基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的煉焦單元能耗優(yōu)化方法

碩士學(xué)位論文基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的煉焦單元能耗優(yōu)化方法基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的煉焦單元能耗優(yōu)化方法摘要煉焦單元是鋼鐵生產(chǎn)流程中的重要生產(chǎn)和耗能單元，利用智能方法對其能耗進(jìn)行分析和優(yōu)化，改變目前僅靠人工經(jīng)驗(yàn)實(shí)現(xiàn)能源調(diào)配和過程狀態(tài)參數(shù)設(shè)定狀況，可為煉焦單元的科學(xué)用能提供指導(dǎo)，降低能耗。通過對煉焦單元能耗問題的分析，本文從能耗預(yù)測和COG、BFG配比對煉焦單元能耗影響兩個方面展開研究。針對煉焦單元能耗預(yù)測問題：首先對煉焦單元的能耗影響因素進(jìn)行分析，定性給出其原材料參數(shù)和過程狀態(tài)參數(shù)；然后采用灰色關(guān)聯(lián)度方法計算這些參數(shù)與煉焦單元總能耗的關(guān)聯(lián)程度，選擇與煉焦單元能耗關(guān)聯(lián)度較大的因素進(jìn)行能耗預(yù)測；最后利用人工神經(jīng)網(wǎng)絡(luò)挖掘出煉焦單元原材料參數(shù)、煉焦單元總能耗與煉焦單元能源產(chǎn)消量、關(guān)鍵過程狀態(tài)參數(shù)的關(guān)聯(lián)關(guān)系，利用該模型對煉焦單元的歷史能耗進(jìn)行檢測，效果分析表明所建模型滿足預(yù)測要求。針對COG和BFG配比對煉焦單元能耗影響分析問題：首先利用人工神經(jīng)網(wǎng)絡(luò)挖掘出煉焦單元中COG和BFG配比與能源產(chǎn)消量的關(guān)聯(lián)關(guān)系；然后利用該關(guān)聯(lián)關(guān)系建立煉焦單元能耗優(yōu)化模型；最后通過遺傳算法求解得到優(yōu)化的工序能耗和相應(yīng)的COG和BFG配比。關(guān)鍵詞：煉焦單元，能耗影響因素，能耗預(yù)測，能源替換關(guān)系，能耗優(yōu)化ABSTRACTThecokingunitisanimportantsectorinthesteelproductionprocessandisalsoanenergy-consumingunit,energyefficiencyisanalyzedandoptimizedusingintelligentmethods,thecurrentsituationinenergydeploymentandprocessparameterssettingcanbechangedforguidanceinenergydeploymentandlowingenergyconsumption.Throughtheanalysisofenergyefficiencyincokingunit,thisessayfocusedontwoaspects:oneisthepredictionofenergy;theotheroneisthedesignationofCOGandBFG;Tothepredictionofcokingunit:thecokingprocesswasfirstlyintroduced,andthemechanismanalyseswhichareinfluencingthecokingunitarediscussed.Thenthegrayincidencedegree(GID)betweentheseparametersandenergyconsumptionofcokingunitwascalculatedusinggrayrelationmethod.ThenumbersofGIDabove0.5areselectedastheinputandoutput.Finallytheparametersofwashedcoal,theenergyconsumptionofcokingunit,theconsumptionandproductionofdifferentkindsofenergyandthekeyprocessparametersareusedtosetaBPArtificialNeuralNetwork(ANN)modelandthemodelwasexaminedbyhistoricaldata,andtheresultwasmetupwiththedemands.TosolvetheanalysisofenergyconsumptionofcokingunitusingthereplacementofCOGandBFG:thesubstitutabilityofCOGandBFGtotheinfluenceofcokingunitwasanalyzedqualitatively;thentheBPANNwasusedtosetuptherelationbetweentheproportionofBFGandtheconsumptionandproductionofdifferentkindsofenergy.Thentheoptimalmodelwasestablishedusingthemodel;finallytheratioofBFGandtheoptimalcokingovenconsumptionwasattained.Keywords:cokingoven,thefactorsinenergyconsumption,thepredictionofenergy-consumption,thesubstitutabilityofdifferentkindsofenergy,theoptimizationofenergyefficiency

目錄第1章引言 11.1研究背景及意義 11.2國內(nèi)外研究現(xiàn)狀 21.3研究內(nèi)容 51.4論文組織 7第2章煉焦單元能耗優(yōu)化問題描述 82.1焦化工序工藝介紹 82.2煉焦單元工藝介紹 102.3煉焦單元能耗影響因素定性分析 112.4COG和BFG的配比對煉焦單元能耗影響的定性分析 132.5研究思路 142.6小結(jié) 16第3章煉焦單元能耗影響因素分析 173.1灰色關(guān)聯(lián)度方法 173.2原材料參數(shù)選擇 193.3過程狀態(tài)參數(shù)選擇 193.4小結(jié) 20第4章煉焦單元能耗預(yù)測模型 214.1預(yù)測方法研究 214.2人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論及BP學(xué)習(xí)算法 224.3基于BP人工神經(jīng)網(wǎng)絡(luò)的煉焦單元能耗預(yù)測模型 244.3.1BP人工神經(jīng)網(wǎng)絡(luò)模型的建模流程 244.3.2數(shù)據(jù)預(yù)處理 264.3.3基于BP人工神經(jīng)網(wǎng)絡(luò)建立煉焦單元能耗模型 284.3.4預(yù)測效果分析 314.4小結(jié) 36第5章COG和BFG配比對煉焦單元能耗影響分析 375.1COG和BFG配比與煉焦單元能耗的關(guān)系模型 375.1.1數(shù)據(jù)預(yù)處理 375.1.2基于BP神經(jīng)網(wǎng)絡(luò)的COG和BFG配比與煉焦單元能耗關(guān)聯(lián)模型 375.2COG和BFG配比對煉焦單元能耗的優(yōu)化 395.2.1遺傳算法基礎(chǔ)理論 395.2.2COG和BFG配比對煉焦單元能耗優(yōu)化模型 425.2.3基于遺傳算法的COG和BFG配比對煉焦單元能耗優(yōu)化步驟 435.2.4實(shí)例計算及優(yōu)化效果分析 445.3小結(jié) 45第6章總結(jié)與展望 466.1總結(jié) 466.2展望 46致謝 47參考文獻(xiàn) 48個人簡歷、在讀期間發(fā)表的學(xué)術(shù)論文與研究成果 52第1章引言鋼鐵工業(yè)是我國能源資源消耗和污染排放的重點(diǎn)行業(yè)。2009年，能源消耗約占全國總能耗的16.1%[1],在我國處于工業(yè)化、城鎮(zhèn)化加速發(fā)展階段，經(jīng)濟(jì)社會發(fā)展面臨著嚴(yán)峻的資源和環(huán)境雙重約束條件下，加速推進(jìn)鋼鐵工業(yè)節(jié)能減排對于鋼鐵企業(yè)和國民經(jīng)濟(jì)意義重大。煉焦單元是鋼鐵生產(chǎn)流程中重要生產(chǎn)和耗能單元，隨著信息和控制技術(shù)的發(fā)展，工業(yè)化和信息化的逐步融合，將信息和控制技術(shù)應(yīng)用于煉焦單元的能耗優(yōu)化成為一個有效途徑。1.1研究背景及意義能源是人類賴以生存的重要物質(zhì)基礎(chǔ)，是經(jīng)濟(jì)發(fā)展和社會前進(jìn)的必需資源。能源的開發(fā)和利用也是衡量一個國家經(jīng)濟(jì)發(fā)展和科學(xué)技術(shù)水平的標(biāo)志之一。20世紀(jì)70年代以來，能源就與人口、糧食、環(huán)境和資源并稱為世界上的五大問題。節(jié)約資源是我國的基本國策，節(jié)能優(yōu)先成為應(yīng)對能源問題的長期戰(zhàn)略[2]。鋼鐵工業(yè)是國民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，也是我國能源資源消耗和污染排放的重點(diǎn)行業(yè)。2009年，全國粗鋼產(chǎn)量突破5.6億噸，占全球的46%，能源消耗約占全國總能耗的16.1%、工業(yè)總能耗的23%；新水消耗、廢水、二氧化硫、固體廢物排放量分別占工業(yè)的3%、8%、8%和16%左右[1]。近年來鋼鐵工業(yè)通過結(jié)構(gòu)調(diào)整、技術(shù)進(jìn)步、強(qiáng)化管理，能源利用水平取得較大進(jìn)步，但與發(fā)達(dá)國家仍存在一定差距。鋼鐵工業(yè)“高消耗、高排放”粗放型發(fā)展模式，已成為制約鋼鐵工業(yè)健康發(fā)展的瓶頸，已不能適應(yīng)國民經(jīng)濟(jì)發(fā)展要求。因此，作為耗能大戶的鋼鐵企業(yè)，節(jié)能減排是我國鋼鐵工業(yè)從世界鋼鐵大國走向鋼鐵強(qiáng)國的必然選擇。煉焦單元是鋼鐵制造流程的基礎(chǔ)和關(guān)鍵單元,從鋼鐵制造流程整體考察，煉焦單元不但為煉鐵工序提供所需的原料-焦炭，焦炭在高爐煉鐵過程中焦炭起著發(fā)熱劑、還原劑、滲碳劑和料柱骨架四大作用。煉焦單元也為燒結(jié)、煉鋼和軋鋼工序提供所需的燃料即焦?fàn)t煤氣（Coke-OvenGas,COG），消耗煉鐵工序回收的高爐煤氣（BlastFurnaceGas,BFG）,圖1.1所示為煉焦單元與鋼鐵生產(chǎn)流程中的各個工序的關(guān)系。煉焦單元能源消耗占鋼鐵企業(yè)能源總消耗的5%[3]左右，也始終是鋼鐵企業(yè)節(jié)能減排的重點(diǎn)。圖1.1煉焦單元與鋼鐵生產(chǎn)流程中各工序間的關(guān)系煉焦單元消耗和產(chǎn)出能源種類眾多，如表1.1所示，與鋼鐵流程中其他工序均存在能流的交叉使用、與自身工序也存在返流狀況，能源調(diào)配十分復(fù)雜，如圖1.1所示。由于煉焦生產(chǎn)過程復(fù)雜，操作環(huán)境惡劣，檢測手段少，比起其它工業(yè)爐窯，焦?fàn)t的控制較難實(shí)施。一些關(guān)鍵過程狀態(tài)參數(shù)主要依靠人工經(jīng)驗(yàn)給定，難以根據(jù)工況變化進(jìn)行實(shí)時調(diào)整,如煤料在炭化室內(nèi)停留的時間-結(jié)焦時間，反映焦?fàn)t加熱均勻程度的K均勻等。表1.1焦化工序消耗和產(chǎn)出的能源消耗能源洗精煤，BFG，COG，電，蒸汽，壓縮空氣，氮?dú)?，工業(yè)凈水產(chǎn)出能源冶金焦，焦粉、焦丁，COG，焦油，粗苯，蒸汽煤氣消耗是除洗精煤外煉焦單元中最主要的能源消耗。對于使用混合煤氣加熱的焦?fàn)t，BFG和COG的配合比例影響了所需煤氣量、空氣量及所產(chǎn)生的廢氣量，從而影響了煉焦單元的能源產(chǎn)消量和能耗。鋼鐵企業(yè)調(diào)整BFG和COG的配合比例時，通常僅根據(jù)整個鋼鐵企業(yè)的煤氣平衡而設(shè)定，沒有考慮配合比例對能耗的影響。針對以上兩個問題，本文基于歷史數(shù)據(jù)，利用灰色關(guān)聯(lián)度方法、BP人工神經(jīng)網(wǎng)絡(luò)和遺傳算法等智能方法，對煉焦單元的能耗進(jìn)行預(yù)測和優(yōu)化，為煉焦單元能源調(diào)配和過程控制提供決策支持，為煉焦單元能耗優(yōu)化工作提供可行方向。1.2國內(nèi)外研究現(xiàn)狀我國鋼鐵企業(yè)節(jié)能工作大致走過了三個階段[4-8]：技術(shù)節(jié)能、結(jié)構(gòu)節(jié)能、管理節(jié)能。技術(shù)節(jié)能是起步最早、目前也最成熟的節(jié)能手段，相關(guān)的技術(shù)方法包括了干法熄焦技術(shù)（CDQ）、高爐爐頂煤氣壓差發(fā)電技術(shù)（TRT）、轉(zhuǎn)爐負(fù)能煉鋼技術(shù)、冶金爐窯高效燃燒技術(shù)、燒結(jié)礦余熱回收技術(shù)等。通過調(diào)整鋼鐵工業(yè)生產(chǎn)工藝結(jié)構(gòu)，用能結(jié)構(gòu)，優(yōu)化生產(chǎn)流程以實(shí)現(xiàn)節(jié)能目標(biāo)，即結(jié)構(gòu)節(jié)能?，F(xiàn)有一些鋼鐵企業(yè)充分發(fā)揮鋼鐵制造流程具有的能源轉(zhuǎn)換功能，采取降低鐵鋼比，發(fā)展短流程電爐[9]生產(chǎn)工序，提高高爐煉鐵噴煤比，優(yōu)化高爐煉鐵爐料結(jié)構(gòu)[10-11]，多使用球團(tuán)礦等措施，優(yōu)化用能結(jié)構(gòu)，降低能源成本。采用連續(xù)鑄鋼工藝技術(shù)改進(jìn)生產(chǎn)工藝結(jié)構(gòu)和建設(shè)新一代鋼鐵生產(chǎn)新流程也是兩個節(jié)能思路。管理節(jié)能是指控制、監(jiān)視和改進(jìn)能效[12-14]，實(shí)現(xiàn)節(jié)能目標(biāo)，主要方法包括能效指標(biāo)的度量和監(jiān)視（單位產(chǎn)品能耗、能源平衡表等）、信息通信技術(shù)[14]（如MES、ERP、SCM、CRM、PLM等）和能源管理標(biāo)準(zhǔn)體系[7,15]（如ISO50001,EN16001等）。煉焦單元的節(jié)能工作主要集中在三個方面：能源回收利用、生產(chǎn)過程控制和能源管理,如圖1.2所示。圖1.2煉焦單元節(jié)能途徑（一）.能源回收利用方面：（1）.余熱回收設(shè)備、技術(shù)等：傳統(tǒng)的濕法熄焦不但浪費(fèi)了焦炭的顯熱，而且降低了焦炭的機(jī)械強(qiáng)度。為此開發(fā)的干熄焦裝置采用惰性循環(huán)氣體熄滅焦炭，并將余熱回收發(fā)電，降低了煉焦單元能耗，并改善了焦炭的機(jī)械性能[16-17]。（2）.焦?fàn)t煤氣綜合利用技術(shù)等：文[16]研究了焦?fàn)t煤氣的應(yīng)用現(xiàn)狀，可以作為焦化廠自用的燃?xì)狻④堜撚萌剂?、城市燃?xì)夂秃铣砂钡取Ｎ腫19-21]研究了焦?fàn)t煤氣開發(fā)利用的問題和途徑，提到焦?fàn)t煤氣可以應(yīng)用到發(fā)電、加熱、制純H2、生產(chǎn)甲醇以及生產(chǎn)直接還原鐵等新用途。這些煤氣利用技術(shù)提高了煤氣的利用率，減少了煤氣的放散，降低了煉焦單元能耗。（3）.焦?fàn)t煤氣回收設(shè)備、技術(shù)：國內(nèi)外研究人員開發(fā)了一些焦?fàn)t煤氣集氣管壓力過程控制系統(tǒng)，如前蘇聯(lián)“國立焦化工業(yè)設(shè)計院焦化機(jī)械設(shè)計院”設(shè)計了一套集氣管壓力液壓比例控制系統(tǒng)[22-23]。國內(nèi)焦?fàn)t集氣控制系統(tǒng)多采用電動單元儀表系統(tǒng)[24]，如上海浦東煤氣廠采用的定閥位集氣管調(diào)節(jié)系統(tǒng)，鐵嶺焦化廠的CRB集氣管壓力控制系統(tǒng)等[25]，提高了煤氣回收率。（二）.生產(chǎn)過程控制方面：國內(nèi)外研究人員開發(fā)了一些焦?fàn)t加熱燃燒過程控制系統(tǒng)，相應(yīng)的控制策略主要有兩大類：以反饋控制為主、前饋控制為輔的控制系統(tǒng)和以前饋控制為主、反饋控制為輔的控制系統(tǒng)；前一類如法國的CRAPO系統(tǒng)[26]、荷蘭的CETCO系統(tǒng)及其改進(jìn)系統(tǒng)[27]等；后一類系統(tǒng)如日本鋼管的CCCS系統(tǒng)[28]、日本鋼鐵公司的ACC系統(tǒng)[29]等。前者以穩(wěn)定火道直行溫度為目標(biāo)，主要通過比較火道溫度和目標(biāo)溫度來調(diào)節(jié)煤氣流量與煙道吸力，實(shí)現(xiàn)加熱控制；后者依據(jù)入爐煤的性狀參數(shù)和焦?fàn)t的平均溫度計算煉焦熱，根據(jù)裝煤量、生產(chǎn)任務(wù)或同時考慮廢氣帶出熱和爐體散熱等，通過熱平衡原理求得煉焦耗熱量，實(shí)現(xiàn)加熱控制。加熱燃燒控制系統(tǒng)的應(yīng)用提高焦炭的質(zhì)量指標(biāo)的同時也降低了燃料消耗，提高了能源回收水平。（三）.能源管理方面：（1）.能耗預(yù)測：能耗預(yù)測主要是根據(jù)企業(yè)中能源生產(chǎn)和消耗特性，利用相關(guān)預(yù)測方法對能源的發(fā)生量和消耗量進(jìn)行提前預(yù)測，從而為制定合理的能源計劃和設(shè)計能源動態(tài)調(diào)度方法提供支持，是鋼鐵企業(yè)能源規(guī)劃的重要依據(jù)之一。通過能源產(chǎn)銷預(yù)測系統(tǒng)，可以提前把握能源供需趨勢，有效控制能源貯存量，提高能源利用效率，降低鋼鐵生產(chǎn)成本。如文[30]針對電力消耗和煤氣柜柜位的情況，建立了線性回歸預(yù)測模型；文[31]實(shí)現(xiàn)了對電力系統(tǒng)的中長期負(fù)荷預(yù)測，文[32]建立了基于時序的BP神經(jīng)網(wǎng)絡(luò)模型，利用該模型對能源產(chǎn)量進(jìn)行了預(yù)測。文[33-35]實(shí)現(xiàn)了對焦?fàn)t煤氣發(fā)生量和消耗量及煤氣柜位的準(zhǔn)確預(yù)測，為制定合理煤氣調(diào)度方案提供科學(xué)指導(dǎo)，從而減少煤氣放散損失，降低鋼鐵企業(yè)的能耗。（2）.能源優(yōu)化調(diào)度能源優(yōu)化調(diào)度是在確保關(guān)鍵生產(chǎn)部門能源穩(wěn)定供給和保障安全生產(chǎn)的前提下，通過優(yōu)化能源配給的結(jié)構(gòu)，提高能源的綜合利用率，同時最大限度的考慮二次能源的利用。如寶鋼根據(jù)生產(chǎn)工序的不同，針對不同的物流和不同種類的能源，建立了基于物流方程和能流方程的能源系統(tǒng)優(yōu)化模型，其目標(biāo)函數(shù)為全企業(yè)的凈能耗，約束條件包括能源供需平衡約束、物流平衡約束和緩沖系統(tǒng)的調(diào)節(jié)約束[36]。文[37]以各工序總能耗最小為目標(biāo)函數(shù)，建立了能源優(yōu)化分配靜態(tài)數(shù)學(xué)模型，其中總能耗包括了不可替換和可替換能源的消耗之和并綜合考慮了在生產(chǎn)過程中產(chǎn)生的二次能源量。國內(nèi)外研究人員在煉焦單元的能源回收利用、生產(chǎn)過程控制和能源管理方面做了大量的工作，取得了積極的研究成果。然而在能耗優(yōu)化工作中仍然存在以下不足：（1）在煉焦過程中，能耗隨著原材料參數(shù)動態(tài)變化，關(guān)鍵過程狀態(tài)參數(shù)與原材料參數(shù)和能耗也緊密相連。在煉焦單元能耗預(yù)測中，缺乏對于所有產(chǎn)消能源預(yù)測的研究，也缺少考慮能耗和過程狀態(tài)參數(shù)關(guān)聯(lián)的研究。（2）煉焦單元消耗的COG和BFG存在替換關(guān)系，且其配合比例影響著煉焦單元的生產(chǎn)條件和能耗水平，利用能源替換關(guān)系進(jìn)行煉焦單元能耗分析和優(yōu)化的工作尚未展開。1.3研究內(nèi)容本文以安徽省鋼鐵產(chǎn)業(yè)技術(shù)創(chuàng)新規(guī)劃研究項目（項目編號：09020203014）為課題背景，研究煉焦單元的能耗預(yù)測和優(yōu)化，利用煉焦單元原材料參數(shù)和煉焦單元總能耗進(jìn)行能耗預(yù)測，為煉焦生產(chǎn)的能源調(diào)配和過程控制提供決策支持；利用COG和BFG的替換關(guān)系進(jìn)行煉焦單元能耗分析和優(yōu)化，為煉焦生產(chǎn)的能源調(diào)配提供決策支持，為能耗優(yōu)化工作提供可行方案。本文研究框架如圖1.3所示。圖1.3本文研究框架針對煉焦單元能耗預(yù)測問題，研究內(nèi)容如下：(1).對煉焦單元能耗預(yù)測的影響因素進(jìn)行分析，定性的給出影響能耗的入爐煤性能指標(biāo)，煉焦生產(chǎn)的過程狀態(tài)參數(shù)；(2).基于歷史數(shù)據(jù)，計算煉焦單元能耗預(yù)測的影響因素與煉焦單元總能耗的關(guān)聯(lián)程度，采用灰色關(guān)聯(lián)度方法計算出其關(guān)聯(lián)度，選擇關(guān)聯(lián)度較大的作為預(yù)測模型的輸入和輸出；(3).利用BP人工神經(jīng)網(wǎng)絡(luò)挖掘出焦?fàn)t入爐煤的參數(shù)、煉焦單元總能耗與煉焦單元能源產(chǎn)消量、關(guān)鍵過程狀態(tài)參數(shù)的關(guān)聯(lián)關(guān)系，并進(jìn)行能耗預(yù)測。針對COG和BFG替換關(guān)系進(jìn)行煉焦單元能耗分析和優(yōu)化問題，研究內(nèi)容如下：(1).對COG和BFG的可替換性進(jìn)行分析，對煉焦單元的能耗影響進(jìn)行定性分析；(2).利用BP人工神經(jīng)網(wǎng)絡(luò)挖掘出煉焦單元中COG和BFG配比與能源產(chǎn)消量的關(guān)聯(lián)關(guān)系；(3).利用該關(guān)聯(lián)關(guān)系建立煉焦單元能耗優(yōu)化模型；通過遺傳算法進(jìn)行求解得到優(yōu)化的能耗和相應(yīng)的COG和BFG配比。1.4論文組織本論文的章節(jié)安排如下：第2章對焦化工序和煉焦單元的工藝進(jìn)行介紹，在此基礎(chǔ)上首先定性分析影響能耗預(yù)測的原材料參數(shù)和過程狀態(tài)參數(shù)；然后定性分析COG和BFG配比對煉焦單元能耗的影響。本章研究從大量歷史生產(chǎn)數(shù)據(jù)中定性確定出樣本數(shù)據(jù)，為下一步的定量計算、分析和優(yōu)化奠定基礎(chǔ)。第3章基于定性分析獲取的樣本數(shù)據(jù)，應(yīng)用灰色關(guān)聯(lián)度方法對煉焦單元能耗影響因素進(jìn)行定量計算，選擇關(guān)聯(lián)程度較大的因素作為煉焦單元能耗預(yù)測的輸入和輸出，為預(yù)測模型的準(zhǔn)確性和有效性提供保證。第4章首先介紹預(yù)測方法及人工神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)，然后給出煉焦單元人工神經(jīng)網(wǎng)絡(luò)模型的規(guī)范建模流程，基于此，通過數(shù)據(jù)預(yù)處理、隱含層單元數(shù)選擇、誤差分析等建立了煉焦單元能耗預(yù)測模型，并驗(yàn)證模型的精確性和泛化能力。第5章基于前文提出的人工神經(jīng)網(wǎng)絡(luò)模型的規(guī)范建模流程，首先建立了COG和BFG配比與煉焦單元能耗的關(guān)聯(lián)模型，然后建立了能耗最優(yōu)化模型，最后利用遺傳算法進(jìn)行了能耗優(yōu)化，得出優(yōu)化的煉焦單元能耗及相應(yīng)的COG和BFG配比。第6章對總結(jié)全文，并指出今后需要進(jìn)一步開展的研究工作。第2章煉焦單元能耗優(yōu)化問題描述從系統(tǒng)工程、信息論、控制論角度考察：生產(chǎn)過程亦可視為“信息流”[38]。隨時間變化的“信息流”依工藝流程分類為:原材料參數(shù)、設(shè)備參數(shù)、操作參數(shù)（生產(chǎn)過程動態(tài)可控參數(shù)）和過程狀態(tài)參數(shù)（趨勢可控參數(shù)）。本章基于對某大型鋼鐵企業(yè)的實(shí)地調(diào)研，首先介紹焦化工序和煉焦單元工藝，接著對影響煉焦單元能耗的原材料參數(shù)、過程狀態(tài)參數(shù)進(jìn)行定性分析，然后給出COG和BFG配比對煉焦單元能耗影響的定性分析，最后分別針對煉焦單元能耗優(yōu)化的兩個問題給出研究思路。2.1焦化工序工藝介紹圖1.1給出了典型長流程鋼鐵企業(yè)的生產(chǎn)流程，其中焦化工序是洗精煤轉(zhuǎn)換成焦炭、焦?fàn)t煤氣以及各種化學(xué)產(chǎn)品的過程,或認(rèn)為是碳素流轉(zhuǎn)化為固態(tài)焦炭和氣態(tài)碳—?dú)浠衔?、液態(tài)碳—?dú)浠衔锏倪^程。焦化工序是一個復(fù)雜的工業(yè)過程，一般地將焦化工序分為四個單元：備煤單元，煉焦單元，熄焦單元和化產(chǎn)單元，如圖2.1所示。煉焦是煤炭轉(zhuǎn)化最古老的方法，煉焦工業(yè)的發(fā)展與冶金工業(yè)的發(fā)展和技術(shù)進(jìn)步有密切的關(guān)系，在一百多年的發(fā)展過程中，煉焦工業(yè)為冶金工業(yè)提供了焦炭這種特殊的燃料。在煉焦過程中，經(jīng)回收精制得到的化學(xué)產(chǎn)品是化學(xué)、醫(yī)藥和國防等工業(yè)寶貴的原料。在我國，煉焦廠還是城市煤氣的重要?dú)庠?。下面分別對焦化工序的四個生產(chǎn)單元進(jìn)行介紹[39-40]。圖2.1焦化工序及各個生產(chǎn)單元間的關(guān)系備煤單元煉焦煤入爐前包括來煤接收、儲存、倒運(yùn)、粉碎、配合和混勻等工作。若來煤灰分較高，還應(yīng)包括選煤、脫水工作；為擴(kuò)大弱黏結(jié)性煤的用量，可采取干燥、預(yù)熱、搗固、配型煤、配添加劑等預(yù)處理工作。這些處理過程統(tǒng)稱為備煤工藝。備煤工藝對于節(jié)約優(yōu)質(zhì)煉焦煤，確保高爐用焦質(zhì)量，在焦化工序中具有重要意義，其中配煤過程是其中的關(guān)鍵。冶金焦的質(zhì)量要求是：灰分低、硫分少，強(qiáng)度高，各向異性程度大，要滿足上述要求，在常規(guī)煉焦方法條件下，用單種煤煉焦是很難實(shí)現(xiàn)的。而且由于煤種的相對儲量、分布和開采能力的制約，不可能進(jìn)行大規(guī)模的單種煤煉焦生產(chǎn)，特別是優(yōu)質(zhì)煉焦煤源的逐漸減少，給配煤煉焦提出了更加嚴(yán)峻的課題。配合煤的意義在于使各種煤之間性質(zhì)上取長補(bǔ)短，符合焦?fàn)t的生產(chǎn)要求，生產(chǎn)出滿足質(zhì)量要求的優(yōu)質(zhì)焦炭，并增產(chǎn)煉焦化學(xué)產(chǎn)品，實(shí)現(xiàn)煤炭資源的合理利用。煉焦單元在煉焦生產(chǎn)過程中，裝煤車將一定量的配合煤裝入炭化室內(nèi)，再將一定量的加熱煤氣和相應(yīng)比例的經(jīng)蓄熱室預(yù)熱過的空氣，送燃燒室混合后燃燒，加熱煤氣在燃燒室中進(jìn)行燃燒產(chǎn)生熱量使炭化室溫度上升到1200℃熄焦單元熄焦從總體上講就是焦化企業(yè)把剛剛出爐的焦碳冷卻到常溫的過程。煉焦終了時，焦炭的溫度一般為950～1100℃，經(jīng)過熄焦，焦炭冷卻到250℃以下。熄焦方式一般分為濕法熄焦、壓力熄焦、低水分熄焦和干法熄焦這四種。目前常用主要有干熄焦和濕熄焦兩類方法。干法熄焦能回收焦炭顯熱、改善焦炭質(zhì)量、對環(huán)境污染少，但投資較濕法為高。常規(guī)濕法熄焦工藝簡單，投資少，但不能回收焦炭顯熱，對環(huán)境污染較大。在干法熄焦中，焦炭的顯熱借助于惰性氣體回收并可用以生產(chǎn)水蒸汽，由惰性氣體獲得的焦炭顯熱也可通過換熱器用于預(yù)熱煤、空氣、煤氣和水等。在回收焦炭顯熱的同時，可減少大量熄焦水，消除含有焦粉的水汽和有害氣體對附近構(gòu)筑物和設(shè)備的腐蝕，從而改善環(huán)境。干法熄焦還避免了濕法熄焦時水對紅焦的劇冷作用，故有利于焦炭質(zhì)量的提高，也可適當(dāng)提高配合煤中氣煤或弱黏煤的配比?；a(chǎn)單元煤在煉焦時一般72%～78%轉(zhuǎn)化為焦炭，22%～28%轉(zhuǎn)化為荒煤氣?；拿簹獬屎稚蜃攸S色，經(jīng)回收后得到焦油、粗苯、硫銨（氨水）、硫氰化物等產(chǎn)品，這些產(chǎn)品都是重要的化工原料。通過洗油吸收回收焦?fàn)t煤氣中的粗苯，粗苯通過精制加工后，可得到輕苯、重苯、精苯、甲苯、二甲苯等產(chǎn)品。煤焦油直接從焦?fàn)t煤氣中冷凝下來，其中含有上萬種有機(jī)化合物，95%為芳香族化合物?，F(xiàn)在，全世界每年從焦油中提取500萬噸化工產(chǎn)品，廣泛應(yīng)用于塑料、合成纖維、染料、合成橡膠、醫(yī)藥、農(nóng)藥，以及耐輻射、耐高溫材料和國防工業(yè)等領(lǐng)域。焦?fàn)t煤氣中所含的氨可用于支取硫銨、無水氨或膿氨水：其中所含的氫可用于制造合成氨，進(jìn)一步制取尿素、硝氨和碳氨等產(chǎn)品?；厥盏牧蚧瘹溆糜谏a(chǎn)單斜硫和硫：氰化氫用于制取黃血鹽納或黃血鹽等化工原料。同時，硫化氫和氰化氫的回收對減輕大氣和水質(zhì)污染，加強(qiáng)環(huán)境保護(hù)以及減輕設(shè)備腐蝕具有重要意義。經(jīng)過回收化學(xué)產(chǎn)品后的焦?fàn)t氣主要含有H2、CH4和CO等氣體。凈焦?fàn)t煤氣是高熱值的燃?xì)饪捎米鞴I(yè)及民用燃料。2.2煉焦單元工藝介紹煉焦單元是焦化工序的關(guān)鍵生產(chǎn)單元和主要耗能單元，可分為三個過程：焦?fàn)t加熱燃燒過程、集氣管集氣過程和推焦過程。（1）焦?fàn)t加熱燃燒過程焦?fàn)t是熱工爐窯中較為復(fù)雜的熱工設(shè)備，焦?fàn)t主體由許多相互間隔的炭化室和燃燒室組成，炭化室和燃燒室僅一墻之隔。為使炭化室均勻加熱，加熱系統(tǒng)定時改變廢氣流向，同時，為充分利用廢氣余熱，通過蓄熱室來預(yù)熱進(jìn)入燃燒室的空氣（煤氣），因此焦?fàn)t每隔30分鐘交換作為煤氣和空氣上升通道的蓄熱室及作為廢氣下降通道的蓄熱室，即進(jìn)行換向。加熱煤氣和空氣在燃燒室的火道內(nèi)混合燃燒產(chǎn)生熱量，將廢氣在高溫下以輻射傳熱為主，并伴隨有對流傳熱方式，將熱量通過爐墻傳導(dǎo)給煤料。煤料在整個結(jié)焦時間內(nèi)，因煤料性質(zhì)的變化及導(dǎo)熱系數(shù)的不同，爐墻傳給煤料的熱量在結(jié)焦初期較大，以后就小些，即在整個結(jié)焦時間內(nèi)的熱流是變化的，其比熱流在結(jié)焦的第一個小時內(nèi)達(dá)到最高值，然后逐漸降低。煤料一次經(jīng)過上述結(jié)焦過程的各階段，逐漸炭化為焦炭。（2）集氣管集氣過程炭化室在高溫下干餾，產(chǎn)生一定量的荒煤氣，通過位于焦?fàn)t頂部的集氣管對荒煤氣進(jìn)行收集。由于焦?fàn)t由多個炭化室組成，每個炭化室所處的結(jié)焦階段不同，因此所有炭化室的荒煤氣集于集氣管之后，其組成成分基本是穩(wěn)定的。收集到的荒煤氣通過冷凝器以及鼓風(fēng)機(jī)送至凈化裝置，凈化后的焦?fàn)t煤氣一部分外送到動力分廠的焦?fàn)t煤氣柜供全廠使用，另一部分回爐，作為焦?fàn)t加熱燃燒的燃料。（3）推焦過程推焦過程主要完成從配合煤到焦炭過程中的機(jī)械操作。在確定一個炭化室的焦炭已經(jīng)成熟后，通過三大車（推焦車、攔焦車和熄焦車）的協(xié)調(diào)將焦炭取出進(jìn)行熄焦，并運(yùn)至儲存地或冶煉現(xiàn)場。推焦車負(fù)責(zé)完成頂裝焦?fàn)t平煤和推焦操作，在煤料瀉入炭化室后，由平煤桿將煤料推平，在焦炭成熟后，由推焦桿將焦炭推到熄焦車上，同時還可以完成啟閉機(jī)側(cè)爐門、機(jī)械化清掃門和爐框等功能。攔焦車的作用是將從炭化室推出的熾熱焦炭導(dǎo)入熄焦車內(nèi)，同時還可以完成啟閉焦側(cè)爐門、機(jī)械化清掃門和爐框等功能。熄焦車的作用是接受推出的熾熱焦炭，運(yùn)往干熄焦裝置用惰性氣體將余熱回收用于發(fā)電或補(bǔ)充管網(wǎng)蒸汽，然后卸在涼焦臺上冷卻。2.3煉焦單元能耗影響因素定性分析煉焦單元是一個復(fù)雜的工業(yè)過程，對能耗影響因素眾多，本章基于對某大型鋼鐵企業(yè)的調(diào)研，定性地分析原材料參數(shù)和生產(chǎn)過程狀態(tài)參數(shù)對煉焦單元能耗的影響，為建立能耗預(yù)測模型找出可行的建模因素。原材料參數(shù)分析：煉焦的原材料是配合煤，配合煤的質(zhì)量技術(shù)指標(biāo)眾多，下面對煉焦單元能耗影響參數(shù)進(jìn)行定性分析[39-40]。1）灰分灰分是惰性物質(zhì)，是煤中的主要雜質(zhì)。配煤的灰分，在煉焦時不熔融、不粘結(jié)也不收縮，能使煤的粘結(jié)性變差,焦炭的裂紋增多，機(jī)械強(qiáng)度和耐磨強(qiáng)度都會降低；另外配煤灰分將會全部轉(zhuǎn)入焦炭，降低焦炭的等級,而且在高爐煉鐵時會增高焦比，降低鐵產(chǎn)量，增加排渣量。一般配合煤的成焦率為70%～80%，焦炭灰分為配合煤灰分的1.3～1.4倍。因此，煉焦用的原煤在配煤之前都應(yīng)該進(jìn)行洗選，洗選后的精煤可降低灰分，提高煉焦煤的粘結(jié)性?；曳挚捎绊懡固抠|(zhì)量，含量高，會使高爐渣量增加，導(dǎo)致了焦比上升，產(chǎn)量下降?；曳诌€可影響成焦率，從而對煉焦能耗產(chǎn)生影響。2）水分在常規(guī)煉焦條件下，裝爐煤的堆比重主要受煤料水分、細(xì)度以及加煤過程的影響，增加堆比重的有效途徑是減少煤料的水分，但是若采用一般的裝爐方法，在加煤時冒煙冒火嚴(yán)重，必須采用專門的裝爐工藝。煤料的水分除影響堆比重外，還影響焦?fàn)t的結(jié)焦時間（或加熱制度）、煉焦的耗熱量和剩余氨水量，由于新裝爐內(nèi)的煤料與墻面直接接觸，煤料中水分的蒸發(fā)使墻面溫度急劇下降，對焦?fàn)t爐墻砌體很不利。因此，在煉焦生產(chǎn)中，控制煤料的水分是非常必要的。水分變化，相當(dāng)于濕煤中的干煤被水分所取代，即水分變化帶來濕煤耗熱量變化，從而對煉焦能耗產(chǎn)生影響。煤中水分分為內(nèi)在水分、外在水分、結(jié)晶水和分解水?，F(xiàn)在我們常用的水份指標(biāo)有兩種：a、全水份（Mt），是煤中所有內(nèi)在水份和外在水份的總和，也常用Mar表示。通常規(guī)定在8%以下。b、空氣干燥基水份(Mad)，指煤炭在空氣干燥狀態(tài)下所含的水份。3）揮發(fā)分煤的揮發(fā)分對焦炭的質(zhì)量影響很大，配合煤的揮發(fā)分偏低雖然有利于提高焦炭的機(jī)械強(qiáng)度和塊度，但焦炭的耐磨性差；反之，揮發(fā)分偏高，在煉焦過程中就有較多的裂解產(chǎn)物逸出，產(chǎn)生一個非常大的應(yīng)力作用于焦炭，使之從內(nèi)向外發(fā)生崩裂，形成許多細(xì)小的裂紋結(jié)構(gòu)，導(dǎo)致焦炭的強(qiáng)度降低。揮發(fā)分影響成焦率和產(chǎn)氣率，從而對煉焦單元能耗產(chǎn)生影響。4）硫分硫是煤中有害元素，煉焦時煤中的硫分約70%～80%轉(zhuǎn)入焦炭，煉鐵時又轉(zhuǎn)入生鐵中。按成焦率75%左右計算，焦炭硫分約為配合煤硫分的80%～90%。用高硫生鐵煉出的鋼具有熱脆性，鋼材中的含硫量大于0.07%，受熱后容易發(fā)生脆裂現(xiàn)象。煤中的硫，特別是硫鐵礦硫還能加速煤的風(fēng)化與自燃，煤經(jīng)氧化后粘結(jié)性急劇下降。通常煉焦煤的硫分每增高0.1個百分點(diǎn)，就會使焦炭硫分增高0.08，焦比上升1.2%左右，高爐生產(chǎn)能力降低1.6%～2.0%，所以煉焦用配煤中的硫分最高不應(yīng)超過1.2%，且硫分越低越好。為降低焦炭硫分，煉焦過程中往往通過提高煉焦終止溫度，而這將增加煤氣消耗，使煉焦單元能耗升高。5）煤料細(xì)度細(xì)度是指煤料粉碎后小于3mm的煤料重量占總重量的百分比。常規(guī)煉焦細(xì)度一般要求在80%左右，搗固煉焦細(xì)度一般要求大于85%。細(xì)度過低，配合煤混合不均勻，焦炭內(nèi)部結(jié)構(gòu)不均一，強(qiáng)度降低。細(xì)度過高，不僅粉碎設(shè)備動力消耗增大，設(shè)備的處理能力降低，更重要是細(xì)度過高時，裝爐煤的堆比重下降，使焦炭質(zhì)量和產(chǎn)量受影響，影響煉焦單元能耗。過程狀態(tài)參數(shù)分析煉焦單元包括焦?fàn)t加熱燃燒過程、集氣管集氣過程和推焦過程三個過程，下面將這些過程狀態(tài)參數(shù)對煉焦單元能耗的影響進(jìn)行定性分析[39-41]。1）裝煤系數(shù)裝煤系數(shù)是反映裝煤均勻程度的指標(biāo)，其計算公式為：(2.1)裝煤系數(shù)可影響焦炭產(chǎn)量，從而影響到煉焦單元能耗。2）K均勻?yàn)楸ＷC全爐各燃燒室溫度均勻，各測溫火道溫度與同側(cè)直行溫度的平均值相差不應(yīng)超過±20℃，邊爐相差不超過±30℃，超過此值的測溫火道為溫度不合格火道，并以均勻系數(shù)K均勻作為考核。K均勻3）K安定焦?fàn)t各燃燒室測溫火道的溫度值稱直行溫度。一般于換向后5min(或10min)在下降氣流時測量，因?yàn)檫@時爐溫的下降速度已趨平穩(wěn)。為防止焦?fàn)t砌磚被燒熔，硅磚焦?fàn)t測溫火道換向后的最高溫度不得超過1450℃。硅磚荷重軟化溫度雖可達(dá)1620℃左右，由于火道內(nèi)測溫點(diǎn)與最高溫度點(diǎn)（火焰燃燒點(diǎn)）相差100～150℃，火道溫度在整個結(jié)焦期間尚有波動（波動值25～30℃），故火道的極限度對硅磚焦?fàn)t規(guī)定應(yīng)不大于1450℃。直行溫度不但要求均勻，還要求直行溫度的平均值保持穩(wěn)定，并用安定系數(shù)K安定考核。K安定也影響燃?xì)馊紵?，從而影響到煉焦單元能耗?）K2焦?fàn)t的出焦和裝煤應(yīng)嚴(yán)格按計劃進(jìn)行，保證各炭化室的焦餅按規(guī)定時間均勻成熟，做到安全、定時、準(zhǔn)點(diǎn)。并定時進(jìn)行機(jī)械和設(shè)備的預(yù)防性檢修。為評定推焦操作的均衡性，要求各炭化室的結(jié)焦時間與規(guī)定相差不超過±5min，并以推焦執(zhí)行系數(shù)K2評定。作為煉焦生產(chǎn)穩(wěn)定性的度量，K2對焦炭質(zhì)量和煉焦能耗均有影響。5）結(jié)焦時間結(jié)焦時間是指煤料在炭化室內(nèi)停留的時間，通常是指從開始平煤（裝煤時刻）在22h～24h時煉焦耗熱量最低。以此為基準(zhǔn)，縮短和延長結(jié)焦時間均使煉焦耗熱量增高。結(jié)焦時間從22h～24h縮短至14～15h，每縮短1h，耗熱量約增加40～55KJ/kg。結(jié)焦時間影響了焦炭質(zhì)量、COG回收量及消耗量，因此對煉焦單元能耗有很大影響。綜上所述，原料煤的灰分、水分、揮發(fā)分、硫分和煤料細(xì)度都將直接影響煉焦單元的能耗，裝煤系數(shù)、K均勻、K安定、K2、結(jié)焦時間也對煉焦單元能耗有影響。為增加能耗預(yù)測模型的精度和泛化能力，我們下章對其關(guān)聯(lián)程度進(jìn)行計算，定量的選擇影響較大的因素作為預(yù)測模型的輸入和輸出。2.4COG和BFG的配比對煉焦單元能耗影響的定性分析鋼鐵聯(lián)合企業(yè)生產(chǎn)中產(chǎn)生的主要副產(chǎn)品氣體燃料包括BFG、COG和轉(zhuǎn)爐煤氣(Linz-DonavitzprocessGas,LDG)，其中以BFG、COG應(yīng)用最為廣泛，它們在鋼鐵企業(yè)的燃料平衡中占有很重要的地位，BFG、COG所提供的熱量通常占鋼鐵企業(yè)總熱量收入的80%以上[42]。焦?fàn)t加熱用煤氣主要是COG和BFG，有的廠還采用轉(zhuǎn)爐煤氣。這些煤氣的大致組成如表2.1所示[41]。表2.1各種煤氣的組成和發(fā)熱值煤煤氣組成COGBFGLDGH255~601.5~35~6CO5~825~3080~86CH423~280.2~0.50.7~1.6CnHm2~410.3CO21.5~39~1510N23~555~603.5O20.4~0.80.2~0.40.5低發(fā)熱值KJ/m316720~188103230~41805600~9218煉焦單元使用煤氣主要是加熱焦?fàn)t，對炭化室內(nèi)洗精煤進(jìn)行間接加熱并發(fā)生干餾，加熱煤氣的熱量使得炭化室內(nèi)的洗精煤轉(zhuǎn)化為焦炭、COG、焦油以及相應(yīng)的顯熱和熱損失。據(jù)對某大型鋼鐵企業(yè)計算，煤氣燃燒熱占焦?fàn)t熱量總收入的70%以上。加熱煤氣的種類可以是單一的COG、BFG或COG、BFG混合煤氣，由于發(fā)熱值不同，提供相同的熱量所需的煤氣量、空氣量及所產(chǎn)生的廢氣量亦不同，因此，用不同的煤氣加熱焦?fàn)t，其煉焦耗熱量有所差異[44]。鋼鐵聯(lián)合企業(yè)為了更合理利用煤氣及平衡煤氣，焦?fàn)t應(yīng)盡量采用BFG加熱，這樣置換出高發(fā)熱值COG供軋鋼加熱爐等用戶使用。為了穩(wěn)定煤氣發(fā)熱值，往往在高爐煤氣中摻入一定量的COG，稱為混合煤氣加熱。因此，COG和BFG配比對煉焦單元能耗是有影響的，在整個企業(yè)煤氣平衡時，選擇合適的COG和BFG配比，使得煉焦單元能耗較低，對于煉焦單元節(jié)能是一個新的思路和方向。2.5研究思路本文針對煉焦單元能耗預(yù)測問題，COG、BFG配比對能耗的影響問題展開研究，研究思路如下：基于2.3節(jié)分析得到影響煉焦單元能耗的原材料參數(shù)和過程狀態(tài)參數(shù)，首先對這些影響因素進(jìn)行關(guān)聯(lián)度計算，找出關(guān)聯(lián)程度較大的因素；然后利用原材料參數(shù)和煉焦單元總能耗，對煉焦單元的能源產(chǎn)消和過程狀態(tài)參數(shù)進(jìn)行預(yù)測，為能源調(diào)配和過程控制提供決策支持。研究的流程如圖2.2所示。圖2.2煉焦單元能耗預(yù)測流程（2）基于2.4節(jié)分析得到COG、BFG配比對煉焦單元能耗影響分析，首先建立煉焦單元COG、BFG配比與能源產(chǎn)消量的關(guān)系模型，以此為基礎(chǔ)，并以煉焦單元能耗為優(yōu)化目標(biāo)，建立煉焦單元能耗優(yōu)化模型，然后應(yīng)用遺傳算法求解最優(yōu)值，給出煉焦單元能耗的最優(yōu)值和相應(yīng)的COG、BFG配比，為能源調(diào)配提供決策支持。研究的流程如圖2.3所示。圖2.3COG和BFG配比對煉焦單元能耗影響關(guān)系及其優(yōu)化流程2.6小結(jié)本章首先介紹焦化工序和煉焦單元工藝，接著對影響煉焦單元能耗的原材料參數(shù)、過程狀態(tài)參數(shù)進(jìn)行定性分析，然后給出COG和BFG配比對煉焦單元能耗影響的定性分析，最后分別針對本章提出的兩個煉焦單元能耗優(yōu)化問題給出研究思路，為問題的進(jìn)一步解決奠定了基礎(chǔ)。第3章煉焦單元能耗影響因素分析本章基于灰色關(guān)聯(lián)度方法，通過定量計算，對原材料參數(shù)和過程狀態(tài)參數(shù)進(jìn)行關(guān)聯(lián)度計算，進(jìn)行排序并選取較大的幾個因素，為煉焦單元能源產(chǎn)消與過程參數(shù)預(yù)測做好準(zhǔn)備。3.1灰色關(guān)聯(lián)度方法影響綜合生產(chǎn)目標(biāo)的影響因素眾多，對綜合生產(chǎn)目標(biāo)的主要影響因素的確定，只依據(jù)機(jī)理分析以及人工經(jīng)驗(yàn)可靠性不高，并且缺乏理論依據(jù)。需要從理論上定量計算各因素對綜合生產(chǎn)目標(biāo)的影響程度，這稱之為關(guān)聯(lián)性分析。在關(guān)聯(lián)性分析中，常用的定量計算方法是數(shù)理統(tǒng)計法，如回歸分析、方差分析、主成分分析等[45]，它們要求大樣本和典型的概率分布。另一種方法即為灰色系統(tǒng)理論提出的灰色關(guān)聯(lián)分析方法[46-47]，它可在不完全的信息中，對所要分析研究的各因素，通過一定的數(shù)據(jù)處理，在隨機(jī)的因素序列間找出它們的關(guān)聯(lián)性，找到主要特性和主要影響因素?；疑P(guān)聯(lián)分析是基于行為因子序列的微觀或宏觀幾何接近，以分析和確定因子間的影響程度或因子對主行為的貢獻(xiàn)度而進(jìn)行的一種分析方法[48-49]。在煉焦單元中，由于數(shù)據(jù)之間的概率分布難以確定，并且信息存在不完全的情況，難以采用數(shù)理統(tǒng)計的方法進(jìn)行關(guān)聯(lián)度定量計算，所以在分析過程中采用灰色關(guān)聯(lián)分析方法對影響煉焦單元能耗的因素進(jìn)行關(guān)聯(lián)性分析?；疑P(guān)聯(lián)分析計算步驟如下：Step1：原始數(shù)據(jù)處理初值化處理設(shè)有原始（以煉焦過程狀態(tài)參數(shù)關(guān)聯(lián)分析為例，n=5）對x0作初值化處理得y0，則（3.1）(2)均值化處理設(shè)有原始（以煉焦過程狀態(tài)參數(shù)關(guān)聯(lián)分析為例，n=5），令其均值為，(3.2)則對x0作均值化處理，得y0為：（3.3）(3)歸一化處理在非時間序列中，同一序列有許多不同的物理量，且數(shù)值大小相差過分懸殊，為避免造成非等權(quán)情況，對這些數(shù)列作歸一化處理。Step2：計算灰色關(guān)聯(lián)系數(shù)。若經(jīng)數(shù)據(jù)處理后的母數(shù)列為(X0(t))，子數(shù)列為(xi(t))，在時刻t=k時，(x0(k)與(xi(k))的灰色關(guān)聯(lián)系數(shù)為（3.4）式中為k時刻兩個序列的絕對值，即，，分別為各個時刻的絕對值的最大值與最小值，為分辨系數(shù)，其作用在于提高灰色關(guān)聯(lián)系數(shù)之間的差異顯著性，，一般取0.5。Step3：求灰色關(guān)聯(lián)度與灰色關(guān)聯(lián)矩陣。其計算公式為：（3.5）式中為子序列與母序列0的灰色關(guān)聯(lián)度。N為序列的長度即數(shù)據(jù)個數(shù)，(以煉焦單元過程狀態(tài)參數(shù)關(guān)聯(lián)分析為例，n=5)。若有n個母序列，m個子序列(以煉焦單元過程狀態(tài)參數(shù)關(guān)聯(lián)分析為例n=5)，各子序列j對母序列i的關(guān)聯(lián)度為，則可得灰色關(guān)聯(lián)矩陣為：(3.6)Step4：關(guān)聯(lián)度排序以及優(yōu)勢分析對進(jìn)行從大到小排序，根據(jù)排序結(jié)果判斷子因素與母因素的關(guān)聯(lián)性強(qiáng)弱，排序越靠前，則說明此子因素與母因素的關(guān)聯(lián)性越強(qiáng)，反之越弱。3.2原材料參數(shù)選擇由2.3節(jié)可知影響洗精煤質(zhì)量指標(biāo)的主要因素分別為灰分Ad、空氣干燥基水分Mad、全水分Mt、揮發(fā)分Vdaf、硫分Sd,t和煤料細(xì)度。為保證模型的準(zhǔn)確性和預(yù)測的可行性，須選取對煉焦單元能耗影響最大的幾個參數(shù)。分別以煉焦單元總能耗x(0)作為參考序列，以灰分x(0)(1)，以空氣干燥基水分x(0)(2)，以全水分x(0)(3)，以揮發(fā)分K2x(0)(4)，以硫分x(0)(5)，以煤料細(xì)度x(0)(6)作為比較序列。以某大型鋼鐵企業(yè)2010年10月和11月每天的煉焦單元總能耗作為參考序列，以過程狀態(tài)參數(shù)作為比較序列，樣本統(tǒng)計指標(biāo)如表3.1所示，表3.1煉焦過程狀態(tài)參數(shù)影響因素樣本統(tǒng)計表統(tǒng)計指標(biāo)X(0)X(0)(1)X(0)(2)X(0)(3)X(0)(4)X(0)(5)X(0)(6)平均值120.02199.91080.978810.68827.92720.767675.304最小值87.79069.63000.61009.400026.46000.720073.6000最大值153.998610.28001.370011.800028.91000.83007.3000標(biāo)準(zhǔn)偏差13.66280.12840.22650.64570.57570.02891.2391按照灰色關(guān)聯(lián)分析計算步驟：首先按式(3.3)進(jìn)行均值化處理，然后按照式(3.4)求取灰色關(guān)聯(lián)系數(shù)，最后按照式(3.5)求取到的灰色關(guān)聯(lián)度如下所示。表3.2煉焦過程狀態(tài)參數(shù)灰色關(guān)聯(lián)度表各種參數(shù)X(0)(1)X(0)(2)X(0)(3)X(0)(4)X(0)(5)X(0)(6)灰色關(guān)聯(lián)度0.76720.64110.73990.75670.74700.7632對灰色關(guān)聯(lián)度進(jìn)行排序?yàn)椋篨(0)(1)>X(0)(6)>X(0)(4)>X(0)(5)>X(0)(3)>X(0)(2)則可以確定灰分系數(shù)在原材料參數(shù)中對煉焦單元能耗影響最大，煤料細(xì)度和揮發(fā)分次之。其次是硫分、全水分和空氣干燥基水分。由于X(0)(1)、X(0)(2)、X(0)(3)、X(0)(4)、X(0)(5)、X(0)(6)與煉焦單元總能耗X(0)的灰色關(guān)聯(lián)度都大于0.5，因此將灰分，空氣干燥基水分，全水分，揮發(fā)分，硫分，煤料細(xì)度均作為模型的輸入變量。3.3過程狀態(tài)參數(shù)選擇由2.3節(jié)分析可知，影響煉焦單元能耗的過程狀態(tài)參數(shù)包括：指示反映裝煤程度的指標(biāo)K裝煤，焦?fàn)t側(cè)溫火道平均溫度的均勻系數(shù)K均勻，反映焦?fàn)t測溫火道平均溫度的穩(wěn)定性指標(biāo)K安定，反映焦?fàn)t推焦操作正常與否的指標(biāo)K2以及焦?fàn)t的結(jié)焦時間等。為保證模型的準(zhǔn)確性和預(yù)測的可行性，須選取對煉焦單元能耗影響最大的幾個參數(shù)。分別以煉焦單元總能耗x(0)作為參考序列，以K裝煤x(0)(1)，K均勻x(0)(2)，K安定x(0)(3)，K2x(0)(4)，結(jié)焦時間x(0)(5)作為比較序列。以某大型鋼鐵企業(yè)2010年10月和11月每天的煉焦單元總能耗及過程狀態(tài)參數(shù)作為比較序列，樣本統(tǒng)計指標(biāo)如表3.3所示，表3.3煉焦過程狀態(tài)參數(shù)影響因素樣本統(tǒng)計表統(tǒng)計指標(biāo)X(0)X(0)(1)X(0)(2)X(0)(3)X(0)(4)X(0)(5)平均值120.02190.99400.92960.99320.96521.0686最小值87.79060.97000.89000.83000.91001.0583最大值153.99861.00000.97001.00001.00001.0736標(biāo)準(zhǔn)偏差13.66280.00960.02210.0340.02220.0031按照灰色關(guān)聯(lián)分析計算步驟：首先按式(3.3)進(jìn)行均值化處理，然后按照式(3.4)求取灰色關(guān)聯(lián)系數(shù)，最后按照式(3.5)求取到的灰色關(guān)聯(lián)度如下所示。表3.4煉焦過程狀態(tài)參數(shù)灰色關(guān)聯(lián)度表各種參數(shù)X(0)(1)X(0)(2)X(0)(3)X(0)(4)X(0)(5)灰色關(guān)聯(lián)度0.63480.63940.64500.63840.6362對灰色關(guān)聯(lián)度進(jìn)行排序?yàn)椋篨(0)(3)>X(0)(2)>X(0)(4)>X(0)(5)>X(0)(1)。則可以確定K安定系數(shù)是過程狀態(tài)參數(shù)中對煉焦單元能耗影響最大，K均勻和K2次之。其次是K裝煤和結(jié)焦時間。由于X(0)(1)、X(0)(2)、X(0)(3)、X(0)(4)、X(0)(5)與煉焦單元總能耗X(0)的灰色關(guān)聯(lián)度都大于0.5，因此將K裝煤，K均勻，K安定，K2，結(jié)焦時間均作為模型的輸出變量。3.4小結(jié)本章利用灰色關(guān)聯(lián)度方法，分別計算了原材料參數(shù)、過程狀態(tài)參數(shù)與煉焦單元總能耗的關(guān)聯(lián)度，依據(jù)其關(guān)聯(lián)度進(jìn)行排序后，選取了關(guān)聯(lián)程度較大的幾個作為預(yù)測模型的輸入和輸出。最終確定灰分，空氣干燥基水分，全水分，揮發(fā)分，硫分，煤料細(xì)度均作為模型的輸入變量；K裝煤，K均勻，K安定，K2，結(jié)焦時間均作為模型的輸出變量。為預(yù)測模型的精確性和合理性奠定了基礎(chǔ)。第4章煉焦單元能耗預(yù)測模型本章首先對煉焦能耗預(yù)測模型的建模方法進(jìn)行了討論，指出BP人工神經(jīng)網(wǎng)絡(luò)在應(yīng)用中存在的問題，并據(jù)此提出了基于BP人工神經(jīng)網(wǎng)絡(luò)進(jìn)行能耗預(yù)測的建模流程；接著應(yīng)用該流程進(jìn)行建模，得到煉焦單元能耗預(yù)測模型，最后用檢驗(yàn)數(shù)據(jù)驗(yàn)證所建煉焦單元能耗預(yù)測模型的精確性和泛化能力。4.1預(yù)測方法研究針對復(fù)雜工業(yè)過程中眾多重要過程參數(shù)難以實(shí)時檢測的問題，目前主要采用基于數(shù)據(jù)驅(qū)動的智能建模方法實(shí)現(xiàn)對這些參數(shù)的有效預(yù)測。這些基于數(shù)據(jù)驅(qū)動的智能建模方法主要有基于統(tǒng)計分析的預(yù)測建模方法、基于統(tǒng)計學(xué)習(xí)理論的預(yù)測建模方法、基于即時學(xué)習(xí)策略的預(yù)測建模方法和基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測建模方法。（1）基于統(tǒng)計分析的預(yù)測建模方法該方法以采集到的實(shí)際生產(chǎn)過程輸入輸出數(shù)據(jù)為基礎(chǔ)，采用主元分析（PrincipalComponentAnalysis,PCA）[51-52]或部分最小二乘（PartialLeastSquares,PLS）[53-54]等方法對數(shù)據(jù)進(jìn)行相關(guān)性分析，將對輸出變量影響較大的輸入變量構(gòu)成輔助變量集，再利用優(yōu)化后輸入輸出數(shù)據(jù)建立預(yù)測模型。該方法的實(shí)現(xiàn)過程需要大量的歷史數(shù)據(jù)樣本，并且模型結(jié)果對數(shù)據(jù)所包含的噪聲比較敏感，同時模型的可理解性較差。（2）基于統(tǒng)計學(xué)習(xí)理論的預(yù)測建模方法該方法主要指支持向量機(jī)（SupportVectorMachine,SVM）[59-60]及其改進(jìn)方法。SVM是一種小數(shù)據(jù)樣本條件下有效的統(tǒng)計學(xué)習(xí)方法，在結(jié)構(gòu)風(fēng)險最小化原則下，能有效避免神經(jīng)網(wǎng)絡(luò)預(yù)測方法中的欠學(xué)習(xí)和過學(xué)習(xí)現(xiàn)象，使模型具有良好的泛化能力，特別適合解決非線性、小樣本、局部極小點(diǎn)等問題。該方法在大數(shù)據(jù)樣本集下訓(xùn)練數(shù)據(jù)較慢，同時算法中的正規(guī)化參數(shù)、不敏感系數(shù)以及和函數(shù)的類型和參數(shù)對預(yù)測模型的精度有較大影響，關(guān)于這些參數(shù)的優(yōu)化選取目前還沒有統(tǒng)一的方法，此外參數(shù)優(yōu)化過程中如何集成過程先驗(yàn)知識也是一個值得研究的問題。（3）基于即時學(xué)習(xí)策略的預(yù)測建模方法基于數(shù)據(jù)驅(qū)動的智能建模方法多采用全局建模策略，建模過程中需要有能夠覆蓋整個過程對象運(yùn)行工況的完備數(shù)據(jù)集。在模型建立后，模型自適應(yīng)性根據(jù)新采集的數(shù)據(jù)樣本通過離線訓(xùn)練的方式來體現(xiàn)，過程中需要消耗大量的時間和精力，不能隨過程對象工況的偏移進(jìn)行實(shí)時調(diào)整，降低了模型的在線自適應(yīng)能力。基于即時學(xué)習(xí)策略的局部建模方法將過程對象的非線性估計轉(zhuǎn)化成對當(dāng)前數(shù)據(jù)點(diǎn)的數(shù)值估計，有效克服了全局建模方法不足[65-66]。該方法根據(jù)當(dāng)前時刻輸入數(shù)據(jù)，從歷史數(shù)據(jù)庫中找到與其相似度最好的一組數(shù)據(jù)樣本，采用某種全局建模方法建立局部模型，進(jìn)而獲得該輸入數(shù)據(jù)所對應(yīng)的過程輸出，之后將得到的局部模型丟棄。即時學(xué)習(xí)策略預(yù)測建模方法的主要缺點(diǎn)是建模過程計算開銷較大，使得模型的實(shí)時性不強(qiáng)。（4）基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測建模方法該方法無需生產(chǎn)對象的先驗(yàn)知識，利用生產(chǎn)過程的輸入輸出數(shù)據(jù)，通過建立黑箱模型實(shí)現(xiàn)過程對象輸入輸出的映射，在不確定性非線性系統(tǒng)數(shù)據(jù)擬合方面具有良好的效果。目前，實(shí)際工業(yè)過程中常用的人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型有反向傳播神經(jīng)網(wǎng)絡(luò)（BackPropagation，BP）[55-56]和徑向基神經(jīng)網(wǎng)絡(luò)（RadialBaseFunction，RBF）[55-56]兩種模型以及多種相應(yīng)的改進(jìn)模型。該方法以大數(shù)定理和漸進(jìn)理論為理論基礎(chǔ)，在經(jīng)驗(yàn)風(fēng)險最小化原則下，算法的結(jié)論大都是在訓(xùn)練樣本趨于無窮的假設(shè)下的得到的。工業(yè)應(yīng)用是，模型訓(xùn)練過程需要有能夠覆蓋整個生產(chǎn)過程的大量數(shù)據(jù)，如果當(dāng)前輸入數(shù)據(jù)不在訓(xùn)練數(shù)據(jù)所覆蓋的工況區(qū)域，則會出現(xiàn)較大的預(yù)測誤差，同時該方法在線適應(yīng)能力較差，當(dāng)生產(chǎn)工況出現(xiàn)偏移時，需要根據(jù)新采集的數(shù)據(jù)采用人工離線訓(xùn)練的方式對模型參數(shù)進(jìn)行校正。由2.3節(jié)可知，煉焦單元的原材料參數(shù)、生產(chǎn)過程狀態(tài)參數(shù)與煉焦單元能耗之間存在關(guān)聯(lián)關(guān)系，但其維數(shù)高、內(nèi)部機(jī)理復(fù)雜，存在著很強(qiáng)的非線性。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力，較強(qiáng)的容錯能力和魯棒性，而且可以逼近任意非線性函數(shù)[67]，在鋼鐵企業(yè)生產(chǎn)過程的信息分析中獲得了廣泛的應(yīng)用[68-69]，尤其以BP神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛。本文即以BP神經(jīng)網(wǎng)絡(luò)為研究方法，建立煉焦單元能耗預(yù)測模型。4.2人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論及BP學(xué)習(xí)算法人工神經(jīng)元的研究起源于腦神經(jīng)元學(xué)說。19世紀(jì)末，在生物、生理學(xué)領(lǐng)域，Waldeger等人創(chuàng)建了神經(jīng)元學(xué)說。人們認(rèn)識到復(fù)雜的神經(jīng)系統(tǒng)是由數(shù)目繁多的神經(jīng)元組合而成。大腦皮層包括有100億個以上的神經(jīng)元，每立方毫米約有數(shù)萬個，它們互相聯(lián)結(jié)形成神經(jīng)網(wǎng)絡(luò)，通過感覺器官和神經(jīng)接受來自身體內(nèi)外的各種信息，傳遞至中樞神經(jīng)系統(tǒng)內(nèi)，經(jīng)過對信息的分析和綜合，再通過運(yùn)動神經(jīng)發(fā)出控制信息，以此來實(shí)現(xiàn)機(jī)體與內(nèi)外環(huán)境的聯(lián)系，協(xié)調(diào)全身的各種機(jī)能活動。BP算法是Rnmenhort在1986年提出的一種前饋階層網(wǎng)絡(luò)的學(xué)習(xí)算法。BP算法的基本思想[70]是：輸入信息的正向傳播和誤差的反向傳播。在正向傳播中，對于一個訓(xùn)練樣本，將其特征向量輸入神經(jīng)網(wǎng)絡(luò)，經(jīng)過神經(jīng)網(wǎng)絡(luò)的前向傳播計算，得到一個實(shí)際輸出，然后將該輸出與期望的樣本輸出相比較，若有偏差，則轉(zhuǎn)入反向傳播過程，將該偏差由原來的聯(lián)絡(luò)通路返回，通過調(diào)整各層神經(jīng)元的聯(lián)系權(quán)值，使誤差減小；然后，再轉(zhuǎn)入正向傳播過程，反復(fù)迭代，直到誤差小于等于允許值，學(xué)習(xí)才結(jié)束。數(shù)學(xué)描述如下：輸出層單元的輸入為(4.1)輸出層單元的實(shí)際輸出為：(4.2)而隱含層單元的輸入為：(4.3)輸出層單元的的實(shí)際輸出為(4.4)輸出層單元的一般化誤差為：(4.5)隱含層單元與輸出層單元之間的連接權(quán)的變化率為：(4.6)輸出層單元閾值的變化率為(4.7)隱含層單元的一般化誤差為(4.8)輸入層單元與隱含層單元之間的連接權(quán)的變化率為(4.9)隱含層單元閾值的變化率為(4.10)所以，最后我們得到神經(jīng)元網(wǎng)絡(luò)的權(quán)值、閾值調(diào)整公式分別：(4.11)(4.12)(4.13)(4.14)則，得到相應(yīng)的誤差修正公式為：(4.15)(4.16)(4.17)(4.18)式中：0<β<1為學(xué)習(xí)或收斂因子，0<α<1為動量因子。由此可知，BP算法是建立在函數(shù)梯度基礎(chǔ)上的，按誤差函數(shù)梯度下降的方向進(jìn)行收斂的，這就不可避免面臨下面的主要問題：①泛化問題。即能否逼近規(guī)律和對于大量未經(jīng)學(xué)習(xí)過的輸入矢量也能正確處理。②存在一些平坦區(qū)。即在此區(qū)域內(nèi)，誤差改變很小。③存在不少局部最小點(diǎn)。即在某些初值條件下，BP算法結(jié)果會陷入局部最小。④BP算法收斂速度很慢。⑤隱含層神經(jīng)元的個數(shù)選取尚缺少統(tǒng)一而完整的理論指導(dǎo)。4.3基于BP人工神經(jīng)網(wǎng)絡(luò)的煉焦單元能耗預(yù)測模型4.3.1BP人工神經(jīng)網(wǎng)絡(luò)模型的建模流程針對BP人工神經(jīng)網(wǎng)絡(luò)在應(yīng)用中存在的問題，在煉焦單元能耗預(yù)測模型中，我們提出BP人工神經(jīng)網(wǎng)絡(luò)的建模流程，如圖4.1所示。通過灰色關(guān)聯(lián)度方法計算能耗影響因素的關(guān)聯(lián)度值，依據(jù)其關(guān)聯(lián)度大小選擇作為建模因素，得到樣本數(shù)據(jù)。對樣本數(shù)據(jù)進(jìn)行孤立點(diǎn)檢測和歸一化處理，本文利用基于距離和的孤立點(diǎn)檢測方法進(jìn)行去噪，然后將數(shù)據(jù)歸結(jié)到0.2～0.8之間，具體原因?qū)⒃跀?shù)據(jù)預(yù)處理中“歸一化”部分給出。并將所得數(shù)據(jù)分為學(xué)習(xí)數(shù)據(jù)和檢驗(yàn)數(shù)據(jù)。設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用BP算法和學(xué)習(xí)數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡(luò)模型。利用檢驗(yàn)數(shù)據(jù)和所建模型進(jìn)行最小誤差、最大誤差和誤差平方和計算。比較各個誤差，若滿足模型精度則輸出模型；否則修改神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)個數(shù)后，利用BP算法訓(xùn)練模型后，繼續(xù)計算誤差并修正隱含層節(jié)點(diǎn)個數(shù)，直至滿足模型精度。圖4.1BP人工神經(jīng)網(wǎng)絡(luò)的建模流程4.3.2數(shù)據(jù)預(yù)處理選取某鋼鐵公司2011年10月份的數(shù)據(jù)作為樣本進(jìn)行建模。首先進(jìn)行數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理是進(jìn)行神經(jīng)網(wǎng)絡(luò)建模前的準(zhǔn)備工作，將很多不符合要求的數(shù)據(jù)剔除，以及進(jìn)行必要的數(shù)據(jù)變化，有利于建模的精確性。只有當(dāng)建模精度符合要求的時候，對于企業(yè)的決策評估才能起到真正的輔助決策的作用。（1）去噪處理“去噪”有很多的方法，包括離群點(diǎn)檢測方法、死區(qū)處理法、算術(shù)平均值法、中值濾波法、低通濾波法、滑動濾波法等，本文采用基于距離的孤立點(diǎn)檢測方法。孤立點(diǎn)檢測用來發(fā)現(xiàn)數(shù)據(jù)集中小部分對象[71]，這些對象與數(shù)據(jù)中的一般行為或數(shù)據(jù)模型有著明顯的不同。早期的孤立點(diǎn)檢測研究多見于統(tǒng)計領(lǐng)域?；诮y(tǒng)計的方法一般只適用于單變量的數(shù)據(jù)，雖然某些算法也可以檢測多變量數(shù)據(jù)，但需要事先指定（假定）數(shù)據(jù)服從的分布模型，這兩個缺點(diǎn)極大地限制了它的應(yīng)用。近來，研究人員又提出了各種各樣的方法，大致可以分為基于距離的方法、基于深度的方法、基于密度的方法和基于聚類的方法[72]?；诰嚯x的孤立點(diǎn)的概念最早由E.M.Knorr和R.T.Ng[71]提出，S.Ramaswamyetal[73]和S.D.Bayetal[74]分別進(jìn)行了改進(jìn)。在這種方法里，一般根據(jù)數(shù)據(jù)對象的最近鄰居來判斷其是否為孤立點(diǎn)?；诰嚯x的孤立點(diǎn)的優(yōu)點(diǎn)在于不需知道數(shù)據(jù)的分布模型，因而可以應(yīng)用于任何可以用某種距離機(jī)制量度的特征空間。孤立點(diǎn)的定義是數(shù)據(jù)集中到第k個最近鄰居的距離最大的n個對象[72]；基于距離的孤立點(diǎn)與基于統(tǒng)計的方法相比有幾個優(yōu)點(diǎn)，首先，它不要求用戶知道數(shù)據(jù)集服從哪種統(tǒng)計分布模型，同時，它克服了基于統(tǒng)計的孤立點(diǎn)檢測僅能檢測單個屬性的缺點(diǎn)。這里的距離量度函數(shù)一般使用絕對距離或者歐氏距離。假定數(shù)據(jù)對象為區(qū)間標(biāo)度變量類型，則絕對距離（又稱曼哈頓距離）的定義如下：(4.19)而歐式距離為：(4.20)其中m為數(shù)據(jù)對象的維(屬性)數(shù),表示第個對象第屬性的值。這兩個距離可統(tǒng)一為：(4.21)這就是明考斯基距離。對其它變量類型的對象距離，也有相應(yīng)的計算方法[75]。為減低孤立點(diǎn)檢測對用戶的要求，文獻(xiàn)[24]提出基于距離和的孤立點(diǎn)定義，與前文介紹基于距離的孤立點(diǎn)檢測方法相同，使用絕對距離或者歐氏距離，首先計算數(shù)據(jù)集中對象兩兩之間的距離，然后累計每個對象與其它對象的距離，設(shè)M為用戶期望的孤立點(diǎn)個數(shù)，則距離之和最大的M個對象即為孤立點(diǎn)?；诰嚯x和的孤立點(diǎn)檢測可以描述如下：對原始數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化后，計算n個對象兩兩之間的距離形成距離矩陣R:(4.22)令即為矩陣R中第i行的和，值越大，說明對象i與其他的對象距離越遠(yuǎn)，值最大的M個對象即為孤立點(diǎn)。通過上文孤立點(diǎn)的定義知道孤立點(diǎn)是通過與數(shù)據(jù)對象距離最大的k個對象來識別。此孤立點(diǎn)定義可以看作該定義的一種變形，因?yàn)樗鼘?shí)際上是通過對象與數(shù)據(jù)集中所有其它對象的距離之和來判別異常，那么此時所挑選出的M個對象即為上文定義中的n值。在本文研究中，我們從31組數(shù)據(jù)中選取6組數(shù)據(jù)剔除，即k值取31，n取值為6，從圖4.2中紅色橢圓可以看出，經(jīng)過處理得出31組數(shù)據(jù)集中距離和為7，20,14,19,30,12這6組數(shù)據(jù)。圖4.231組樣本距離和（2）歸一化處理傳統(tǒng)上歸一化是將樣本數(shù)據(jù)變換到[0,1]或[-1,1]，但是由于BP神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元往往采用Sigmoid轉(zhuǎn)移函數(shù)，-1和1是其極值，容易導(dǎo)致訓(xùn)練速度緩慢，甚至不收斂。文[74]提出利用式(4.23)進(jìn)行數(shù)據(jù)歸一化。(4.23)歸一化后的數(shù)據(jù)范圍是[0.2,0.8]，這樣就避免了歸一化到[0,1]的缺陷。因此本文也采用該方法歸一化學(xué)習(xí)數(shù)據(jù)。4.3.3基于BP人工神經(jīng)網(wǎng)絡(luò)建立煉焦單元能耗模型選取BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)確定主要涉及到層數(shù)的確定、輸入輸出單元數(shù)的確定、隱含層數(shù)目的確定、激勵函數(shù)的確定、訓(xùn)練方式的選擇、訓(xùn)練終止條件等。(1)層數(shù)的確定Kolmogrov等人已經(jīng)證明，基于BP算法的三層反向傳播前饋網(wǎng)絡(luò)模型可以表征任意的非線性關(guān)系[77]?；诖?，本文采用三層前饋網(wǎng)絡(luò)作為基本神經(jīng)網(wǎng)絡(luò)。它由輸入層、隱含層和輸出層組成，各層之間實(shí)行全連接，層內(nèi)神經(jīng)元之間無連接。(2)輸入輸出節(jié)點(diǎn)數(shù)的確定煉焦單元能耗預(yù)測模型輸入層的神經(jīng)元節(jié)點(diǎn)對應(yīng)于輸入變量(參數(shù))即焦化工序能耗以及配合煤質(zhì)量指標(biāo)；輸出層的神經(jīng)元節(jié)點(diǎn)對應(yīng)于輸出變量(參數(shù))即煉焦單元輸入能源、輸出能源以及過程狀態(tài)參數(shù)。(3)激勵函數(shù)激勵函數(shù)是模型執(zhí)行對該神經(jīng)元所獲得的網(wǎng)絡(luò)輸入的變換，也稱激活函數(shù)或激發(fā)函數(shù)。BP算法學(xué)習(xí)過程中出現(xiàn)的“平臺現(xiàn)象”是指網(wǎng)絡(luò)在學(xué)習(xí)的過程中誤差在一定的時間范圍內(nèi)，并不隨學(xué)習(xí)次數(shù)的增加而減少，而過了這段時間后，誤差明顯下降的現(xiàn)象。導(dǎo)致“平臺現(xiàn)象”的最直接的原因是由于神經(jīng)元的總輸入進(jìn)入飽和區(qū)，而使神經(jīng)元的飽和非線性作用函數(shù)的導(dǎo)數(shù)逼近于零，從而使權(quán)值、閾值的更新無效。激活函數(shù)的種類很多，本研究采用Sigmoid函數(shù)，其表達(dá)式為：(4.24)其導(dǎo)數(shù)為：(4.25)實(shí)踐表明，該函數(shù)可以有效的消除“平臺現(xiàn)象”加快收斂速度，具有良好的模型泛化能力。(4)訓(xùn)練終止條件學(xué)習(xí)過程中，使訓(xùn)練終止的收斂的方式有兩種；一是限定訓(xùn)練次數(shù)，當(dāng)訓(xùn)練的次數(shù)達(dá)到限定次數(shù)時，即終止；二是分別設(shè)置各輸出量的收斂網(wǎng)絡(luò)誤差限定值，當(dāng)樣本的各輸出量的絕對誤差的平均值都小于設(shè)置值時，即終止。模型訓(xùn)練終止條件由用戶的具體要求來決定。本研究系統(tǒng)默認(rèn)訓(xùn)練次數(shù)為5000次，網(wǎng)絡(luò)誤差為0.01。(5)隱含層單元數(shù)的確定隱含層神經(jīng)元作用機(jī)理到目前還沒有非常明確的認(rèn)識清楚。隱含層神經(jīng)元的個數(shù)的選擇是一個十分復(fù)雜的問題，盡管很多文獻(xiàn)對隱含層單元數(shù)的選擇提出了許多技巧，但還是沒有很好的解析式來確定最佳的隱含層單元數(shù)。隱含層單元數(shù)太少，網(wǎng)絡(luò)可能不能訓(xùn)練出來，這是因?yàn)槭褂秒[含層單元數(shù)少時，局部極小就多；或者網(wǎng)絡(luò)不“魯棒”，不能識別以前未見過的樣本，容錯性差。隱含層單元數(shù)過多，將使學(xué)習(xí)時間過長，誤差也不一定最小。本研究采用重復(fù)試驗(yàn)法[77]與經(jīng)驗(yàn)公式法相結(jié)合來確定隱含層單元數(shù)．重復(fù)試驗(yàn)法是對同一批學(xué)習(xí)樣本訓(xùn)練不同隱含層單元數(shù)的神經(jīng)網(wǎng)絡(luò)，然后用該網(wǎng)絡(luò)來預(yù)報訓(xùn)練樣本，計算得出實(shí)際值與預(yù)測值的最大相對誤差、最小相對誤差，誤差平方和。將預(yù)報結(jié)果最佳的神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)確定為隱含層單元數(shù)．經(jīng)驗(yàn)公式法是根據(jù)以下公式試算：(4.26)(4.27)(4.28)式中：n—輸入神經(jīng)元個數(shù)；m—輸出神經(jīng)元個數(shù)； a—為1-10之間的常數(shù)。結(jié)合法的思路是：首先利用經(jīng)驗(yàn)公式法初步試算，然后利用重復(fù)試驗(yàn)法來確定。這樣可以大大提高模型的正確識別率，減少盲目性。根據(jù)式(4.26)得出隱含層數(shù)目為15，根據(jù)式(4.27)得出隱含層數(shù)目為6～15,根據(jù)式(4.28)得出隱含層數(shù)目為3,選擇3種答案的交集，在隱含層單元數(shù)范圍是6～15的情況下討論確定最佳取值。本研究的模型結(jié)構(gòu)采用“輸入層—隱含層—輸出層”的形式，在7-P-13節(jié)點(diǎn)模型下，對隱含層單元數(shù)完成訓(xùn)練所需步數(shù)的研究結(jié)果如下表4.1所示。表4.1在7-P-13節(jié)點(diǎn)模型下，對隱含層節(jié)點(diǎn)數(shù)的研究結(jié)果隱含層單元數(shù)6789101112131415完成訓(xùn)練所需步數(shù)3327309428873134284117391468591888481從表4.1可見，在設(shè)定訓(xùn)練次數(shù)和訓(xùn)練精度要求下，隱含層個數(shù)從6到12完成訓(xùn)練所需迭代次數(shù)很大，當(dāng)隱含層神經(jīng)元的個數(shù)在[13,15]之間時，訓(xùn)練次數(shù)低于1000。為了確定隱含層單元數(shù)，對模型輸出與實(shí)際輸出進(jìn)行誤差計算，如表4.2所示為神經(jīng)網(wǎng)絡(luò)的13個輸出變量的在隱含層單元數(shù)分別為13，14，15時的誤差分析。表4.2神經(jīng)網(wǎng)絡(luò)13種輸出變量在不同隱含層單元數(shù)下的誤差分析隱含數(shù)層單元分析出輸絡(luò)網(wǎng)誤差隱含數(shù)層單元分析出輸絡(luò)網(wǎng)誤差131415焦?fàn)t煤氣使用量最小相對誤差0.00450.00840.0013最大相對誤差0.17590.18790.2223誤差平方和0.13900.17440.2509高爐煤氣使用量最小相對誤差0.00080.00060.0034最大相對誤差0.29810.39750.3715誤差平方和0.29940.38800.2934電使用量最小相對誤差0.00110.01140.0012最大相對誤差0.19860.24410.1842誤差平方和0.15780.23360.1992低壓蒸汽使用量最小相對誤差0.00060.00100.0050最大相對誤差0.23720.38960.3283誤差平方和0.19420.25350.2830焦?fàn)t煤氣發(fā)生量最小相對誤差0.00170.00590.0067最大相對誤差0.32580.12370.2173誤差平方和0.34270.09790.1763焦炭最小相對誤差0.00710.00650.0009最大相對誤差0.21850.23520.3155誤差平方和0.27560.32740.2960焦油最小相對誤差0.00990.00040.0044最大相對誤差0.18920.20620.2408誤差平方和0.20200.23730.2561續(xù)表4.2神經(jīng)網(wǎng)絡(luò)13種輸出變量在不同隱含層單元數(shù)下的誤差分析隱含數(shù)層單元分析出輸絡(luò)網(wǎng)誤差隱含數(shù)層單元分析出輸絡(luò)網(wǎng)誤差131415粗苯最小相對誤差0.00700.00140.0040最大相對誤差0.22490.22570.2601誤差平方和0.14070.21930.1974K均勻最小相對誤差0.00690.01200.0035最大相對誤差0.32120.18590.3047誤差平方和0.32540.24630.2832K安定最小相對誤差0.00420.00290.0030最大相對誤差0.38500.38360.2430誤差平方和0.20730.27830.1643K最小相對誤差0.00970.00350.0019最大相對誤差0.52450.44720.4346誤差平方和0.60150.34580.4275裝煤系數(shù)最小相對誤差0.00390.00000.0046最大相對誤差0.30060.28250.3689誤差平方和0.27730.28760.2626結(jié)焦時間最小相對誤差0.00400.00070.0023最大相對誤差0.12640.27840.2539誤差平方和0.08640.18970.1571從表4.2中可以看出，在隱含層單元數(shù)為13時，K2的最大相對誤差，超過50%，在隱含層個數(shù)為14和15時，誤差指標(biāo)都在合理范圍內(nèi)，從降低神經(jīng)網(wǎng)絡(luò)復(fù)雜程度考慮，選擇隱含層個數(shù)為14。4.3.4預(yù)測效果分析為檢驗(yàn)預(yù)測模型的泛化性能，選取某鋼鐵公司焦化廠2010年11月份10組數(shù)據(jù)作為測試集，分別對過程狀態(tài)參數(shù)和煉焦單元能源產(chǎn)消進(jìn)行預(yù)測，過程狀態(tài)參數(shù)，煉焦單元產(chǎn)消的預(yù)測值與實(shí)際值的對比數(shù)據(jù)，最小相對誤差，最大相對誤差以及相應(yīng)的誤差平方和如下表4.3-表4.7所示。表4.3神經(jīng)網(wǎng)絡(luò)輸出變量實(shí)際值與輸出值(1)網(wǎng)絡(luò)輸出樣本編號號網(wǎng)絡(luò)輸出樣本編號號焦?fàn)t煤氣(消耗)高爐煤氣(消耗)電(消耗)低壓蒸汽(消耗)焦?fàn)t煤氣(產(chǎn)出)焦炭(產(chǎn)出)焦油(產(chǎn)出)1實(shí)際值0.78650.60840.43150.65470.67130.79980.7999續(xù)表4.3神經(jīng)網(wǎng)絡(luò)輸出變量實(shí)際值與輸出值(1)輸出網(wǎng)絡(luò)編號樣本輸出網(wǎng)絡(luò)編號樣本焦?fàn)t煤氣(消耗)高爐煤氣(消耗)電(消耗)低壓蒸汽(消耗)焦?fàn)t煤氣(產(chǎn)出)焦炭(產(chǎn)出)焦油(產(chǎn)出)預(yù)測值0.78490.49640.43360.50440.60720.67060.87182實(shí)際值0.75680.79990.31390.45880.72360.79990.7385預(yù)測值0.61910.65600.36390.56660.69890.70150.82823實(shí)際值0.79990.76810.51970.79080.74960.56050.5847預(yù)測值0.73540.58560.46550.60680.62340.49860.56124實(shí)際值0.74520.64370.49230.79990.61640.26140.3169預(yù)測值0.73300.83010.40730.76130.69080.33740.35165實(shí)際值0.73550.59990.51560.65870.70190.38940.3792預(yù)測值0.60410.73790.47960.62050.72540.47690.43206實(shí)際值0.60450.63430.26230.74350.19990.19990.1999預(yù)測值0.71220.69470.31090.66030.19370.20610.15307實(shí)際值0.57500.29660.19990.74350.34960.69760.7918預(yù)測值0.73410.23010.21540.68710.40370.61260.88898實(shí)際值0.74070.19990.50830.44060.65510.73680.7984預(yù)測值0.70100.19340.57000.50540.72180.65330.71229實(shí)際值0.68730.49400.25430.49520.79990.79170.7957預(yù)測值0.62370.43460.28340.42970.61960.61730.756110實(shí)際值0.19990.27380.79990.19990.79720.60270.6748預(yù)測值0.14160.28040.70900.24550.64520.71390.7822表4.4神經(jīng)網(wǎng)絡(luò)輸出變量實(shí)際值與輸出值(2)樣本編號網(wǎng)絡(luò)輸出樣本編號網(wǎng)絡(luò)輸出粗苯(產(chǎn)出)K裝煤K均勻K安定K結(jié)焦時間1實(shí)際值0.79750.73600.19990.79990.79990.6590預(yù)測值0.76640.67040.18290.79990.77520.62662實(shí)際值0.66410.77020.49590.79990.79990.7094預(yù)測值0.72550.79390.50100.79990.72230.70633實(shí)際值0.60620.69680.6824