一种基于数据降维法预测烧结过程综合焦比的方法与流程

本发明涉及钢铁烧结过程生产节能降耗领域，具体涉及一种基于数据降维法预测烧结过程综合焦比的方法。

背景技术：

钢铁工业是国民经济支柱产业之一，钢铁工业的发展也将决定我国国民经济的发展。随着钢铁行业的快速发展，其所带来的能源消耗以及环境问题也日益突显。烧结过程又是炼铁过程的一个重要环节，其过程生产的烧结矿是高炉炼铁的主要原料，并且烧结过程也是钢铁生产过程除高炉炼铁过程外最大的耗能工序，其能耗约占钢铁冶金总能耗的10％～15％，在能源消耗中，主要有焦粉燃烧、燃气点火和电能消耗，其中焦粉燃料消耗约为80％，燃气消耗约为6％，电能消耗约为13.5％，其他约为0.5％。随着近几年来全球生态环境的持续恶化，各国也越来越重视对环境的保护，“可持续发展”、“绿色制造”和“低碳经济”等经济发展观念被越来越多的国家接受，并融入到各国的经济发展之中。由此可见，通过提高烧结过程碳能源利用率(即提高碳效)，将是实现我国钢铁行业生产过程节能减排的重要途径之一。

目前，国际上著名钢铁企业所采用的钢铁生产方式是带式抽风烧结方式，其生产过程主要是先把原料充分混合得到混合料，然后将混合料平铺在台车上，混合料在点火炉处点燃料层表面，料层随台车移动而移动，此时台车下方的风箱开始进行负压抽风，料层将自上而下地进行燃烧，直到在烧结终点处烧穿料层，最终完成烧结造块过程。烧结过程的工艺流程见附图1。但带式抽风烧结方式在烧结生产中，充分混合的混合料在料层中燃烧会产生1300℃左右的高温，使得烧结混合料会在这样的高温环境下会发生一系列的化学物理变化，这样会使混合料层出现分层现象，其中料层自上而下可分为烧结矿层、燃烧层、预热干燥层、过湿层和生料层等，其中烧结料层的分层现象见附图2。另外，烧结生产过程中，焦粉作为烧结过程主要的能量来源，无法在保证烧结矿质量和产量的前提下提高焦粉利用率，而且，烧结过程涉及到配料、制粒、布料、烧结点火和烧结终点等等工序，并且该过程具有非线性、强耦合、机理复杂和工艺流程长等特征。因此，为了保证烧结矿的质量和产量，需要对烧结过程碳效指标进行准确有效预测。

技术实现要素：

有鉴于此，本发明的实施例提供了一种能对烧结过程碳效指标进行准确预测的基于数据降维法预测烧结过程综合焦比的方法。

本发明的实施例提供一种基于数据降维法预测烧结过程综合焦比的方法，包括以下步骤：

(1)分析烧结过程机理得到影响烧结过程综合焦比的烧结参数；

(2)对烧结参数进行数据降维，并重新组合，得到主成分变量；

(3)将步骤(2)得到的主成分变量作为输入变量输入最小二乘支持向量机模型，所述最小二乘支持向量机模型的输出变量即为烧结过程综合焦比。

进一步，所述烧结参数包括垂直燃烧速度、上升点、上升点温度、烧结终点、烧结终点温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比。

进一步，所述步骤(2)中，数据降维包括以下步骤：

(2.1)对烧结参数进行标准化处理；

设烧结参数有n组数据，每组数据中有u个判别指标，烧结参数用矩阵X＝(x_ij)_n×u表示，x_ij为第j个判别指标的第i组数据，标准化公式如下：

式中：X_scalar是数据标准化后得到的数据，X_min是数据中的最小值，X_max是数据中的最大值，X_actual是数据中的实际值；

(2.2)计算数据的相关系数r_ij和相关系数矩阵C；

计算式如下：

C＝(r_ij)_u×u

(i＝1,2,…,u；j＝1,2,…,u)

式中：x_ai为第i个判别指标第a组数据；为第i个判别指标所有数据的平均值；x_aj为第j个判别指标第a组数据；为第j个判别指标所有数据的平均值；

(2.3)计算相关系数矩阵C的u个特征值，记为λ₁≥λ₂≥…≥λ_u≥0；

(2.4)计算每个烧结参数的贡献率确定主成分变量的个数；

设第d个烧结参数的贡献率为以作为前m个烧结参数的累积贡献率，以累积贡献率达到85％及以上时，烧结参数的个数确定为主成分变量的个数；

(2.5)设m个烧结参数的累积贡献率达到85％及以上，则主成分变量个数为m个，可得到主成分变量为：

式中：y_d表示第d个主成分变量，l_d表示m个特征值所对应的单位特征向量，(d＝1,2,…,m)。

进一步，所述步骤(3)中，最小二乘支持向量机模型为：

式中：α_k是拉格朗日乘子，K(y,y_k)＝exp(-||y-y_k||²/2σ²)为高斯径向基核函数，σ是核函数宽度，b是偏置量。

进一步，所述最小二乘支持向量机模型通过以下步骤得到：

(3.1)计算已烧结矿的综合焦比；

(3.2)对已烧结矿的烧结参数的生产历史数据进行时序配准和平均值滤波处理，得到样本数据库；

(3.3)对步骤(3.2)得到的样本数据库采用主成分分析法对烧结参数进行数据降维，并重新组合，得到已烧结矿的主成分变量；

(3.4)以步骤(3.3)得的已烧结矿的主成分变量作为输入变量，以步骤(3.1)得的已烧结矿的综合焦比作为输出变量进行重复计算和验证，根据最小二乘支持向量机法建立最小二乘支持向量机模型。

进一步，所述步骤(3.1)中，已烧结矿的综合焦比的计算式如下：

式中：η表示综合焦比(Kg/t)，w_c表示焦粉配比(％)，p表示成品率(％)，q表示烧损率(％)，Q_D表示烧结的大成矿产量(Kg/h)，Q_X表示烧结的小成矿产量(Kg/h)，Q_F表示烧结的返矿量(Kg/h)，Q_P表示烧结的铺底料量(Kg/h)。

进一步，所述步骤(3.4)中，

设已烧结矿的主成分变量和综合焦比组成的样本数据集为y_k∈R^m为m维输入变量，Y_k∈R为对应的目标输出；

采用非线性映射将输入变量映射到高维特征空间，得到：

式中：ω是权函数，表示将输入变量非线性映射到高维空间，b是偏置量；

基于结构风险最小化原理，将上述回归问题转化为约束优化问题：

式中：γ是惩罚因子，其是衡量参数风险和拟合误差相对重要程度的参数，e_k是拟合误差；

对约束优化问题采用拉格朗日乘子法、正定矩阵和卡罗需-库恩-塔克条件进行求解，即得到最小二乘支持向量机模型。

与现有技术相比，本发明具有以下有益效果：通过烧结过程机理分析，确定影响综合焦比的烧结参数，对烧结参数进行降维重组获得主成分变量，可有效克服烧结参数之间的耦合问题；能有效预测烧结过程中的综合焦比，为实现烧结过程节能降耗奠定基础。

附图说明

图1是带式抽风烧结方式的烧结工艺流程图。

图2是带式抽风烧结方式的烧结料层分层现象的示意图。

图3是本发明一实施例的流程图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

实施例

请参照附图3，包括以下步骤：

(1)分析烧结过程机理得到影响烧结过程综合焦比的烧结参数，烧结参数包括垂直燃烧速度、上升点(BRP)、上升点温度、烧结终点(BTP)、烧结终点温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比；

(2)对烧结参数进行数据降维，并重新组合，得到主成分变量；

数据降维包括以下步骤：

(2.1)对烧结参数进行标准化处理；

设烧结参数有n组数据，每组数据中有u个判别指标，烧结参数用矩阵X＝(x_ij)_n×u表示，x_ij为第j个判别指标的第i组数据，标准化公式如下：

式中：X_scalar是数据标准化后得到的数据，X_min是数据中的最小值，X_max是数据中的最大值，X_actual是数据中的实际值；

(2.2)计算数据的相关系数r_ij和相关系数矩阵C；

计算式如下：

C＝(r_ij)_u×u

(i＝1,2,…,u；j＝1,2,…,u)

式中：x_ai为第i个判别指标第a组数据；为第i个判别指标所有数据的平均值；x_aj为第j个判别指标第a组数据；为第j个判别指标所有数据的平均值；

(2.3)计算相关系数矩阵C的u个特征值，记为λ₁≥λ₂≥…≥λ_u≥0；

(2.4)计算每个烧结参数的贡献率确定主成分变量的个数；

设第d个烧结参数的贡献率为以作为前m个烧结参数的累积贡献率，以累积贡献率达到85％及以上时，烧结参数的个数确定为主成分变量的个数；

(2.5)设m个烧结参数的累积贡献率达到85％及以上，则主成分变量个数为m个，可得到主成分变量为：

式中：y_d表示第d个主成分变量，l_d表示m个特征值所对应的单位特征向量，(d＝1,2,…,m)。

(3)将步骤(2)得到的主成分变量作为输入变量输入最小二乘支持向量机模型；

最小二乘支持向量机模型通过以下步骤得到：

(3.1)计算已烧结矿的综合焦比；

已烧结矿的综合焦比的计算式如下：

式中：η表示综合焦比(Kg/t)，w_c表示焦粉配比(％)，p表示成品率(％)，q表示烧损率(％)，Q_D表示烧结的大成矿产量(Kg/h)，Q_X表示烧结的小成矿产量(Kg/h)，Q_F表示烧结的返矿量(Kg/h)，Q_P表示烧结的铺底料量(Kg/h)。

(3.2)对已烧结矿的烧结参数的生产历史数据进行时序配准和平均值滤波处理，得到样本数据库；

烧结过程中的各个工序之间相互影响，从配料生产到烧结矿的破碎完成大约需要2个小时，对烧结矿化验需要2个小时，从此可见烧结生产过程存在时滞现象，为了确保烧结生产过程烧结参数在时序上保持一致，需对烧结参数的生产历史数据进行时序配准处理；根据烧结工艺规定，大成矿每隔一段时间会分流到铺底料仓，大成矿呈现周期性变化，周期大约为45min，由于大成矿的周期性波动会造成综合焦比的波动，故采用大成矿的波动周期作为采样周期，选定采样周期为45min对烧结参数的生产历史数据进行平均值滤波处理，得到烧结参数垂直燃烧速度、BRP、BRP温度、BTP、BTP温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比的生产历史数据共900组，以此，建立样本数据库；

(3.3)对步骤(3.2)得到的样本数据库采用主成分分析法对烧结参数进行数据降维，并重新组合，得到已烧结矿的主成分变量；

(3.4)以步骤(3.3)得的已烧结矿的主成分变量作为输入变量，以步骤(3.1)得的已烧结矿的综合焦比作为输出变量进行重复计算和验证，根据最小二乘支持向量机法建立最小二乘支持向量机模型；

包括以下步骤：

设已烧结矿的主成分变量和综合焦比组成的样本数据集为y_k∈R^m为m维输入变量，Y_k∈R为对应的目标输出；

采用非线性映射将输入变量映射到高维特征空间，得到：

式中：ω是权函数，表示将输入变量非线性映射到高维空间，b是偏置量；

基于结构风险最小化原理，将上述回归问题转化为约束优化问题：

式中：γ是惩罚因子，其是衡量参数风险和拟合误差相对重要程度的参数，e_k是拟合误差；

对约束优化问题采用拉格朗日乘子法、正定矩阵和卡罗需-库恩-塔克条件进行求解，即得到最小二乘支持向量机模型，最小二乘支持向量机模型为：

式中：α_k是拉格朗日乘子，K(y,y_k)＝exp(-||y-y_k||²/2σ²)为高斯径向基核函数，σ是核函数宽度；

最小二乘支持向量机模型的输出变量即为烧结过程综合焦比。

本方法预测综合焦比的准确率高，误差范围均在[-3％,2％]，能够满足实际烧结过程生产要求，可为烧结过程的碳效优化奠定基础。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。