通过观察模型性能随使用比例的变化情况，分析样本数进一步增加对模型性能的提升是否有帮助。训练样本使用比例不同的情况下，MAE指标如图3所示。结果表明，随着训练样本使用比例增加，MAE指标值的波动比较小。当样本使用比例达到30%之后，MAE值基本稳定。这意味着试图通过增加训练样本数进行模型进一步优化的思路不可行。如果需要更好地预测焦炭质量，则需要考虑增加更多能够反映生产焦炭质量的原料煤指标项。3.3实验结果根据训练集交叉验证方式，通过网格搜索得到的最优超参数，在测试集上进行预测，预测结果如表5所示。其中，西来峰焦化厂一期CSR预测的MAE指标为1.65%，CRI预测的MAE指标为1.45%；西来峰焦化厂二期CSR预测的MAE指标为1.42%，CRI预测的MAE指标为1.28%。4结论本实验基于支持向量回归模型，通过对西来峰焦化厂一期和二期的原料煤质量指标数据及焦炭质量指标数据进行机器学习建模，实现了焦炭质量智能分析。基于训练样本交叉验证的超参数网格搜索，对西来峰焦化厂一期和二期分别计算了支持向表 3基于网格搜索的模型超参数优化（西来峰焦化厂一期）Cgamma0.0010.0050.010.050.10.510.0011.56 1.56 1.56 1.56 1.56 1.56 1.56 0.011.56 1.56 1.55 1.55 1.55 1.56 1.56 0.11.56 1.54 1.53 1.52 1.52 1.54 1.55 11.54 1.52 1.51 1.50 1.50 1.55 1.58 101.52 1.49 1.48 1.50 1.53 1.69 1.80 1001.50 1.48 1.48 1.54 1.60 2.12 2.24 表 4基于网格搜索的模型超参数优化（西来峰焦化厂二期）Cgamma0.0010.0050.010.050.10.510.0011.34 1.34 1.34 1.34 1.34 1.34 1.34 0.011.33 1.32 1.32 1.32 1.32 1.33 1.34 0.11.32 1.30 1.30 1.30 1.30 1.31 1.32 11.30 1.29 1.30 1.30 1.30 1.30 1.33 101.29 1.30 1.30 1.33 1.32 1.45 1.57 1001.30 1.32 1.33 1.36 1.42 1.85 1.97 表 5西来峰焦化厂在测试集上的 MAE 指标焦化厂名称CgammaCSR/%CRI/%西来峰焦化厂一期100.011.651.45西来峰焦化厂二期10.0051.421.28图 3 训练样本不同使用比例下的模型性能分析（a）西来峰焦化厂一期MAE/%训练样本的使用比例/%CSR CRI1.91.81.71.61.51.41.31.25 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100MAE/%训练样本的使用比例/%CSR CRI1.51.451.41.351.31.251.21.151.15 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100西来峰焦化厂二期（b）（下转第20页）20燃 料 与 化 工Fuel&Chemical ProcessesMar.2023Vol.54 No.26应用说明（1）单种煤的镜质体反射率与单种煤的镜质组的含量有关。当配合煤中的各单种煤的镜质组含量不一样时，配合煤实测的反射率分布图与配合煤的人工合成反射率分布图可能存在差别。这是由于显微镜对镜质组含量高的煤测试概率偏大的原因3，这属于设备的系统误差，在实测配合煤反射率时，需要考虑此系统误差。（2）人工合成配合煤的反射率分布图是各单种煤按照配入比率加权计算出来的，消除了实测配合煤反射率时，由于各单种煤中镜质组比率不同造成测试概率不同从而产生的系统误差。人工合成的配合煤反射率分布图比实测配合煤反射率分布图更接近真实情况，对指导选煤和配煤更具指导意义。（3）人工合成配合煤反射率分布图时，从实测反射率分布图中统计各阶频率时，既要考虑人工计算出的随机反射率平均值和实测随机反射率的平均值的绝对差；又要考虑人工计算出的随机反射率的标准差和实测随机反射率的标准差的误差。两者需同时考虑，两者误差越小越精确。（4）造成实测值与计算值误差的原因，一是人工合成图的半阶频率是根据实测反射率分布图人工统计出来的，与真实值存在误差；二是各阶频率采用半阶中间值代替半阶范围值，存在点代面的误差。（5）定期用煤质相近的单种煤进行配比实验，将用显微镜实测的配合煤随机反射率分布图与人工合成的配合煤随机反射率分布图进行对比，及时查找误差存在的原因并进行修正。（6）用人工合成方法绘制出的配合煤随机反射率分布图只能作为配煤方案的预测和混煤程度的反映，不能用来作煤岩分析研究。7结语在已知单种煤随机反射率分布图的情况下，利用配合煤随机反射率的人工合成方法，在电脑上就可以人工合成配合煤镜质体反射率分布图，并计算出配合煤的反射率的平均值（Rr）和标准差（S）。既减少了复杂的化验过程，又节约了高昂的化验费用，在指导选煤和配煤方案设计以及利用反射率分布图预测焦炭质量等方面，具有很好的推广应用价值。参考文献 1 国家技术监督局.商品煤反射率分布图的判别方法：GB/T 155911995S.北京：中国标准出版社.1995：479-482.2 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会.煤的镜质体反射率显微镜测定方法：GB/T 69482008S.北京：中国标准出版社.2008：1-10.3 姚伯元.曲线剥离分峰法的改进与混煤比的准确计算J.燃料与化工，2007，38（3）：1-5.韩立影编辑116623.2 Lech K，Jursova S，Kobel P，et al.The relation between CRI，CSR indexes，chemical composition and physical parameters of commercial metallurgical cokesJ.Ironmaking&Steelmaking，2017：1-9.3 Kumar D，Tiwari H P，Saxena V K，et al.A Novel Technique for Prediction of Coke CRI/CSRJ.Coke and Chemistry，2018，61（9）：329-333.4 刘颖义，穆红旺，张淑会.焦炭质量预测模型的建立J.中国冶金，2012，22（1）：28-31.5 刘文丽，吴翠平，朱志波，等.焦炭质量预测模型J.煤炭加工与综合利用，2014（3）：4.王思怡编辑量回归模型的最优超参数设置。使用具有最优超参数设置的支持向量回归模型，对焦炭的CSR和CRI进行了预测，并验证了训练样本使用比例对MAE指标的影响不大。结果显示CSR的MAE指标可以维持在1.4%1.65%之间，CRI的MAE指标可以维持在1.25%1.45%之间，所建立的支持向量回归模型能够对实际配煤炼焦工作起到较好的决策支撑作用。参考文献 1 Klika Z，J Serenov，I Kolomaznk，et al.Prediction of CRI and CSR of cokes by two-step correction models for stamp-charged coals-Statistical analysisJ.Fuel，2019，262：（上接第14页）