基于多重多元回归的焦炭质量预测模型

 焦炭质量预测是焦化企业进行焦炭质量控制的重要方法。在诸多生产因素已固定的条件下,焦炭质量主要取决于原料煤性质。用煤质指标预测焦炭质量是焦炭质量预测的重要方法。考虑配合煤煤质指标和焦炭质量指标的多元性和相关性,采用多重多元回归分析技术,将焦炭质量的各指标作为一个整体,建立配合煤煤质指标对焦炭质量的预测模型。基于偏最小二乘回归思想,采用预测误差平方和（PRESS）和预测的方差验证回归模型的预测能力。根据实际焦炭生产建立的焦炭质量预测多重多元回归模型的显著性检验表明,该模型具有较高的预测能力。应用多重多元回归技术建立的焦炭质量预测模型对指导焦化企业的焦化生产,优化配煤和加强焦炭质量控制具有重要的现实意义。     

焦炭质量预测模型

随着高炉大型化、富氧喷吹技术的发展,焦炭在高炉中的骨架作用愈加重要,钢铁企业迫切要求提高焦炭质量,为此需建立一组准确的焦炭质量预测模型,以更好地指导炼焦生产.在分析总结了国内外焦炭质量预测模型的基础上,对小焦炉实验数据进行了分析与回归,通过线性加修正的方法建立炼焦配煤数学模型,得到了焦炭灰分、硫分、机械强度(M40,M10)和热性质(CRI,CSR)的预测模型.通过实际生产进行了验证,模型的预测值与实测值间的误差均在6%以下,能很好地满足实际生产需求,为焦化厂快速准确得到配煤方案提供了理论依据.     

捣固胶质层指数在焦炭质量预测中的应用

通过对烟煤胶质层指数测定方法进行改进,在捣固密度为1.10t/m3下测定配合煤捣固胶质层指数(Yd,Xd),以配合煤的干燥无灰基挥发分(Vdaf)、黏结指数(G)和捣固胶质层最大厚度(Yd)为自变量,分别以焦炭的冷态强度(M10,M25)和热态性能(CRI,CSR)为因变量,利用多元线性回归分析方法,建立捣固密度下的Vdaf-G-Yd焦炭质量预测模型,并对其进行F检验和误差分析。结果表明,捣固胶质层指数(Yd,Xd)能更准确地反映配合煤在捣固炼焦过程中的黏结性能与结焦性能;与传统的Vdaf-G-Y焦炭质量预测模型相比,Vdaf-GYd焦炭质量预测模型具有更好的预测精准度,除M10的相对误差略有增加外,CRI、CSR、M25的相对误差均有所减小,其减小幅度分别为5.7%、12.8%和10.1%。     

干熄焦工艺改善焦炭质量的措施研究

在高炉冶炼过程中,焦炭的骨架作用非常重要,其核心指标是抗碎强度、耐磨强度、反应性和反应后强度,其中最重要的是反应性和反应后强度。只有降低焦炭的反应性,提高焦炭的反应后强度,才能够保证高炉顺行和各项指标的优化,从而使焦比降低、产量增加、铁成本降低,这对炼铁生产具有重要意义。本研究针对酒钢焦化厂干熄焦工艺存在的问题,结合混合放焦的操作方法,对酒钢焦化厂干熄焦烧损率、气料比和放焦方法进行了研究和改进,从而改善了焦炭质量。     

配合煤的镜质组反射率分布与焦炭强度预测

为了工业配煤炼焦生产的需要,通过对配合煤的镜质组反射率分布与焦炭机械强度的研究,得出镜质组反射率分布与焦炭机械强度具有良好的线性关系。据此建立相关性好、可信度高的数学模型,进行实验验证。结果表明:焦炭机械强度M40和M25的预测误差小,可以用于指导工业配煤炼焦生产;影响M40和M25最大的均为肥煤,影响M10最大者为焦煤。     

基于梯度提升决策树的肽碎片离子强度建模

为找到对蛋白质鉴定算法影响较大的肽碎片离子特征,以提高鉴定结果的正确率,在碎片离子特征与强度信息的基础上进行建模,构建预测模型.实验首先使用pFind对串联质谱数据鉴定,将鉴定结果过滤出需要的肽序列;然后计算出离子质荷比与离子特征值,通过匹配离子的质荷比获取离子强度信息;使用强度信息与离子特征值构建libsvm格式文件,使用XGBoost构建预测模型,其中使用了梯度提升决策树算法;最后使用构建完成的预测模型对蛋白质产生的肽序列做离子强度理论预测.实验结果表明模型所预测的肽序列离子强度与实验离子强度有着较高的相似度,同时分析预测模型可以从预测树中发现肽序列碎裂的规律,提取肽碎片离子中对强度值影响较大的离子特征.     

进化算法优化GBDT的带钢卷取温度预测

针对B钢厂2250 mm热轧生产线层流冷却系统卷取温度预报命中率低的问题,采用差分进化算法优化后的梯度提升决策树建立带钢卷取温度预测模型(DE-GBDT),并对DE-GBDT预测模型与3个基础预测模型(梯度提升决策树(GBDT)、支持向量机(SVM)、小波神经网络(WNN)预测模型)以及差分进化算法优化后的支持向量机(...     

由电阻率测定焦炭反应性的研究

焦炭反应性是焦炭热性质的一个重要指标,也是评价焦炭质量的一个重要侧面;而装炉焦炭质量是高炉最佳操作的重要的参数之一,对化肥厂、煤气厂造气等也有重要的影响。焦炭反应性既可预测焦炭在高炉炉身下部与二氧化碳起反应后所发生的质     

新疆库拜煤改质炼焦及冷态强度预测

新疆库拜煤反应活性高,炼制的焦炭性能差,难以满足大型高炉冶炼需求.为降低焦炭反应性(CRI),提高反应后强度(CSR),进行了系列煤粉改质和炼焦研究.通过热重实验分析配合煤改性机理,发现煤粉改质剂主要作用于胶质体形成及半焦缩聚阶段,通过傅里叶红外光谱分析发现库拜QM含氧官能团主要为羟基和烃基醚,羧基几乎没有.以配合煤挥发分(Vdaf),黏结指数(G)等为自变量,以焦炭抗碎强度(M25)和耐磨强度(M10)为因变量,用统计软件SPSS17.0分别对煤粉改质炼焦的结果进行多元线性回归分析,建立了焦炭冷态强度的预测模型,从而在热态性能和冷态强度两方面灵活地指导配煤和炼焦.     

基于特征工程的视频点击率预测算法

点击率预测技术在视频推荐系统中具有重要的作用.视频推荐系统可以根据点击率预测的结果调整投放顺序,从而提高用户的真实点击率.在点击率预测问题中,由于数据存在海量性以及不平衡性等问题,点击率预测的精确度一般都较低.针对以上问题,使用特征工程和机器学习相结合的方法,有效地改进了现有的视频点击率预测算法的性能.首先,使用特征工程方法,从原始数据中提取特征,并使用矩阵分解等方法生成交叉特征;然后,分别基于逻辑回归、因子分解机和梯度提升决策树-逻辑回归实现点击率预测模型.实验结果表明,基于因子分解机模型和基于梯度提升决策树-逻辑回归模型的预测精度要优于基于逻辑回归的模型,并且将用户特征和视频特征进行交叉组合能够改进点击率预测的精度.     

基于机器学习和遗传算法的高炉参数预测与优化

针对目前高炉炼铁模型精度不高问题,提出建立高炉生产过程中精确的多目标优化模型.首先对高炉的海量数据进行了数据预处理,其次采用支持向量机、随机森林、梯度提升树、XGBoost、LightGBM、人工神经网络6种机器学习算法对高炉焦比、K值进行了预测,并采用特征工程和超参调优对机器学习预测进行了优化,最后采用新的集成学习方法进行预测.预测结果不仅精准度高而且具有很好的鲁棒性.在机器学习的基础之上,采用NSGA-Ⅱ遗传算法对高炉参数进行了多目标优化分析,得到了Pareto最优解,高炉操作者可以根据该多目标优化结果针对不同的需求选择相应的控制参数.     

高炉用焦炭质量评价方法的研究

论述了焦炭质量的优劣对高炉冶炼的影响，在对现行高炉用焦炭的质量评价方法进行综合评述的基础上，对针高炉内焦炭破坏的主要原因，提出了一种新的焦炭质量检测装置在该装置中焦炭同时经受机械破坏，热破坏和化学破坏，与现行检测装置相比，该装置更加接近高炉生产实际，对高炉冶炼及焦炭生产更具指导意义，本文还对检测方法的制定提出了较系统的设想。     

人工神经网络与遗传算法在高炉焦比预报中的应用

建立了遗传算法与BP神经网络相结合的高炉焦比预报模型。该模型用于预报在不同操作条件下适宜的焦比,寻求高炉诸多操作参数与焦比之间的映射关系,为高炉操作者提供调整炉况的依据。实际应用表明,该模型具有较好的命中率。     

基于燃料比最优的高炉喷煤设定值多目标优化

为了降低高炉炼铁的能耗,节约成本,将高炉炼铁过程信息、专家经验与智能模型相结合,提出基于燃料比最优的高炉喷煤设定值多目标优化方案。以燃料比最优为优化目标,炉温预测指标为约束条件,喷煤量为决策变量,采用基于K-均值聚类的径向基神经网络建立多目标优化模型,并通过基于NSGA-Ⅱ算法的多目标优化方法,获取尽可能使多个目标同时达到最优的Pareto最优解。结果表明,该优化方案可以在保证炉温良好的前提下,决策出使燃料比达到最优的喷煤设定值,大大降低能耗,节约成本。不仅为高炉实际生产提供操作指导,也为高炉冶炼的优化运行奠定了基础。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%。     

基于投入产出模型的武钢炼铁系统能耗与节能潜力分析

针对武钢炼铁系统建立多级能源投入产出模型,采集并分析武钢炼铁系统2010~2013年生产及能源数据,通过该模型计算焦炭、烧结矿及铁水的能值与能耗,运用吨钢能耗e-p分析法计算工序节能量,采用指数平滑法预测未来一年的能源需求量。结果表明,降低焦化、烧结、高炉工序能耗,加大回收余热、余能等二次能源的力度,增加喷煤量以提高煤焦置换比以及优化生产结构等措施均有助于该炼铁系统的能耗降低。