焦化工序能耗預測與優(yōu)化模型的研究與實現(xiàn)

焦化工序能耗預測與優(yōu)化模型的研究與實現(xiàn)焦化工序能耗預測與優(yōu)化模型的研究與實現(xiàn)摘要由于能源資源的日趨緊張和工業(yè)發(fā)展所需能源的日益增加，人們越來越重視對能源的合理使用。作為工業(yè)能耗大戶的鋼鐵企業(yè)，也把能源管理問題視為重點。其中焦炭作為冶金、機械、化工等行業(yè)的主要原料和燃料，其在鋼鐵制造流程中的作用非常重大。作為焦炭的生產(chǎn)單元，焦化工序是整個鋼鐵制造流程中的重點工序，其能源消耗也深受重視，其中焦爐煉焦所消耗的能源占整個焦化工序能源凈消耗量的92%左右，所以對其能耗進行預測與優(yōu)化對降低焦化工序乃至整個鋼鐵制造流程都具有重大意義。本文旨在對焦化工序中的焦爐煉焦生產(chǎn)過程的能耗預測與優(yōu)化進行研究。首先，對采集到的原始樣本數(shù)據(jù)進行預處理，結合實際生產(chǎn)情況與數(shù)據(jù)規(guī)律，對數(shù)據(jù)進行一些分析和單位化處理；然后，應用模糊邏輯推理技術，建立以大焦、洗精煤（配合煤）質(zhì)量指標為輸入，焦爐煤氣（產(chǎn)出）、高爐煤氣、電、蒸汽為輸出的預測模型；最后，以能耗最低為目標函數(shù)，使用多元回歸的方法建立能耗優(yōu)化模型的約束條件，建立能耗優(yōu)化模型，使在已知洗精煤（配合煤）質(zhì)量指標的條件下，求取能耗的最優(yōu)解，并得出此時各消耗能源之間的配比。本文以某鋼鐵企業(yè)焦爐煉焦生產(chǎn)過程為研究對象，對上述主要的研究給予實例分析驗證。關鍵詞：焦化、能耗預測、能耗優(yōu)化TongjiUniversityMasterofScienceinEngineeringAbstractTongjiUniversityMasterofScienceinEngineeringAbstractIIABSTRACTDuetotheshortageofenergyresourcesandtheincreasingrequirementonenergyinindustrialdevelopmentdaybyday,thereisagrowingemphasisontheeffectiveutilizationofenergy.Asthebigenergyconsumers,steelenterprisesalsofocusattentionontheenergymanagementproblem.Coke,asthemainrawmaterialandfuelinthemetallurgy,machinery,chemicalindustry,playsanimportantroleonthesteelmanufacturingprocess.Asproductionunitofcoke,coking-processisthekeypointprocessinthewholesteelmanufacturingprocess,itsenergyconsumptionalsoveryseriously.TheenergyconsumedinCokeovenunitaccountsforabout92%ofentirecoking-processenergyconsumption,therefore,energyconsumptionpredictionandoptimizationaregreatsignificancetoreducetheenergyconsumptionofcoking-process,andeventheentiresteelmanufacturingprocess.Thispapermainlyfocusesonenergyconsumptionforecastandoptimizationofcoking-process.First,wecollectoriginalsampledatafromtheinformationsystem,andthencombinedwiththeactualproductionconditionsanddataregularity,takesomeanalysisandunitingoftheoriginalsampledata.Secondly,establishapredictionmodelwhoseinputsincludethequalityindexesofthecokeandthecleanedcoal,andoutputsincludecokeovengas(output),blastfurnacegas,electricityandsteam,byfuzzylogicreasoningtechnology.Finally,thepaperestablishestheenergyconsumptionoptimizationmodelwiththelowestenergyconsumptionastheobjectivefunction,andtheconstraintswhichisobtainedbythemethodofmultiple-regressionusingmultipleregressionmethod.Then,underthedeterminedconditionsofthequalityindicatorsofthecleanedcoal,weobtaintheoptimalsolution,andwiththeratiobetweenthevariousenergy-consumingisachievedperformance.Thispaperstudiesoncokeovenofonesteelenterprise,andgiveanexampleanalysisandtestingontheabovemainresearch.KeyWords:coking,energyconsumption,prediction,optimization同濟大學碩士學位論文目錄同濟大學碩士學位論文目錄目錄第1章緒論 11.1本文研究的背景和意義 11.2焦化工序流程和能耗概況 31.2.1焦化工序流程概況 31.2.2焦化工序能耗概況 41.3焦化工序能耗優(yōu)化模型的研究現(xiàn)狀以及發(fā)展趨勢 51.3.1研究現(xiàn)狀 51.3.2焦化工序能耗優(yōu)化模型的發(fā)展趨勢 61.4本文的研究內(nèi)容和安排 71.4.1主要的研究內(nèi)容 71.4.2文章的結構安排以及內(nèi)容框架 8第2章數(shù)據(jù)預處理 102.1單位化處理 102.1.1 單位化處理意義 102.1.2 實際生產(chǎn)數(shù)據(jù)的單位化處理 102.2離群點檢測概述 112.2.1離群點檢測的意義 112.2.2離群點檢測技術 122.3離群點檢測實例分析 132.3.1多元線性回歸的數(shù)學模型 132.3.2實例分析 142.4本章小結 29第3章于模糊邏輯的焦化工序能耗預測模型 303.1模糊邏輯概述 303.1.1模糊理論概念 303.1.2模糊邏輯概念以及應用領域 313.2基于實際生產(chǎn)數(shù)據(jù)的模糊邏輯預測模型 313.2.1輸入輸出分配以及數(shù)據(jù)模糊化 313.2.2建立模糊推理機制 333.2.3模糊規(guī)則的確定 343.3建立預測模型 403.3.1 建立模糊邏輯預測模型 403.3.2 結果分析 423.4本章小結 43第4章焦化工序能耗優(yōu)化模型 454.1優(yōu)化模型概述 454.2焦化能耗優(yōu)化模型的建立 454.2.1 確定目標函數(shù)與決策變量 454.2.2 確定約束條件 464.2.3 模型求解 474.2.4 結果分析 484.2.5 與預測值相比較 494.3本章小結 50第5章總結與展望 515.1全文總結 515.2研究展望 51致謝 53參考文獻 54附錄 56個人簡歷、在讀期間發(fā)表的學術論文與研究成果 59同濟大學碩士學位論文焦化工序能耗預測與優(yōu)化模型的研究與實現(xiàn)第1章緒論緒論本文研究的背景和意義目前能源緊缺與環(huán)境惡化已經(jīng)成為全球面臨的最大問題。近些年來，全球社會發(fā)展普遍存在對礦產(chǎn)資源、水資源等自然資源過度利用的問題。全球經(jīng)濟持續(xù)高速增長，但經(jīng)濟增長的同時也引發(fā)了全球范圍內(nèi)的能源供應緊張并對環(huán)境保護造成了巨大的壓力。在2009年12月7日至18日舉行的哥本哈根世界氣候大會，反復強調(diào)了節(jié)能減排的重要性。在大會到來之前，各國紛紛推出自己的減排計劃，我國決定，到2020年我國單位國內(nèi)生產(chǎn)總值二氧化碳排放比2005年下降40%～45%[1]，作為約束性指標納入國民經(jīng)濟和社會發(fā)展中長期規(guī)劃?！笆晃濉逼陂g，我國單位國內(nèi)生產(chǎn)總值能耗累計下降鋼鐵制造是能源高度集中、高度消耗的過程，能源成本約占制造成本的30%左右，節(jié)能已成為鋼鐵企業(yè)在日益殘酷的市場競爭中不得不面對的嚴峻問題。特別是經(jīng)歷了2008年底的金融危機和幾次鐵礦石等原材料價格的高漲后，鋼鐵企業(yè)的利潤空間大幅度縮小，節(jié)能越來越受重視，已逐漸成為鋼鐵企業(yè)提升市場競爭力的有效手段之一。1987年開始，我國鋼鐵工業(yè)從進入了系統(tǒng)節(jié)能階段。在節(jié)能工作中，擁有先進的生產(chǎn)設備和單體節(jié)能技術只是鋼鐵企業(yè)保持先進性的基礎，然而，僅僅靠孤立的單向節(jié)能改造是不行的，需要的是綜合治理。一方面應用數(shù)學方法以及系統(tǒng)工程的思想和方法對能耗進行優(yōu)化，同時得到能源使用最優(yōu)配比以及物料最優(yōu)配置；另一方面應合理的回收和利用二次能源；這些才是節(jié)能減排的關鍵。鋼鐵制造流程是一個復雜的連續(xù)流程，是眾多工序和設備有機地組合在一起的一個整體。在鋼鐵制造流程中能源消耗最大的工序是煉鐵系統(tǒng),包括焦化、燒結、球團和高爐煉鐵等工序，本文主要針對的是整個煉鐵工序的首個大工序—焦化工序節(jié)能降耗。焦化工序的主要生產(chǎn)目的是為高爐煉鐵提供所需的燃料以及原料--焦炭，其重點生產(chǎn)過程是焦爐煉焦過程，焦爐煉焦過程的實質(zhì)是洗精煤經(jīng)過加熱燃燒轉換成焦炭、焦爐煤氣以及各種化學產(chǎn)品的過程,或認為是碳素流轉化為固態(tài)焦炭和氣態(tài)碳--氫化合物、液態(tài)碳--氫化合物的過程。整個焦化工序所消耗的能源約約90%都是該過程消耗的。其中圖表1.1所示的是2008年我國主要鋼鐵企業(yè)焦化工序能耗的基本情況。其中，下圖中命名為“某鋼企”的鋼鐵企業(yè)為本論文研究工作的提供數(shù)據(jù)資料，后文均以“某鋼企”代替。圖表1.12008年主要鋼鐵企業(yè)焦化工序能耗（縱軸坐標單位：kgce/t焦電力折算系數(shù)取0.1229kgce/kWh）由圖表1.1可見，雖然該企業(yè)焦化工序能耗與一些企業(yè)相比較低，但與國內(nèi)其他較先進企業(yè)相比還有較大差距。2008年，該企業(yè)老區(qū)焦化化工序能耗為140.08kgce/t焦，新區(qū)為137.95kgce/t焦，全年焦化工序平均為139.1kgce/t焦。2009年上半年老區(qū)焦化工序能耗為138.77kgce/t焦，新區(qū)焦化工序能耗為138.20kgce/t焦，上半年平均工序能耗為138.52kgce/t焦【3】。與2008年相比，其2009年焦化工序能耗略有降低，可見該企業(yè)本身對節(jié)能降耗的重視，但是相比鋼企2平均能耗86.44kgce/t焦，還是相去甚遠。經(jīng)實地考察與資料分析得知，該企業(yè)焦化工序工藝與設備在國內(nèi)均屬先進行列，如有優(yōu)良的能耗模型進行指導，使操作運行穩(wěn)定，同時合理分配能源以及合理回收二次能源，其能耗水平定會步入領先水平。綜上所述，針對馬鋼焦化工序建立能耗優(yōu)化模型是非常必要的。為此本文以實際生產(chǎn)數(shù)據(jù)為研究對象，分別應用模糊邏輯推理和多元回歸方法，為焦化工序中焦爐煉焦過程建立基于數(shù)據(jù)的能耗預測模型和能耗優(yōu)化模型，最終目的是在確定洗精煤質(zhì)量指標的前提下，并且焦炭質(zhì)量滿足要求時，能耗最低情況下各種能源消耗的最優(yōu)配比。焦化工序流程和能耗概況焦化工序是高爐煉鋼的前道工序，經(jīng)高溫煉焦所得到的焦炭可供給高爐煉鐵作為燃料和原料；煉焦過程中得到的干餾荒煤氣經(jīng)回收、精制可得到各種芳香烴和雜環(huán)混合物，如粗苯，供合成纖維、醫(yī)藥、染料、涂料和國防等工業(yè)做原料；經(jīng)凈化與化學產(chǎn)品回收后的得到的凈煤氣為焦爐煤氣，既是高熱值燃料，也是合成氨、合成燃料和一系列有機合成工業(yè)的原料。因此，煉焦過程不僅是高爐煉鐵的重要前提工序，也是整個冶金工業(yè)的重要組成成分。焦化工序流程概況焦化工序整個流程如圖表1.2所示。原料煤一般以汽車、火車、貨船等方式從各地運輸過來，在備煤車間，根據(jù)已制定的配煤比例，把不同類型的煤配在一起，而后經(jīng)粉碎后送往煤塔。裝煤車按照作業(yè)計劃從煤塔內(nèi)取煤，經(jīng)計量后裝入焦爐的炭化室內(nèi)。煤料在炭化室內(nèi)經(jīng)過一個結焦周期的高溫干餾制成焦炭并產(chǎn)生荒煤氣。一個結焦周期后，炭化室內(nèi)的焦炭成熟，用推焦車推出，經(jīng)攔焦車導入熄焦車內(nèi)，并由電機車牽引熄焦車到熄焦塔內(nèi)進行熄焦，熄焦分為干熄焦和濕熄焦，本文研究的焦化工序以干熄焦為主，濕熄焦為輔。熄焦后的焦炭卸至涼焦臺上，冷卻一定時間后送往篩焦工段，經(jīng)篩分后得到冶金焦和焦粉、焦丁。在干熄焦過程，冷卻焦炭的循環(huán)氣體，在干熄爐冷卻段與紅焦進行熱交換后溫度升高，并經(jīng)環(huán)形煙道排出干熄爐；高溫循環(huán)氣體經(jīng)過一次除塵器分離粗顆粒焦粉后進入干熄焦鍋爐進行熱交換，鍋爐產(chǎn)生蒸汽，溫度降至約160℃的低溫循環(huán)氣體由鍋爐出來，經(jīng)過二次除塵器進一步分離細顆粒焦粉后，由循環(huán)風機送入給水預熱器冷卻至約130℃，再進入干熄爐循環(huán)使用。經(jīng)除鹽、除氧后約104℃的鍋爐用水由鍋爐給水泵送往干熄焦鍋爐，經(jīng)過鍋爐省煤器進入鍋爐鍋筒，并在鍋爐省煤器部位與循環(huán)氣體進行熱交換，吸收循環(huán)氣體中的熱量；鍋爐鍋筒出來的飽和水經(jīng)鍋爐強制循環(huán)泵重新送往鍋爐，經(jīng)過鍋爐鰭片管蒸發(fā)器和光管蒸發(fā)器后再次進入鍋爐鍋筒，并在鍋爐蒸發(fā)器部位與循環(huán)氣體進行熱交換，吸收循環(huán)氣體中的熱量，產(chǎn)生蒸汽外送。產(chǎn)生的飽和蒸汽外送的CDQ發(fā)電單元，進行發(fā)電。這里需要說明的是，有些鋼鐵企業(yè)，對于焦化工序能耗的計算，是把CDQ發(fā)電單元作一個獨立的單元來計算能耗的，如馬鞍山鋼鐵公司，這樣就使得該公司焦化工序的能耗偏高。圖表1.2焦化工序流程焦化工序能耗概況圖表1.2焦化工序流程焦化工序消耗的能源有8種：洗精煤、高爐煤氣、焦爐煤氣、電、蒸汽、壓縮空氣、氮氣和工業(yè)凈水；產(chǎn)出的能源有6種：冶金焦、焦爐煤氣、蒸汽、焦粉焦丁、焦油和粗苯。其流程可分為五個生產(chǎn)單元：備煤、煉焦、化產(chǎn)、熄焦以及CDQ發(fā)電，各個生產(chǎn)單元對應能耗情況如圖表1.3所示。其中在“某鋼企”中焦化工序能耗并不把CDQ發(fā)電的能源消耗與產(chǎn)出計算在內(nèi)。焦化工序能耗焦化工序能耗備煤化產(chǎn)A（kece/t焦）B（kece/t焦）C（kece/t焦）D（kece/t焦）產(chǎn)品焦炭濕熄焦干熄焦焦爐CDQ發(fā)電電圖表1.3焦化工序各工段能耗情況焦化工序的主要生產(chǎn)目的是為高爐煉鐵提供所需的燃料以及原料--焦炭，煉焦過程的實質(zhì)是洗精煤轉換成焦炭、焦爐煤氣以及各種化學產(chǎn)品的過程,或認為是碳素流轉化為固態(tài)焦炭和氣態(tài)碳--氫化合物、液態(tài)碳--氫化合物的過程。從鋼鐵制造流程整體考察,焦化過程實質(zhì)是根據(jù)鐵素流這一被加工主體的要求(為高爐冶煉提供優(yōu)質(zhì)焦炭)而發(fā)生的碳素流轉換和耗散過程,或稱為能源轉換過程。焦化工序能耗是指生產(chǎn)一噸焦炭時備煤、焦爐、熄焦和化產(chǎn)四個生產(chǎn)單元的凈消耗和，即消耗能源扣除產(chǎn)出能源。其中干熄焦過程中進行熱交換，產(chǎn)生高壓飽和蒸汽，整個過程基本不消耗能源，所以D一般為負值。其中焦爐這一生產(chǎn)設備的能耗最多，占總能耗的比例最大，約為整個焦化工序凈能耗的90%左右，同時焦爐又是焦化工序的重點設備，對應的是焦爐煉焦單元，所以本文主要研究工作是針對焦爐煉焦過程開展的。焦化工序能耗優(yōu)化模型的研究現(xiàn)狀以及發(fā)展趨勢研究現(xiàn)狀對于焦化工序而言，實際生產(chǎn)過程涉及到多個局部生產(chǎn)過程，主要是：煉焦配煤過程、焦爐煉焦過程、熄焦過程、化產(chǎn)過程以及CDQ發(fā)電過程。其中焦爐煉焦過程是整個焦化工序的主要耗能過程，目前鑒于工藝的復雜性，國內(nèi)外研究的主要是集中在工藝以及工藝參數(shù)對能耗的影響，一些操作參數(shù)如焦爐作業(yè)計劃與調(diào)度等對能耗的影響等方面，針對某些質(zhì)量參數(shù)對能耗進行優(yōu)化分析的比較少見。工藝以及工藝參數(shù)方面，國內(nèi)的主要技術有：中南大學吳敏，雷琪【4】【5】等人提出一種焦爐火道溫度的復雜工藝分析與智能集成優(yōu)化控制技術，實現(xiàn)了焦爐煉焦燃燒過程復雜工況的實時判斷和焦爐火道溫度的優(yōu)化控制，由此建立了焦爐加熱燃燒過程控制系統(tǒng)。安徽工業(yè)大學嚴文福、鄭明東【6】等人利用焦爐炭化室傳熱的一維、二維傳熱過程，從滿足焦炭質(zhì)量要求的角度出發(fā)，得到目標火道溫度線性模型等。焦爐作業(yè)計劃與調(diào)度方面，現(xiàn)有的主要技術有：文【7】中提出焦爐自動化管控一體化技術，包含了焦爐生產(chǎn)過程的自動控制以及相應的管理功能如質(zhì)量分析、設備診斷和統(tǒng)計以及計劃編制等。中南大學吳敏，蔡雁，朱華琦【8】【9】等人提出一種基于動態(tài)分批自適應的多座焦爐作業(yè)協(xié)同計劃與優(yōu)化調(diào)度技術，建立了基于爐況分析的周期性自適應任務模型，通過動態(tài)分批優(yōu)化調(diào)度算法，實現(xiàn)了多座焦爐作業(yè)協(xié)同與優(yōu)化調(diào)度；另外，還有人提出一種基于質(zhì)量預測模型的煉焦配煤多目標智能優(yōu)化技術【10】，通過建立的配比計算與配比優(yōu)化模型獲得最優(yōu)的配比和配煤方案實現(xiàn)煉焦配煤的優(yōu)化；文【11】中建立了焦炭質(zhì)量、產(chǎn)量及焦爐能耗的神經(jīng)網(wǎng)絡預測模型和以焦炭質(zhì)量為約束條件,產(chǎn)量、能耗為目標函數(shù)的優(yōu)化控制模型。本文對于焦化工序能耗優(yōu)化的研究，主要是針對的是在焦炭質(zhì)量指標滿足要求的基礎上，洗精煤質(zhì)量指標與各種消耗能源之間的關系。這樣，僅僅建立某個生產(chǎn)目標的數(shù)學模型是不夠的，需要綜合定性描述的知識模型，從集成建模的角度建立多目標優(yōu)化模型。焦化工序能耗優(yōu)化模型的發(fā)展趨勢焦化工序生產(chǎn)過程工藝復雜，能源產(chǎn)出與消耗種類繁多，對其能源消耗進行優(yōu)化需要綜合考慮各個方面的因素，其中影響能源消耗的因素非常多，可分為物料因素、操作因素以及工藝因素三類。本文所做研究工作是在采集到的實際生產(chǎn)數(shù)據(jù)基礎上進行了，但是同時也是由于數(shù)據(jù)方面的限制，本文將要建立的能源優(yōu)化模型是一種質(zhì)量指標與各種能源之間的集成，以能源消耗為目標函數(shù)，建立一定的約束條件，編程求解得到能耗最優(yōu)解，同時得到能耗最優(yōu)時的各種能源消耗的配比。本文所建立模型僅僅考慮到的影響能耗的參數(shù)是物料參數(shù)中的小部分，而目標是焦炭質(zhì)量滿足要求，生產(chǎn)計劃得以完成和綜合能耗最低，這是一個多目標優(yōu)化問題。隨著科技的發(fā)展，我們在建立能耗優(yōu)化模型時，所要考慮的因素逐漸增加，這是一個多元化問題，所以對于焦化工序能耗優(yōu)化模型的研究必將朝多元化、多目標化發(fā)展。本文的研究內(nèi)容和安排主要的研究內(nèi)容本課題主要從數(shù)據(jù)的角度出發(fā)，本文研究工作所用樣本數(shù)據(jù)是實際生產(chǎn)的離線數(shù)據(jù)，所以要綜合考慮實際生產(chǎn)情況，對能源、物料等相關參數(shù)以及各參數(shù)之間的關系進行分析和處理，而后建立能耗預測與優(yōu)化模型。在焦炭質(zhì)量滿足要求和滿足生產(chǎn)計劃需求的前提下，使用預測模型能夠預測焦化工序的各種能耗量，而優(yōu)化模型能夠尋優(yōu)得到能耗的最優(yōu)值，同時得到能耗最優(yōu)時的各種消耗能源的最優(yōu)配比。本課題最主要研究以下三個方面的內(nèi)容：1）數(shù)據(jù)預處理通過調(diào)研和相關數(shù)據(jù)的采集，得到某鋼企焦化工序大量的能耗相關離線數(shù)據(jù)，這些數(shù)據(jù)是本課題研究的基礎。在建模之前，首先要考慮的是所選取的數(shù)據(jù)的質(zhì)量，有無異常數(shù)據(jù)。通過分析數(shù)據(jù)知，各指標的波動范圍較大，這些數(shù)據(jù)不能直接用來分析，需要對數(shù)據(jù)進行預處理，本課題擬采用的數(shù)據(jù)預處理技術是離群點檢測技術。該技術在本課題里的應用主要表現(xiàn)在：a）改寫或剔除能耗數(shù)據(jù)中明顯錯誤的數(shù)據(jù)，以保證所建立的焦化工序能耗模型的可靠性更高；b）把異常數(shù)據(jù)作為研究對象，分析可能存在的潛在較優(yōu)的生產(chǎn)模式。2）焦化工序能耗預測模型（煉焦過程）對于整個焦化工序的能耗，從工藝角度看，即為一定的原料（能源、物料）經(jīng)過特定的設備和不同的操作，得到新的能源和物料的生產(chǎn)過程中，消耗能源與生成能源的差值；而從數(shù)學角度看，則是一定的原料參數(shù)(能源、物料配比)，在一定的設備參數(shù)和操作參數(shù)下，經(jīng)過數(shù)學算子或映射的作用而得到新的能源和物料參數(shù)，消耗能源參數(shù)與生成能源參數(shù)之差獲得了目標函數(shù)。本文所建立預測模型主要針對的是煉焦過程，其出發(fā)點在于洗精煤和焦炭的質(zhì)量指標，通過模糊邏輯推理的過程使這些指標與煉焦過程所消耗的各項能源之間建立一種特定的模糊推理關系，進而預測出各項能源的消耗（其中輸入為各項指標，輸出為所消耗能源）。3）焦化工序能耗優(yōu)化模型對于焦化工序能耗優(yōu)化模型，本文兩方面考慮：一方面，將預測模型的結果帶入到優(yōu)化模型中去驗證對比預測模型的可靠性；另一方面，以能耗最低為目標函數(shù)，應用多元回歸方法建立輸入輸出關系，其中以焦爐煤氣（產(chǎn)出量）、高爐煤氣、電和蒸汽為輸入量，給以一定的上下限限制得到預測模型的約束條件，通過本文中的優(yōu)化模型，可以計算得到目標函數(shù)的最優(yōu)解，同時得到此時的最優(yōu)能源配比。文章的結構安排以及內(nèi)容框架本文將按研究工作的關聯(lián)順序逐步展開。第二章主要介紹了數(shù)據(jù)處理方面的研究工作，首先是數(shù)據(jù)預處理方面的理論知識，緊接著對實驗數(shù)據(jù)在不改變相互之間耦合關系條件下進行單位化處理，而后提出離群點檢測技術，對實驗數(shù)據(jù)進行離群點檢測。第三章主要是應用模糊邏輯推理方面的知識，對實驗數(shù)據(jù)建立模糊推理預測模型，本章中對模糊邏輯理論知識、模糊推理規(guī)則的產(chǎn)生以及預測模型的建立進行了詳細的闡述。第四章的主要內(nèi)容是確定目標函數(shù)，使用多元回歸方法得到約束條件，建立能耗優(yōu)化模型。對所建立能耗優(yōu)化模型進行編程實現(xiàn)尋優(yōu)，得到能耗最低時，各種能源的消耗配比的最優(yōu)方案。第二、三、四章都是是以理論結合實例的模式展開的，這樣，理論為實例分析進行指導，實例分析則是理論知識的驗證。最后，對本論文所做的工作進行總結并對下一步工作做出展望和規(guī)劃。本論文研究工作的結構框架如圖表1.4所示。圖表1.4圖表1.4論文內(nèi)容框架能耗優(yōu)化模型模糊預測模型數(shù)據(jù)預處理原始數(shù)據(jù)單位化樣本數(shù)據(jù)離群點檢測與改寫模糊推理機制模糊推理規(guī)則模糊化模糊推理預測模型能耗預測值確定目標函數(shù)確定約束條件建立優(yōu)化模型最優(yōu)解（包含質(zhì)量指標參數(shù)與能源值）質(zhì)量指標比較預測值與最優(yōu)值各種能源值預測值最優(yōu)解第2章數(shù)據(jù)預處理數(shù)據(jù)預處理建模是系統(tǒng)工程方法中的分析基礎和工具，是研究大規(guī)模復雜的工程系統(tǒng)問題重要的科學方法【12】。本文是在數(shù)據(jù)的基礎上，并結合實際生產(chǎn)情況與合理設定的條件，對焦化工序能源消耗過程進行建模并進而對所消耗的能源進行配比優(yōu)化，最終是能耗降低，對此首先需要做的工作就是對數(shù)據(jù)進行一定的預處理。本章對數(shù)據(jù)的處理分為兩個方面：一是，對數(shù)據(jù)的單位化處理；二是，對單位化處理后的數(shù)據(jù)進行離群點檢測，以供后續(xù)建模需要。單位化處理由于研究工作所針對的是實際的生產(chǎn)過程，而所分析的數(shù)據(jù)也是實際采集到的生產(chǎn)數(shù)據(jù)，一般來說這些數(shù)據(jù)都具有很重要的意義，如果處理不當甚至會對企業(yè)造成很大的影響。出于數(shù)據(jù)的保密性考慮，且實際數(shù)據(jù)數(shù)值較大，應對原始數(shù)據(jù)進行一些初步的處理。本文對原始數(shù)據(jù)進行的初步處理是本人根據(jù)數(shù)據(jù)的實際情況和生產(chǎn)過程的實際情況，本著客觀、全面的態(tài)度制定的。單位化處理意義單位化處理的想法起因于單位能耗的概念，如焦化工序單位能耗即為生產(chǎn)出一噸焦炭的能源總消耗量。因原始數(shù)據(jù)中不存在焦炭的產(chǎn)量數(shù)值，且若以單位能耗的原型進行單位化則起不到數(shù)據(jù)保密的效果，本文中選取的是以洗精煤（配合煤）的消耗量進行單位化。因為煉焦過程實際為碳素的轉換過程，洗精煤與焦炭的主要區(qū)別在于，洗精煤是整個工序的輸入量，而焦炭為輸出量，應用洗精煤進行單位化與用焦炭進行單位化相比，并不會影響物料與消耗能源之間的關系，所以選擇用洗精煤的消耗量進行單位化。單位化處理的意義主要在于兩方面：1）數(shù)據(jù)的保密性；2）縮小數(shù)值，簡化計算。這種單位化處理類似于簡單的歸一化處理，也是一種無量綱處理手段使物理系統(tǒng)數(shù)值的絕對值變成某種相對值關系。且本文單位化的數(shù)據(jù)是單一參照的相對值，不會改變數(shù)據(jù)之間的耦合關系。實際生產(chǎn)數(shù)據(jù)的單位化處理本文建模對象是某鋼鐵公司焦化工序中一座焦爐（某廠1#焦爐），采集的原始樣本數(shù)據(jù)如附表A所示，包括大焦的水分Mad（%）、灰分Ad（%）、揮發(fā)份Vdaf（%），洗精煤（配合煤）的水分Mad（%）、灰分Ad（%）、揮發(fā)份Vdaf（%）、消耗量（t/天），焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，MWh），蒸汽（飽和蒸汽，t）。用洗精煤的日消耗量作為單位化的相對量，對原始樣本數(shù)據(jù)進行初步的處理后，得到研究所需的樣本數(shù)據(jù)。同時，從所給出的大焦和洗精煤（配合煤）的各個質(zhì)量指標的數(shù)據(jù)計算得，大焦的Mad（%）標準偏差為0.03，說明該組數(shù)據(jù)的變化較小，對后續(xù)將要建立的預測和優(yōu)化模型的影響較小，所以不予適用；另外，根據(jù)安徽工業(yè)大學能源與環(huán)境研究所給出的“焦化工序解析及余熱資源診斷研究”知【13】，在焦爐煉焦過程中的水分使用量很少，同樣不予適用。最后經(jīng)單位化以及上述分析后得到的樣本數(shù)據(jù)如附表B所示，其中包括大焦的灰分Ad（%）、揮發(fā)份Vdaf（%），洗精煤（配合煤）的水分Mad（%）、灰分Ad（%）、揮發(fā)份Vdaf（%），焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）。離群點檢測概述一般說來，理論研究的研究對象都是來源于實際生活、生產(chǎn)過程中的數(shù)據(jù)，而后也是要應用到這些實際的過程中去進而實現(xiàn)其理論研究的價值。然而這些實際采集到的數(shù)據(jù)集，其中往往會存在一些異于其它數(shù)據(jù)規(guī)律的數(shù)據(jù)，這些數(shù)據(jù)的存在會使對實際問題的認知模糊不清，更是會影響所建立模型的準確性，離群點檢測技術就是對這些數(shù)據(jù)進行挖掘和處理，是數(shù)據(jù)預處理的一種方式。上述數(shù)據(jù)集中，存在的一些異于其它數(shù)據(jù)規(guī)律的數(shù)據(jù)被稱作離群點(outlier)，也可以稱作孤立點。因此，可以這樣理解離群點檢測(outlierdetection)，即根據(jù)某些特定的方法，從大量的數(shù)據(jù)中分析查找出與其他數(shù)據(jù)顯著偏差的數(shù)據(jù)，是數(shù)據(jù)挖掘的基本任務之一。其目的是消除雜質(zhì)或發(fā)現(xiàn)潛在的、有意義的信息。關于離群點的定義有很多種，目前為止學術界能夠接受的關于離群點本質(zhì)的定義是Hawkins【14】給出的定義。他認為:“anoutlierisanobservationwhichdeviatessomuchfromotherobservationsastoarousesuspicionsthatitwasgeneratedbyadifferentmechanism”，即離群點是在數(shù)據(jù)集中與眾不同的數(shù)據(jù)，使人懷疑這些數(shù)據(jù)并非隨機偏差，而是產(chǎn)生于完全不同的機制。離群點檢測的意義離群點數(shù)據(jù)產(chǎn)生的原因有多種，主要可以分為以下三種：1）離群點數(shù)據(jù)相比正常數(shù)據(jù)來源于不同的類別。例如，進行網(wǎng)絡入侵的人（即離群點數(shù)據(jù)），與合法登陸網(wǎng)絡的人相比，屬于不同的類別；2）數(shù)據(jù)的固有變化。觀測數(shù)據(jù)在樣本總體中發(fā)生了變化，這種變化是樣本總體自然發(fā)生的；3）數(shù)據(jù)測量和采集錯誤。人為操作錯誤、測量儀器的缺陷或故障也可能導致部分數(shù)據(jù)成為離群點。對于上述三種類型的離群點的檢測都具有非常大的意義，尤其是第一中離群點的檢測跟生活最是息息相關，例如電信和信用卡欺騙、藥物研究、氣象預報、電子商務、貸款審批、客戶分類、金融領域、網(wǎng)絡入侵檢測等，這些情況下有關例外情況的信息比常規(guī)模式更有價值。目前在數(shù)據(jù)挖掘中,對這種例外信息情況的數(shù)據(jù)的研究，也即離群點數(shù)據(jù)挖掘的研究正得到越來越多的重視。本論文將對樣本數(shù)據(jù)進行離群點檢測，主要具有兩方面的意義。第一，平穩(wěn)，去噪。采集到的實際生產(chǎn)數(shù)據(jù)通常會存在不穩(wěn)定數(shù)據(jù)點，這些數(shù)據(jù)點的存在對描述模型的建立起到一個類似于誤導的作用，為使所建立的模型更合理的描述實際生產(chǎn)情況，這些數(shù)據(jù)必須剔除或改寫。第二，離群點的潛在模式。作為離群點被“挑”出來的數(shù)據(jù)，僅僅可以表明這些數(shù)據(jù)是異于普通數(shù)據(jù)的，并不能確定的認為離群點所處的模式就是有弊端的模式，反而有可能是存在某種更優(yōu)異的模式，本文亦將針對這方面作為預測優(yōu)化模型的輔助研究。離群點檢測技術目前用于檢測離群點的技術眾多，主要有以下幾個類別。使用時應考慮實際情況選擇適用的離群點技術?；谛畔⒗碚撾x群點檢測技術：信息理論技術使用不同的信息度量方法來分析數(shù)據(jù)集中的信息內(nèi)容，信息理論離群點檢測技術主要是基于“離群點會導致數(shù)據(jù)集中的信息被誤讀”的假設，即前文提到的語義孤立點【15】。基于統(tǒng)計的離群點檢測技術：該技術所遵循的基本原理是“離群點是被認為部分或者全部不相關的觀測值，因為它不是假定的概率模型產(chǎn)生的”。常見的基于統(tǒng)計的離群點檢測技術有：基于回歸模型離群點檢測技術【16】【17】等?；诜诸惖碾x群點檢測技術：分類是通過學習被標記的數(shù)據(jù)用例而形成的一個分類模型，然后運用這個模型，把一個測試用例歸到某一類別中，主要用于區(qū)分屬于不同類別的實例?；诜诸惖碾x群點檢測技術主要有：基于神經(jīng)網(wǎng)絡的分類檢測技術、基于支持向量機制的分類檢測技術、基于規(guī)則的分類檢測技術等。基于近鄰的離群點檢測技術：該類技術都是基于“正常數(shù)據(jù)通常出現(xiàn)于高密度的數(shù)據(jù)區(qū)，而離群點一般遠離它們的最近的鄰居?！边@一假定，它的最大優(yōu)勢在于是純數(shù)據(jù)驅動的?；诮彽碾x群點檢測技術主要有：基于第k個近鄰距離檢測技術【18】、基于相對密度的離群點檢測技術【19】?；诰垲惖碾x群點檢測技術：聚類將相似的數(shù)據(jù)聚集在一個聚類內(nèi)，而離群點挖掘是找出與其他對象不緊密相關的對象，該技術可以在無人工干預下進行。一些聚類算法有線性的或接近線性的時間和空間復雜性，因此基于聚類算法的離群點挖掘技術【20】也是高效的。本文選用的離群點檢測技術是基于多元回歸方法的離群點檢測技術【21】，這種離群點檢測技術是基于統(tǒng)計的離群點檢測技術方法之一，適用于低維數(shù)據(jù)集。選用該技術的主要原因在于，研究對象數(shù)據(jù)樣本是采集的實際生產(chǎn)過程的離散數(shù)據(jù)，數(shù)據(jù)本身具有一定的關聯(lián)性，且樣本數(shù)據(jù)集中數(shù)據(jù)維數(shù)不高，所以選用多元回歸方法。離群點檢測實例分析多元線性回歸的數(shù)學模型設隨機變量QUOTE隨著m個自變量x1,x2,…,xm變化，并有如下線性關系式：y=β0+β1×式（2.1）稱為回歸方程.其中β0，β1，…，βm稱為回歸系數(shù)，是m+1個待估計參數(shù)，ε是隨機變量(剩余參數(shù))?；貧w分析的主要問題是根據(jù)x1,x2,…,xm，y的QUOTE組觀測數(shù)據(jù){(xk1,xk2,…,xkm,yk)k=1，2，…，n}給出各回歸分析系數(shù)βi的估計值βiQUOTE，同時對βiQUOTE作統(tǒng)計檢驗，該方法在MATLAB軟件中可以很好的實現(xiàn)，多元回歸分析的命令regress的調(diào)用格式如下：b=regress(y,X);[b,bint,r,rint,s]=regress(y,X,alpha)其中，QUOTE，X，alpha是輸入量。QUOTE，是因變量（列向量）；X，是1與自變量組成的矩陣；alpha，顯著水平QUOTE（缺省時設定為0.05）QUOTE，bint，r，rint，s為輸出量。QUOTE=（β0，β1，…βm）；bint，b的置信區(qū)間；QUOTE，殘差（列向量）；rint，QUOTE的置信區(qū)間；QUOTE，返回三個統(tǒng)計量：決定系數(shù)R2，F(xiàn)值，F(xiàn)（1，n-2）分部大于F值的概率p。rcoplot（r，rint）可以繪制出殘差及其置信區(qū)間杠桿圖。應注意的是：殘差與置信區(qū)間杠桿圖，在0點附近比較均勻的分布，且不呈現(xiàn)一定的規(guī)律性，則說明回歸分析做的比較理想；s返回的三個統(tǒng)計量中，決定系數(shù)R2越大，說明回歸方程越顯著；概率p<α時，回歸模型有效。實例分析經(jīng)過本章第一節(jié)單位化以及相關分析后得到的樣本數(shù)據(jù)如附表B所示，其中包括大焦的灰分Ad（%）、揮發(fā)份Vdaf（%），洗精煤（配合煤）的水分Mad（%）、灰分Ad（%）、揮發(fā)份Vdaf（%），焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）。需要說明的是對于焦化工序中焦爐煉焦工段，主要消耗能源為洗精煤、高爐煤氣、焦爐煤氣、外供電力與低壓蒸汽，其中洗精煤、外供電力為一次能源，高爐煤氣、焦爐煤氣、與低壓蒸汽為二次能源。對于二次能源，本文采用鋼鐵研究總院在《重點工序能源優(yōu)化應用技術研究-結題報告》【3】中提出的定義，即，二次能源是一次能源經(jīng)加工轉換生成的能源產(chǎn)品，它包括的范圍很廣，在本例中，二次能源冶金焦和生產(chǎn)過程中的副產(chǎn)煤氣和各種余熱、余能?；诨貧w模型離群點檢測技術是較常用的基于統(tǒng)計的離群點檢測技術。其檢測離群點主要有三個步驟。第一步，回歸模型必須擬合數(shù)據(jù)集（例如，本次工作的樣本數(shù)據(jù)），擬合數(shù)據(jù)集所建立的方程組，是以大焦的灰分Ad（%）、揮發(fā)份Vdaf（%），洗精煤（配合煤）的水分Mad（%）、灰分Ad（%）、揮發(fā)份Vdaf（%）為輸出變量，以焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）為輸入變量；第二步，用所建立的模型分析殘差值，對于每個測試數(shù)據(jù)，其殘差值可以用來確定該數(shù)據(jù)是否為離群點。第三步，對已經(jīng)確定的離群點進行一定的處理，使數(shù)據(jù)趨于平穩(wěn)，為后續(xù)建模工作做準備，一般的處理方法為剔除和改寫，由于本文的樣本數(shù)據(jù)量較少，若用剔除的方法，可能會對后續(xù)工作影響較大，所以本文采取的是對離群點進行改寫的方法。改寫的對象是大焦灰分Ad（%）、揮發(fā)份Vdaf（%），洗精煤（配合煤）的水分Mad（%）、灰分Ad（%）、揮發(fā)份Vdaf（%）數(shù)據(jù)組中的數(shù)據(jù)。改寫的原則是：用與離群點較接近的正常數(shù)據(jù)根據(jù)實際情況進行替代。存在兩種情況：a）若數(shù)據(jù)偏大，則用數(shù)據(jù)組中僅次于該數(shù)據(jù)的非離群點數(shù)據(jù)替代；b）若數(shù)據(jù)偏小，同樣的，用數(shù)據(jù)組中稍大于該數(shù)據(jù)的非離群點數(shù)據(jù)替代。（數(shù)據(jù)偏大還是偏小，在殘差與置信區(qū)間杠桿圖可以看出）。下面本文將分別對大焦的灰分Ad（%）、揮發(fā)份Vdaf（%），洗精煤（配合煤）的水分Mad（%）、灰分Ad（%）、揮發(fā)份Vdaf（%）建立與焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）之間的回歸關系，下面將對比給出離群點檢測前后的殘差與置信區(qū)間杠桿圖，以及離群點的處理方法。1）大焦灰分Ad（%）擬合大焦灰分Ad（%）與焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）之間的數(shù)據(jù)集合，得到的殘差與置信區(qū)間杠桿圖如圖表2.5所示，從圖中可以很容易觀察出離群點數(shù)據(jù)組別，然后根據(jù)前文制定的改寫原則對這些離群點進行改寫，然后對改寫過離群點數(shù)據(jù)的數(shù)據(jù)集進行擬合，若仍有離群點則繼續(xù)改寫，直至最后擬合數(shù)據(jù)集后不存在離群點數(shù)據(jù)為止，此時所得到的殘差與置信區(qū)間杠桿圖如圖表2.6所示。圖表2.5殘差與置信區(qū)間杠桿圖（大焦灰分Ad（%））圖表2.6改寫離群點后的殘差與置信區(qū)間杠桿圖（大焦灰分Ad（%））由圖表2.5顯然可見，離群點數(shù)據(jù)為第五、十二、十八組數(shù)據(jù)，改寫的對象是大焦灰分Ad（%）數(shù)據(jù)組中的數(shù)據(jù)，改寫情況見表格2.1。更改后繼續(xù)擬合數(shù)據(jù)集，出現(xiàn)離群點數(shù)據(jù)為第十三組數(shù)據(jù)，更改情況同樣見表格2.1。繼續(xù)對離群點進行改寫，并擬合數(shù)據(jù)集，此時不存在離群點數(shù)據(jù)，所得到的殘差與置信區(qū)間杠桿圖如圖表2.6所示。表格2.1離群點更改情況（大焦灰分Ad（%））離群點批次離群點數(shù)據(jù)組別更改前數(shù)據(jù)值偏離情況更改后數(shù)據(jù)值第一次擬合第五組13.12偏大12.92第一次擬合第十二組13.06偏大12.88第一次擬合第十八組12.65偏小12.75第二次擬合第十三組12.33偏小12.452）大焦揮發(fā)份Vdaf（%）擬合大焦灰分Vdaf（%）與焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）之間的數(shù)據(jù)集合，得到的殘差與置信區(qū)間杠桿圖如圖表2.7所示，從圖中可以很容易觀察出離群點數(shù)據(jù)組別，然后根據(jù)前文制定的改寫原則對這些離群點進行改寫，然后對改寫過離群點數(shù)據(jù)的數(shù)據(jù)集進行擬合，若仍有離群點則繼續(xù)改寫，直至最后擬合數(shù)據(jù)集后不存在離群點數(shù)據(jù)為止，此時所得到的殘差與置信區(qū)間杠桿圖如圖表2.8所示。圖表圖表2.7殘差與置信區(qū)間杠桿圖（大焦揮發(fā)份Vdaf（%））圖表圖表2.8離群點改寫后殘差與置信區(qū)間杠桿圖（大焦揮發(fā)份Vdaf（%））由圖表2.7顯然可見，離群點數(shù)據(jù)為第二、二十八組數(shù)據(jù)，改寫的對象是大焦揮發(fā)份Vdaf（%）數(shù)據(jù)組中的數(shù)據(jù)，改寫情況見表格2.2。更改后繼續(xù)擬合數(shù)據(jù)集，出現(xiàn)離群點數(shù)據(jù)為第十四組數(shù)據(jù)，更改情況同樣見表格2.2。對離群點進行改寫后擬合數(shù)據(jù)集，不存在離群點數(shù)據(jù)，所得到的殘差與置信區(qū)間杠桿圖如圖表2.8所示。表格2.2離群點更改情況（大焦揮發(fā)份Vdaf（%））離群點批次離群點數(shù)據(jù)組別更改前數(shù)據(jù)值偏離情況更改后數(shù)據(jù)值第一次擬合第二組1.18偏小1.24第一次擬合第二十八組1.37偏大1.35第二次擬合第十四組1.35偏小1.333）洗精煤（配合煤）的水分Mad（%）圖表2.9殘差與置信區(qū)間杠桿圖（洗精煤（配合煤）的水分Mad擬合洗精煤（配合煤）的水分Mad（%）與焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）之間的數(shù)據(jù)集合，得到的殘差與置信區(qū)間杠桿圖如圖表2.9所示，從圖中可以很容易觀察出離群點數(shù)據(jù)組別，然后根據(jù)前文制定的改寫原則對這些離群點進行改寫，然后對改寫過離群點數(shù)據(jù)的數(shù)據(jù)集進行擬合，若仍有離群點則繼續(xù)改寫，直至最后擬合數(shù)據(jù)集后不存在離群點數(shù)據(jù)為止，此時所得到的殘差與置信區(qū)間杠桿圖如圖表2.9殘差與置信區(qū)間杠桿圖（洗精煤（配合煤）的水分Mad圖表2.10離群點改寫后殘差與置信區(qū)間杠桿圖（洗精煤（配合煤）的水分Mad）由圖表2.9顯然可見，離群點數(shù)據(jù)為第六組數(shù)據(jù)，改寫的對象是洗精煤（配合煤）的水分Mad（%）數(shù)據(jù)組中的數(shù)據(jù)，改寫情況見表格2.3。更改后繼續(xù)擬合數(shù)據(jù)集，出現(xiàn)離群點數(shù)據(jù)為第二十五、二十八組數(shù)據(jù)，更改情況同樣見表格2.3。更改后繼續(xù)擬合數(shù)據(jù)集，出現(xiàn)離群點數(shù)據(jù)為第二十組數(shù)據(jù)，更改情況同樣見表格2.3。最后對離群點進行改寫后擬合數(shù)據(jù)集，不存在離群點數(shù)據(jù)，所得到的殘差與置信區(qū)間杠桿圖如圖表2圖表2.10離群點改寫后殘差與置信區(qū)間杠桿圖（洗精煤（配合煤）的水分Mad）表格2.3離群點更改情況（洗精煤（配合煤）的水分Mad（%））離群點批次離群點數(shù)據(jù)組別更改前數(shù)據(jù)值偏離情況更改后數(shù)據(jù)值第一次擬合第六組1.69偏大1.05第二次擬合第二十五組1.28偏大1.04第二次擬合第二十八組0.63偏小0.88第三次擬合第二十組1.14偏大1.034）洗精煤（配合煤）灰分Ad（%）擬合洗精煤（配合煤）的灰分Ad（%）與焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）之間的數(shù)據(jù)集合，得到的殘差與置信區(qū)間杠桿圖如圖表2.11所示，從圖中可以很容易觀察出離群點數(shù)據(jù)組別，然后根據(jù)前文制定的改寫原則對這些離群點進行改寫，然后對改寫過離群點數(shù)據(jù)的數(shù)據(jù)集進行擬合，若仍有離群點則繼續(xù)改寫，直至最后擬合數(shù)據(jù)集后不存在離群點數(shù)據(jù)為止，此時所得到的殘差與置信區(qū)間杠桿圖如圖表2.12所示。圖表2.11圖表2.11殘差與置信區(qū)間杠桿圖（洗精煤（配合煤）的灰分Ad）圖表圖表2.12離群點改寫后殘差與置信區(qū)間杠桿圖（洗精煤（配合煤）的灰分Ad）由圖表2.11顯然可見，離群點數(shù)據(jù)為第十九、三十組數(shù)據(jù)，改寫的對象是由圖表2.11顯然可見，離群點數(shù)據(jù)為第十九、三十組數(shù)據(jù)，改寫的對象是洗精煤（配合煤）的灰分Ad（%）數(shù)據(jù)組中的數(shù)據(jù)，改寫情況見表2.4。更改后繼續(xù)擬合數(shù)據(jù)集，出現(xiàn)離群點數(shù)據(jù)為第四組數(shù)據(jù)，更改情況同樣見表2.4。最后對離群點進行改寫后擬合數(shù)據(jù)集，不存在離群點數(shù)據(jù)，所得到的殘差與置信區(qū)間杠桿圖如圖表2.12所示。表格2.4離群點更改情況（洗精煤（配合煤）的灰分Ad（%））離群點批次離群點數(shù)據(jù)組別更改前數(shù)據(jù)值偏離情況更改后數(shù)據(jù)值第一次擬合第十九組10.30偏大10.18第二次擬合第三十組9.31偏小9.55第二次擬合第四組10.18偏大10.135）洗精煤（配合煤）揮發(fā)份Vdaf（%）擬合洗精煤（配合煤）的揮發(fā)份Vdaf（%）與焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）之間的數(shù)據(jù)集合，得到的殘差與置信區(qū)間杠桿圖如圖表2.13所示，從圖中可以很容易觀察出離群點數(shù)據(jù)組別，然后根據(jù)前文制定的改寫原則對這些離群點進行改寫，然后對改寫過離群點數(shù)據(jù)的數(shù)據(jù)集進行擬合，若仍有離群點則繼續(xù)改寫，直至最后擬合數(shù)據(jù)集后不存在離群點數(shù)據(jù)為止，此時所得到的殘差與置信區(qū)間杠桿圖如圖表2.14所示。圖表2.13殘差與置信區(qū)間杠桿圖（洗精煤（配合煤）揮發(fā)份圖表2.13殘差與置信區(qū)間杠桿圖（洗精煤（配合煤）揮發(fā)份Vdaf）圖表圖表2.14離群點改寫后殘差與置信區(qū)間杠桿圖（洗精煤（配合煤）揮發(fā)份Vdaf）由圖表2.13顯然可見，離群點數(shù)據(jù)為第十組數(shù)據(jù)，改寫的對象是洗精煤（配合煤）的揮發(fā)份Vdaf（%）數(shù)據(jù)組中的數(shù)據(jù)，改寫情況見表格2.5。更改后繼續(xù)擬合數(shù)據(jù)集，出現(xiàn)離群點數(shù)據(jù)為第四、二十二組數(shù)據(jù)，更改情況同樣見表格2.5。最后對離群點進行改寫后擬合數(shù)據(jù)集，不存在離群點數(shù)據(jù)，所得到的殘差與置信區(qū)間杠桿圖如圖表2.14所示。表格2.5離群點更改情況（洗精煤（配合煤）的揮發(fā)份Vdaf）離群點批次離群點數(shù)據(jù)組別更改前數(shù)據(jù)值偏離情況更改后數(shù)據(jù)值第一次擬合第十組26.14偏小26.98第二次擬合第四組26.81偏小27.01第二次擬合第二十二組26.98偏小27.12本節(jié)開始時就介紹了離群點可能產(chǎn)生的多種原因，考慮到本例中樣本數(shù)據(jù)組產(chǎn)生在同一個生產(chǎn)過程，且時間、環(huán)境等都相同，符合本例的離群點產(chǎn)生的原因應為后兩種，即數(shù)據(jù)的固有變化和數(shù)據(jù)測量、采集誤差。若想降低離群點數(shù)據(jù)出現(xiàn)的概率，則要多注意減少數(shù)據(jù)測量和采集方面的誤差，因為數(shù)據(jù)的固有變化是不受人為控制。換一個角度來看，如果排除人為造成的數(shù)據(jù)測量和采集誤差這一原因，數(shù)據(jù)的固有變化產(chǎn)生的離群點可能反映著一種未被發(fā)現(xiàn)的潛在的高效生產(chǎn)模式，這個問題還需要進一步研究。本章小結本文主要研究工作就是針對焦化工序建立能耗預測模型以及能耗優(yōu)化模型，而建模的重要準備工作就是對數(shù)據(jù)的處理，樣本數(shù)據(jù)是否被妥當處理，對后續(xù)建模的合理性與準確性有很大影響。本章主要對樣本數(shù)據(jù)的預處理進行闡述，由于數(shù)據(jù)值較大且有保密性要求，本章首先對樣本數(shù)據(jù)進行一種無量綱處理手段，使物理系統(tǒng)數(shù)值的絕對值變成某種相對值關系，數(shù)據(jù)值變小使計算量變小，又隱藏了單位化處理的相對量達到保密效果；然后對初步處理過的數(shù)據(jù)進行離群點檢測，對于檢測出來的離群點數(shù)據(jù)，出于樣本數(shù)據(jù)量的關系，本文未采用剔除離群點非方法，而是采取改寫的方法使之非離群點化。經(jīng)過本章的工作，樣本數(shù)據(jù)可以用于建立能耗預測和能耗優(yōu)化模型。第3章于模糊邏輯的焦化工序能耗預測模型于模糊邏輯的焦化工序能耗預測模型模糊邏輯概述控制論的創(chuàng)始人維納教授在談到人勝過最完美的機器時說：“人具有運用模糊概念的能力”【22】。這清楚地指明了人腦與電腦有著本質(zhì)的區(qū)別，人腦具有善于判斷和處理模糊現(xiàn)象的能力?！澳：笔桥c“精確”相對的概念。模糊性普遍存在于人類思維與語言交流中。模糊理論概念模糊理論是指用到了模糊集合的基本概念或連續(xù)隸屬度函數(shù)的理論[]。它可分類為模糊數(shù)學，模糊系統(tǒng)，模糊決策，不確定性和信息，模糊邏輯這五個分支，它并不是完全獨立的，它們之間有緊密的聯(lián)系。例如，模糊控制就會用到模糊數(shù)學和模糊邏輯中的概念。從實際應用的觀點來看，模糊理論的應用大部分集中在模糊系統(tǒng)上，尤其集中在模糊控制上。也有一些模糊專家系統(tǒng)應用于醫(yī)療診斷和決策支持。圖表3.1中，詳細描述了模糊理論的分類與各類的應用，以及相互之間的關系。圖表3.1模糊理論分支與應用模糊邏輯概念以及應用領域模糊邏輯是以模糊理論為基礎，允許用語言和文字表示操作和控制規(guī)律，是一種能解決不精確，不充分信息問題的方法。模糊邏輯和模糊數(shù)學雖然只有短短的及十余年歷史，但其理論與應用的研究已取得了豐碩的成果，尤其是隨著模糊邏輯在自控領域的成功應用，模糊控制理論和方法的研究引起了學術界和工業(yè)界的廣泛關注。自從1974年英國的馬丹尼（Mamdani）首次將模糊邏輯用于蒸汽機的控制后，模糊控制的工業(yè)過程控制、機器人、交通運輸?shù)确矫娴玫搅藦V泛而卓有成效的應用。與傳統(tǒng)控制方法如PID控制相比，模糊控制利用人類專家控制經(jīng)驗，對于非線性、復雜對象的控制顯示了魯棒性好、控制性能高德有點。模糊邏輯除了在自動控制領域的廣泛有效的應用外，還應用于聚類分析、故障診斷、專家系統(tǒng)和圖像識別等領域。同樣，模糊邏輯在預測方面也有一定的應用，多應用于復雜度較高，相關性比較不確定的問題，如在事故的預測【23】【24】、負荷預測【25】【26】、流量預測【27】、等?；趯嶋H生產(chǎn)數(shù)據(jù)的模糊邏輯預測模型前文提到模糊邏輯在預測方面也有一定的應用，本章主要工作就是為焦爐煉焦過程建立相應的能耗預測模型。本文所建立預測模型的出發(fā)點是洗精煤（配合煤）和大焦的各項質(zhì)量指標與各項消耗能源量之間的關系，這是復雜度比較高的耦合關系，遂選用模糊邏輯方法為焦爐煉焦過程建立能耗預測模型。模糊邏輯預測模型的建立一般有以下四個步驟：輸入輸出分配以及數(shù)據(jù)模糊化；制定模糊推理機制；確定模糊推理規(guī)則；建立模糊邏輯預測模型。輸入輸出分配以及數(shù)據(jù)模糊化經(jīng)過第二章的工作，原始的樣本數(shù)據(jù)已經(jīng)被穩(wěn)妥處理，數(shù)據(jù)本身已經(jīng)相對穩(wěn)定，為預測模型的建立做好了充分的準備。對于樣本數(shù)據(jù)，輸入為5個，即為大焦的灰分Ad（%）、揮發(fā)份Vdaf（%），洗精煤（配合煤）的水分Mad（%）、灰分Ad（%）、揮發(fā)份Vdaf（%），輸出為4個，即為焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）。輸入輸出分配以及字段定義如表格6所示。建立模糊邏輯預測模型首先要對各個能源的實際消耗情況，以及各個質(zhì)量指標數(shù)值進行模糊化，等級分配如表格3.1所示。表格3.1模糊化與輸入輸出分配輸入輸出分配各項指標與能源字段定義等級分配輸入大焦灰分AdDaJ_Ad小，中，大輸入大焦揮發(fā)份VdafDaJ_Vdaf小，中，大輸入洗精煤（配合煤）水分MadPeiHM_Mad小，中，大輸入洗精煤（配合煤）灰分AdPeiHM_Ad小，中，大輸入洗精煤（配合煤）揮發(fā)份VdafPeiHM_Vdaf小，中，大輸出焦爐煤氣（產(chǎn)出量）COG_P少，中等，多輸出高爐煤氣BFG少，中等，多輸出電（有功總量）Elec少，中等，多輸出蒸汽（飽和蒸汽）ZhengQ少，中等，多對各個能源以及各個質(zhì)量指標進行模糊化描述，主要是按表格3.1中所分配好的等級，分析出各個對象其所屬等級，然后進行歸類，建立描述模型。本文是應用高斯函數(shù)對各組數(shù)據(jù)建立相應的描述模型，在MATLAB中編程實現(xiàn)，得到如圖表3.2所示的描述模型，圖中分別給出了大焦的灰分Ad（%）、揮發(fā)份Vdaf（%），洗精煤（配合煤）的水分Mad（%）、灰分Ad（%）、揮發(fā)份Vdaf（%），輸出有4個，即為焦爐煤氣（產(chǎn)出量，km3），高爐煤氣（km3），電（有功總量，KWh），蒸汽（飽和蒸汽，t）模糊化后的隸屬函數(shù)圖。圖表3.2各種能源與指標去模糊化建立模糊推理機制圖表3.2各種能源與指標去模糊化為了從數(shù)據(jù)集中找尋到合理的模糊邏輯推理規(guī)則，需要一個給出一定規(guī)范、約定或者限制的推理過程，這個推理過程是因本研究工作的需要才制定的，在文獻中沒有遇到過類似定義，所以本文定義其為模糊推理機制。模糊邏輯預測模型的建立需要從數(shù)據(jù)集中找到合理的模糊推理規(guī)則，而對于模糊推理規(guī)則的制定不是憑空捏造的，這時則需要一個合理的模糊推理機制，給予指導與約束。模糊推理機制雖然僅僅是一個推理過程，但是模糊推理規(guī)則的卻是在其基礎上建立的，考慮到模糊推理規(guī)則的準確性與合理性，模糊推理機制的建立，既要考慮穩(wěn)定性，也要考慮實現(xiàn)性。模糊推理機制是對輸入輸出情況的一個規(guī)范，起到一個確定性作用。對于輸入情況一致，同時輸出情況也一致，則只有此一種規(guī)則情況；對于輸入情況一致，輸出不一致時，大致可分為以下三種情況，分別給出解決方法。假定對每一等級出現(xiàn)的次數(shù)進行統(tǒng)計，分別為t1、t2、t3，則：1）若三個等級都存在，且每一等級的統(tǒng)計值都相同，即為t1=t2=t3，則取中間等級；2）若有兩個等級的統(tǒng)計值相同，且大于余下等級的統(tǒng)計值，則取相同統(tǒng)計值中的較高等級（盡量滿足最大生產(chǎn)需求），若t1=t2>t3，則取t2對應等級；3）若有兩個等級的統(tǒng)計值相同，且小于余下等級的統(tǒng)計值，則取余下的那一等級，若t1=t2<t3，則取t3對應等級，4）若各個等級的統(tǒng)計值都不相同，則取統(tǒng)計值最大的所對應的等級，若t1<t2<t3，則取t3對于等級。舉例說明該機制如何確定模糊推理規(guī)則例如：111111111111112123111112332111111322111113121111113321所以，根據(jù)所定推理機制所得模糊規(guī)則為111112321。模糊規(guī)則的確定模糊推理規(guī)則的確定是建立模糊推理預測模型的重中之重，只有在合理的模糊推理規(guī)則下建立的模糊推理預測模型才能更有效的描述輸入與輸出的關系，才能有效的預測各個能源的消耗情況。若要確定模糊推理規(guī)則，首先要注意的是樣本的選擇，本文研究工作中所要建立的預測模型，其輸入為5，輸出為4，若在全部情況不重復出現(xiàn)的情況下，按照輸入需要最少樣本為243組，按照輸出需要樣本為81組，但是現(xiàn)有的樣本只有30組，遠遠達不到要求，這個問題應當怎樣解決？本文對于解決樣本數(shù)據(jù)量少這一問題，擬定了兩個方案。第一個方案：根據(jù)已有數(shù)據(jù)集，隨機抽取樣本。本例是按正態(tài)分布式抽取，以各個對象數(shù)據(jù)組中數(shù)據(jù)平均值為μ，以標準差為σ，共抽取15000組樣本。第二個方案:取樣本數(shù)據(jù)集的20組數(shù)據(jù)為樣本數(shù)據(jù)。第二種方案中選取20組數(shù)據(jù)后余下的10組數(shù)據(jù)用于驗證兩個方案的準確性。應用前文中制定的模糊推理規(guī)則，對兩種方案所選取的樣本進行推理，從而得出相應的模糊推理規(guī)則。經(jīng)編程實現(xiàn)兩種方案下所得的模糊推理規(guī)則如下：第一種方案：隨機生成15000組樣本。一共生成207條模糊推理規(guī)則o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