钢铁企业典型工序节能技术

第9章钢铁企业典型工序节能技术能源是人类赖以生存的重要物质基础，是经济发展和社会前进的必需资源。能源的开发和利用也是衡量一个国家经济发展和科学技术水平的标志之一。20世纪70年代以来，能源就与人口、粮食、环境和资源并称为世界上的五大问题。节约资源是我国的基本国策，节能优先成为应对能源问题的长期战略[2]。钢铁工业是国民经济的基础产业，也是我国能源资源消耗和污染排放的重点行业。炼焦单元是钢铁制造流程的基础和关键单元,从钢铁制造流程整体考察，炼焦单元不但为炼铁工序提供所需的原料-焦炭，焦炭在高炉炼铁过程中焦炭起着发热剂、还原剂、渗碳剂和料柱骨架四大作用。炼焦单元也为烧结、炼钢和轧钢工序提供所需的燃料即焦炉煤气（Coke-OvenGas,COG），消耗炼铁工序回收的高炉煤气（BlastFurnaceGas,BFG）。炼焦单元能源消耗占钢铁企业能源总消耗的5%[3]左右，也始终是钢铁企业节能减排的重点。炼焦单元消耗和产出能源种类众多，与钢铁流程中其他工序均存在能流的交叉使用、与自身工序也存在返流状况，能源调配十分复杂。由于炼焦生产过程复杂，操作环境恶劣，检测手段少，比起其它工业炉窑，焦炉的控制较难实施。一些关键过程状态参数主要依靠人工经验给定，难以根据工况变化进行实时调整,如煤料在炭化室内停留的时间-结焦时间，反映焦炉加热均匀程度的K均匀等。针对以上问题，本章基于对某大型钢铁企业的实地调研，首先介绍焦化工序流程概况和能耗概况，然后对焦化工序能耗影响因素进行分析，最后基于历史数据，利用灰色关联度方法、BP人工神经网络和遗传算法等智能方法，对炼焦单元的能耗进行预测和优化，为炼焦单元能源调配和过程控制提供决策支持，为炼焦单元能耗优化工作提供可行方向。9.1焦化工序节能技术9.1.1焦化工序流程和能耗概况焦化工序流程介绍图9.1炼焦单元与钢铁生产流程中各工序间的关系图9.1给出了典型长流程钢铁企业的生产流程，其中焦化工序是洗精煤转换成焦炭、焦炉煤气以及各种化学产品的过程,或认为是碳素流转化为固态焦炭和气态碳—氢化合物、液态碳—氢化合物的过程。焦化工序是一个复杂的工业过程，一般地将焦化工序分为四个单元：备煤单元，炼焦单元，熄焦单元和化产单元，如图9.2所示。炼焦是煤炭转化最古老的方法，炼焦工业的发展与冶金工业的发展和技术进步有密切的关系，在一百多年的发展过程中，炼焦工业为冶金工业提供了焦炭这种特殊的燃料。在炼焦过程中，经回收精制得到的化学产品是化学、医药和国防等工业宝贵的原料。在我国，炼焦厂还是城市煤气的重要气源。下面分别对焦化工序的四个生产单元进行介绍[39-40]。图9.2焦化工序及各个生产单元间的关系备煤单元炼焦煤入炉前包括来煤接收、储存、倒运、粉碎、配合和混匀等工作。若来煤灰分较高，还应包括选煤、脱水工作；为扩大弱黏结性煤的用量，可采取干燥、预热、捣固、配型煤、配添加剂等预处理工作。这些处理过程统称为备煤工艺。备煤工艺对于节约优质炼焦煤，确保高炉用焦质量，在焦化工序中具有重要意义，其中配煤过程是其中的关键。冶金焦的质量要求是：灰分低、硫分少，强度高，各向异性程度大，要满足上述要求，在常规炼焦方法条件下，用单种煤炼焦是很难实现的。而且由于煤种的相对储量、分布和开采能力的制约，不可能进行大规模的单种煤炼焦生产，特别是优质炼焦煤源的逐渐减少，给配煤炼焦提出了更加严峻的课题。配合煤的意义在于使各种煤之间性质上取长补短，符合焦炉的生产要求，生产出满足质量要求的优质焦炭，并增产炼焦化学产品，实现煤炭资源的合理利用。炼焦单元炼焦单元是焦化工序的关键生产单元和主要耗能单元，可分为三个过程：焦炉加热燃烧过程、集气管集气过程和推焦过程，在这里作详细介绍。（1）焦炉加热燃烧过程焦炉是热工炉窑中较为复杂的热工设备，焦炉主体由许多相互间隔的炭化室和燃烧室组成，炭化室和燃烧室仅一墙之隔。为使炭化室均匀加热，加热系统定时改变废气流向，同时，为充分利用废气余热，通过蓄热室来预热进入燃烧室的空气（煤气），因此焦炉每隔30分钟交换作为煤气和空气上升通道的蓄热室及作为废气下降通道的蓄热室，即进行换向。加热煤气和空气在燃烧室的火道内混合燃烧产生热量，将废气在高温下以辐射传热为主，并伴随有对流传热方式，将热量通过炉墙传导给煤料。煤料在整个结焦时间内，因煤料性质的变化及导热系数的不同，炉墙传给煤料的热量在结焦初期较大，以后就小些，即在整个结焦时间内的热流是变化的，其比热流在结焦的第一个小时内达到最高值，然后逐渐降低。煤料一次经过上述结焦过程的各阶段，逐渐炭化为焦炭。（2）集气管集气过程炭化室在高温下干馏，产生一定量的荒煤气，通过位于焦炉顶部的集气管对荒煤气进行收集。由于焦炉由多个炭化室组成，每个炭化室所处的结焦阶段不同，因此所有炭化室的荒煤气集于集气管之后，其组成成分基本是稳定的。收集到的荒煤气通过冷凝器以及鼓风机送至净化装置，净化后的焦炉煤气一部分外送到动力分厂的焦炉煤气柜供全厂使用，另一部分回炉，作为焦炉加热燃烧的燃料。推焦过程推焦过程主要完成从配合煤到焦炭过程中的机械操作。在确定一个炭化室的焦炭已经成熟后，通过三大车（推焦车、拦焦车和熄焦车）的协调将焦炭取出进行熄焦，并运至储存地或冶炼现场。推焦车负责完成顶装焦炉平煤和推焦操作，在煤料泻入炭化室后，由平煤杆将煤料推平，在焦炭成熟后，由推焦杆将焦炭推到熄焦车上，同时还可以完成启闭机侧炉门、机械化清扫门和炉框等功能。拦焦车的作用是将从炭化室推出的炽热焦炭导入熄焦车内，同时还可以完成启闭焦侧炉门、机械化清扫门和炉框等功能。熄焦车的作用是接受推出的炽热焦炭，运往干熄焦装置用惰性气体将余热回收用于发电或补充管网蒸汽，然后卸在凉焦台上冷却。熄焦单元熄焦从总体上讲就是焦化企业把刚刚出炉的焦碳冷却到常温的过程。炼焦终了时，焦炭的温度一般为950～1100℃，经过熄焦，焦炭冷却到250℃以下。熄焦方式一般分为湿法熄焦、压力熄焦、低水分熄焦和干法熄焦这四种。目前常用主要有干熄焦和湿熄焦两类方法。干法熄焦能回收焦炭显热、改善焦炭质量、对环境污染少，但投资较湿法为高。常规湿法熄焦工艺简单，投资少，但不能回收焦炭显热，对环境污染较大。在干法熄焦中，焦炭的显热借助于惰性气体回收并可用以生产水蒸汽，由惰性气体获得的焦炭显热也可通过换热器用于预热煤、空气、煤气和水等。在回收焦炭显热的同时，可减少大量熄焦水，消除含有焦粉的水汽和有害气体对附近构筑物和设备的腐蚀，从而改善环境。干法熄焦还避免了湿法熄焦时水对红焦的剧冷作用，故有利于焦炭质量的提高，也可适当提高配合煤中气煤或弱黏煤的配比。化产单元煤在炼焦时一般72%～78%转化为焦炭，22%～28%转化为荒煤气。荒煤气呈褐色或棕黄色，经回收后得到焦油、粗苯、硫铵（氨水）、硫氰化物等产品，这些产品都是重要的化工原料。通过洗油吸收回收焦炉煤气中的粗苯，粗苯通过精制加工后，可得到轻苯、重苯、精苯、甲苯、二甲苯等产品。煤焦油直接从焦炉煤气中冷凝下来，其中含有上万种有机化合物，95%为芳香族化合物。现在，全世界每年从焦油中提取500万吨化工产品，广泛应用于塑料、合成纤维、染料、合成橡胶、医药、农药，以及耐辐射、耐高温材料和国防工业等领域。焦炉煤气中所含的氨可用于支取硫铵、无水氨或脓氨水：其中所含的氢可用于制造合成氨，进一步制取尿素、硝氨和碳氨等产品。回收的硫化氢用于生产单斜硫和硫：氰化氢用于制取黄血盐纳或黄血盐等化工原料。同时，硫化氢和氰化氢的回收对减轻大气和水质污染，加强环境保护以及减轻设备腐蚀具有重要意义。经过回收化学产品后的焦炉气主要含有H2、CH4和CO等气体。净焦炉煤气是高热值的燃气可用作工业及民用燃料。炼焦单元能耗影响因素介绍炼焦单元是一个复杂的工业过程，对能耗影响因素众多，本章基于对某大型钢铁企业的调研，定性地分析原材料参数和生产过程状态参数对炼焦单元能耗的影响，为建立能耗预测模型找出可行的建模因素。原材料参数分析：炼焦的原材料是配合煤，配合煤的质量技术指标众多，下面对炼焦单元能耗影响参数进行定性分析[39-40]。1）灰分灰分是惰性物质，是煤中的主要杂质。配煤的灰分，在炼焦时不熔融、不粘结也不收缩，能使煤的粘结性变差,焦炭的裂纹增多，机械强度和耐磨强度都会降低；另外配煤灰分将会全部转入焦炭，降低焦炭的等级,而且在高炉炼铁时会增高焦比，降低铁产量，增加排渣量。一般配合煤的成焦率为70%～80%，焦炭灰分为配合煤灰分的1.3～1.4倍。因此，炼焦用的原煤在配煤之前都应该进行洗选，洗选后的精煤可降低灰分，提高炼焦煤的粘结性。灰分可影响焦炭质量，含量高，会使高炉渣量增加，导致了焦比上升，产量下降。灰分还可影响成焦率，从而对炼焦能耗产生影响。2）水分在常规炼焦条件下，装炉煤的堆比重主要受煤料水分、细度以及加煤过程的影响，增加堆比重的有效途径是减少煤料的水分，但是若采用一般的装炉方法，在加煤时冒烟冒火严重，必须采用专门的装炉工艺。煤料的水分除影响堆比重外，还影响焦炉的结焦时间（或加热制度）、炼焦的耗热量和剩余氨水量，由于新装炉内的煤料与墙面直接接触，煤料中水分的蒸发使墙面温度急剧下降，对焦炉炉墙砌体很不利。因此，在炼焦生产中，控制煤料的水分是非常必要的。水分变化，相当于湿煤中的干煤被水分所取代，即水分变化带来湿煤耗热量变化，从而对炼焦能耗产生影响。煤中水分分为内在水分、外在水分、结晶水和分解水。现在我们常用的水份指标有两种：a、全水份（Mt），是煤中所有内在水份和外在水份的总和，也常用Mar表示。通常规定在8%以下。b、空气干燥基水份(Mad)，指煤炭在空气干燥状态下所含的水份。3）挥发分煤的挥发分对焦炭的质量影响很大，配合煤的挥发分偏低虽然有利于提高焦炭的机械强度和块度，但焦炭的耐磨性差；反之，挥发分偏高，在炼焦过程中就有较多的裂解产物逸出，产生一个非常大的应力作用于焦炭，使之从内向外发生崩裂，形成许多细小的裂纹结构，导致焦炭的强度降低。挥发分影响成焦率和产气率，从而对炼焦单元能耗产生影响。4）硫分硫是煤中有害元素，炼焦时煤中的硫分约70%～80%转入焦炭，炼铁时又转入生铁中。按成焦率75%左右计算，焦炭硫分约为配合煤硫分的80%～90%。用高硫生铁炼出的钢具有热脆性，钢材中的含硫量大于0.07%，受热后容易发生脆裂现象。煤中的硫，特别是硫铁矿硫还能加速煤的风化与自燃，煤经氧化后粘结性急剧下降。通常炼焦煤的硫分每增高0.1个百分点，就会使焦炭硫分增高0.08，焦比上升1.2%左右，高炉生产能力降低1.6%～2.0%，所以炼焦用配煤中的硫分最高不应超过1.2%，且硫分越低越好。为降低焦炭硫分，炼焦过程中往往通过提高炼焦终止温度，而这将增加煤气消耗，使炼焦单元能耗升高。5）煤料细度细度是指煤料粉碎后小于3mm的煤料重量占总重量的百分比。常规炼焦细度一般要求在80%左右，捣固炼焦细度一般要求大于85%。细度过低，配合煤混合不均匀，焦炭内部结构不均一，强度降低。细度过高，不仅粉碎设备动力消耗增大，设备的处理能力降低，更重要是细度过高时，装炉煤的堆比重下降，使焦炭质量和产量受影响，影响炼焦单元能耗。过程状态参数分析炼焦单元包括焦炉加热燃烧过程、集气管集气过程和推焦过程三个过程，下面将这些过程状态参数对炼焦单元能耗的影响进行定性分析[39-41]。1）装煤系数装煤系数是反映装煤均匀程度的指标，其计算公式为：(9.1)装煤系数可影响焦炭产量，从而影响到炼焦单元能耗。2）K均匀为保证全炉各燃烧室温度均匀，各测温火道温度与同侧直行温度的平均值相差不应超过±20℃，边炉相差不超过±30℃，超过此值的测温火道为温度不合格火道，并以均匀系数K均匀作为考核。K均匀3）K安定焦炉各燃烧室测温火道的温度值称直行温度。一般于换向后5min(或10min)在下降气流时测量，因为这时炉温的下降速度已趋平稳。为防止焦炉砌砖被烧熔，硅砖焦炉测温火道换向后的最高温度不得超过1450℃。硅砖荷重软化温度虽可达1620℃左右，由于火道内测温点与最高温度点（火焰燃烧点）相差100～150℃，火道温度在整个结焦期间尚有波动（波动值25～30℃），故火道的极限度对硅砖焦炉规定应不大于1450℃。直行温度不但要求均匀，还要求直行温度的平均值保持稳定，并用安定系数K安定考核。K安定也影响燃气燃烧量，从而影响到炼焦单元能耗。4）K2焦炉的出焦和装煤应严格按计划进行，保证各炭化室的焦饼按规定时间均匀成熟，做到安全、定时、准点。并定时进行机械和设备的预防性检修。为评定推焦操作的均衡性，要求各炭化室的结焦时间与规定相差不超过±5min，并以推焦执行系数K2评定。作为炼焦生产稳定性的度量，K2对焦炭质量和炼焦能耗均有影响。5）结焦时间结焦时间是指煤料在炭化室内停留的时间，通常是指从开始平煤（装煤时刻）在22h～24h时炼焦耗热量最低。以此为基准，缩短和延长结焦时间均使炼焦耗热量增高。结焦时间从22h～24h缩短至14～15h，每缩短1h，耗热量约增加40～55KJ/kg。结焦时间影响了焦炭质量、COG回收量及消耗量，因此对炼焦单元能耗有很大影响。综上所述，原料煤的灰分、水分、挥发分、硫分和煤料细度都将直接影响炼焦单元的能耗，装煤系数、K均匀、K安定、K2、结焦时间也对炼焦单元能耗有影响。为增加能耗预测模型的精度和泛化能力，我们下章对其关联程度进行计算，定量的选择影响较大的因素作为预测模型的输入和输出。COG和BFG的配比分析：钢铁联合企业生产中产生的主要副产品气体燃料包括BFG、COG和转炉煤气(Linz-DonavitzprocessGas,LDG)，其中以BFG、COG应用最为广泛，它们在钢铁企业的燃料平衡中占有很重要的地位，BFG、COG所提供的热量通常占钢铁企业总热量收入的80%以上[42]。焦炉加热用煤气主要是COG和BFG，有的厂还采用转炉煤气。这些煤气的大致组成如表9.1所示[41]。表9.1各种煤气的组成和发热值煤煤气组成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低发热值KJ/m316720~188103230~41805600~9218炼焦单元使用煤气主要是加热焦炉，对炭化室内洗精煤进行间接加热并发生干馏，加热煤气的热量使得炭化室内的洗精煤转化为焦炭、COG、焦油以及相应的显热和热损失。据对某大型钢铁企业计算，煤气燃烧热占焦炉热量总收入的70%以上。加热煤气的种类可以是单一的COG、BFG或COG、BFG混合煤气，由于发热值不同，提供相同的热量所需的煤气量、空气量及所产生的废气量亦不同，因此，用不同的煤气加热焦炉，其炼焦耗热量有所差异[44]。钢铁联合企业为了更合理利用煤气及平衡煤气，焦炉应尽量采用BFG加热，这样置换出高发热值COG供轧钢加热炉等用户使用。为了稳定煤气发热值，往往在高炉煤气中掺入一定量的COG，称为混合煤气加热。因此，COG和BFG配比对炼焦单元能耗是有影响的，在整个企业煤气平衡时，选择合适的COG和BFG配比，使得炼焦单元能耗较低，对于炼焦单元节能是一个新的思路和方向。9.1.2炼焦单元能耗影响因素分析灰色关联度方法影响综合生产目标的影响因素众多，对综合生产目标的主要影响因素的确定，只依据机理分析以及人工经验可靠性不高，并且缺乏理论依据。需要从理论上定量计算各因素对综合生产目标的影响程度，这称之为关联性分析。在关联性分析中，常用的定量计算方法是数理统计法，如回归分析、方差分析、主成分分析等[45]，它们要求大样本和典型的概率分布。另一种方法即为灰色系统理论提出的灰色关联分析方法[46-47]，它可在不完全的信息中，对所要分析研究的各因素，通过一定的数据处理，在随机的因素序列间找出它们的关联性，找到主要特性和主要影响因素。灰色关联分析是基于行为因子序列的微观或宏观几何接近，以分析和确定因子间的影响程度或因子对主行为的贡献度而进行的一种分析方法[48-49]。在炼焦单元中，由于数据之间的概率分布难以确定，并且信息存在不完全的情况，难以采用数理统计的方法进行关联度定量计算，所以在分析过程中采用灰色关联分析方法对影响炼焦单元能耗的因素进行关联性分析。灰色关联分析计算步骤如下：Step1：原始数据处理初值化处理设有原始（以炼焦过程状态参数关联分析为例，n=5）对x0作初值化处理得y0，则（9.2）(2)均值化处理设有原始（以炼焦过程状态参数关联分析为例，n=5），令其均值为，(9.3)则对x0作均值化处理，得y0为：（9.4）(3)归一化处理在非时间序列中，同一序列有许多不同的物理量，且数值大小相差过分悬殊，为避免造成非等权情况，对这些数列作归一化处理。Step2：计算灰色关联系数。若经数据处理后的母数列为(X0(t))，子数列为(xi(t))，在时刻t=k时，(x0(k)与(xi(k))的灰色关联系数为（9.5）式中为k时刻两个序列的绝对值，即，，分别为各个时刻的绝对值的最大值与最小值，为分辨系数，其作用在于提高灰色关联系数之间的差异显著性，，一般取0.5。Step3：求灰色关联度与灰色关联矩阵。其计算公式为：（9.6）式中为子序列与母序列0的灰色关联度。N为序列的长度即数据个数，(以炼焦单元过程状态参数关联分析为例，n=5)。若有n个母序列，m个子序列(以炼焦单元过程状态参数关联分析为例n=5)，各子序列j对母序列i的关联度为，则可得灰色关联矩阵为：(9.7)Step4：关联度排序以及优势分析对进行从大到小排序，根据排序结果判断子因素与母因素的关联性强弱，排序越靠前，则说明此子因素与母因素的关联性越强，反之越弱。原材料参数选择由节可知影响洗精煤质量指标的主要因素分别为灰分Ad、空气干燥基水分Mad、全水分Mt、挥发分Vdaf、硫分Sd,t和煤料细度。为保证模型的准确性和预测的可行性，须选取对炼焦单元能耗影响最大的几个参数。分别以炼焦单元总能耗x(0)作为参考序列，以灰分x(0)(1)，以空气干燥基水分x(0)(2)，以全水分x(0)(3)，以挥发分K2x(0)(4)，以硫分x(0)(5)，以煤料细度x(0)(6)作为比较序列。以某大型钢铁企业2010年10月和11月每天的炼焦单元总能耗作为参考序列，以过程状态参数作为比较序列，样本统计指标如表9.2所示，表9.2炼焦过程状态参数影响因素样本统计表统计指标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标准偏差13.66280.12840.22650.64570.57570.02891.2391按照灰色关联分析计算步骤：首先按式(9.4)进行均值化处理，然后按照式(9.5)求取灰色关联系数，最后按照式(9.6)求取到的灰色关联度如下所示。表9.3炼焦过程状态参数灰色关联度表各种参数X(0)(1)X(0)(2)X(0)(3)X(0)(4)X(0)(5)X(0)(6)灰色关联度0.76720.64110.73990.75670.74700.7632对灰色关联度进行排序为：X(0)(1)>X(0)(6)>X(0)(4)>X(0)(5)>X(0)(3)>X(0)(2)则可以确定灰分系数在原材料参数中对炼焦单元能耗影响最大，煤料细度和挥发分次之。其次是硫分、全水分和空气干燥基水分。由于X(0)(1)、X(0)(2)、X(0)(3)、X(0)(4)、X(0)(5)、X(0)(6)与炼焦单元总能耗X(0)的灰色关联度都大于0.5，因此将灰分，空气干燥基水分，全水分，挥发分，硫分，煤料细度均作为模型的输入变量。过程状态参数选择由节分析可知，影响炼焦单元能耗的过程状态参数包括：指示反映装煤程度的指标K装煤，焦炉侧温火道平均温度的均匀系数K均匀，反映焦炉测温火道平均温度的稳定性指标K安定，反映焦炉推焦操作正常与否的指标K2以及焦炉的结焦时间等。为保证模型的准确性和预测的可行性，须选取对炼焦单元能耗影响最大的几个参数。分别以炼焦单元总能耗x(0)作为参考序列，以K装煤x(0)(1)，K均匀x(0)(2)，K安定x(0)(3)，K2x(0)(4)，结焦时间x(0)(5)作为比较序列。以某大型钢铁企业2010年10月和11月每天的炼焦单元总能耗及过程状态参数作为比较序列，样本统计指标如表9.4所示，表9.4炼焦过程状态参数影响因素样本统计表统计指标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标准偏差13.66280.00960.02210.0340.02220.0031按照灰色关联分析计算步骤：首先按式(9.4)进行均值化处理，然后按照式(9.5)求取灰色关联系数，最后按照式(9.6)求取到的灰色关联度如下所示。表9.5炼焦过程状态参数灰色关联度表各种参数X(0)(1)X(0)(2)X(0)(3)X(0)(4)X(0)(5)灰色关联度0.63480.63940.64500.63840.6362对灰色关联度进行排序为：X(0)(3)>X(0)(2)>X(0)(4)>X(0)(5)>X(0)(1)。则可以确定K安定系数是过程状态参数中对炼焦单元能耗影响最大，K均匀和K2次之。其次是K装煤和结焦时间。由于X(0)(1)、X(0)(2)、X(0)(3)、X(0)(4)、X(0)(5)与炼焦单元总能耗X(0)的灰色关联度都大于0.5，因此将K装煤，K均匀，K安定，K2，结焦时间均作为模型的输出变量。9.1.3炼焦单元能耗预测模型针对复杂工业过程中众多重要过程参数难以实时检测的问题，目前主要采用基于数据驱动的智能建模方法实现对这些参数的有效预测。这些基于数据驱动的智能建模方法主要有基于统计分析的预测建模方法、基于统计学习理论的预测建模方法、基于即时学习策略的预测建模方法和基于人工神经网络的预测建模方法。该方法以大数定理和渐进理论为理论基础，在经验风险最小化原则下，算法的结论大都是在训练样本趋于无穷的假设下的得到的。工业应用是，模型训练过程需要有能够覆盖整个生产过程的大量数据，如果当前输入数据不在训练数据所覆盖的工况区域，则会出现较大的预测误差，同时该方法在线适应能力较差，当生产工况出现偏移时，需要根据新采集的数据采用人工离线训练的方式对模型参数进行校正。由节可知，炼焦单元的原材料参数、生产过程状态参数与炼焦单元能耗之间存在关联关系，但其维数高、内部机理复杂，存在着很强的非线性。人工神经网络具有很强的自适应学习能力，较强的容错能力和鲁棒性，而且可以逼近任意非线性函数[67]，在钢铁企业生产过程的信息分析中获得了广泛的应用[68-69]，尤其以BP神经网络应用最为广泛。本章即以BP神经网络为研究方法，建立炼焦单元能耗预测模型。BP人工神经网络模型的建模流程针对BP人工神经网络在应用中存在的问题，在炼焦单元能耗预测模型中，我们提出BP人工神经网络的建模流程，如图9.3所示。通过灰色关联度方法计算能耗影响因素的关联度值，依据其关联度大小选择作为建模因素，得到样本数据。对样本数据进行孤立点检测和归一化处理，本文利用基于距离和的孤立点检测方法进行去噪，然后将数据归结到0.2～0.8之间，具体原因将在数据预处理中“归一化”部分给出。并将所得数据分为学习数据和检验数据。设定神经网络结构，利用BP算法和学习数据建立人工神经网络模型。利用检验数据和所建模型进行最小误差、最大误差和误差平方和计算。比较各个误差，若满足模型精度则输出模型；否则修改神经网络隐含层节点个数后，利用BP算法训练模型后，继续计算误差并修正隐含层节点个数，直至满足模型精度。图9.3BP人工神经网络的建模流程数据预处理选取某钢铁公司2011年10月份的数据作为样本进行建模。首先进行数据预处理。数据预处理是进行神经网络建模前的准备工作，将很多不符合要求的数据剔除，以及进行必要的数据变化，有利于建模的精确性。只有当建模精度符合要求的时候，对于企业的决策评估才能起到真正的辅助决策的作用。（1）去噪处理“去噪”有很多的方法，包括离群点检测方法、死区处理法、算术平均值法、中值滤波法、低通滤波法、滑动滤波法等，本文采用基于距离的孤立点检测方法。孤立点检测用来发现数据集中小部分对象[71]，这些对象与数据中的一般行为或数据模型有着明显的不同。早期的孤立点检测研究多见于统计领域。基于统计的方法一般只适用于单变量的数据，虽然某些算法也可以检测多变量数据，但需要事先指定（假定）数据服从的分布模型，这两个缺点极大地限制了它的应用。近来，研究人员又提出了各种各样的方法，大致可以分为基于距离的方法、基于深度的方法、基于密度的方法和基于聚类的方法[72]。基于距离的孤立点的概念最早由E.M.Knorr和R.T.Ng[71]提出，S.Ramaswamyetal[73]和S.D.Bayetal[74]分别进行了改进。在这种方法里，一般根据数据对象的最近邻居来判断其是否为孤立点。基于距离的孤立点的优点在于不需知道数据的分布模型，因而可以应用于任何可以用某种距离机制量度的特征空间。孤立点的定义是数据集中到第k个最近邻居的距离最大的n个对象[72]；基于距离的孤立点与基于统计的方法相比有几个优点，首先，它不要求用户知道数据集服从哪种统计分布模型，同时，它克服了基于统计的孤立点检测仅能检测单个属性的缺点。这里的距离量度函数一般使用绝对距离或者欧氏距离。假定数据对象为区间标度变量类型，则绝对距离（又称曼哈顿距离）的定义如下：(9.8)而欧式距离为：(9.9)其中m为数据对象的维(属性)数,表示第个对象第属性的值。这两个距离可统一为：(9.10)这就是明考斯基距离。对其它变量类型的对象距离，也有相应的计算方法[75]。为减低孤立点检测对用户的要求，文献[24]提出基于距离和的孤立点定义，与前文介绍基于距离的孤立点检测方法相同，使用绝对距离或者欧氏距离，首先计算数据集中对象两两之间的距离，然后累计每个对象与其它对象的距离，设M为用户期望的孤立点个数，则距离之和最大的M个对象即为孤立点。基于距离和的孤立点检测可以描述如下：对原始数据集进行标准化后，计算n个对象两两之间的距离形成距离矩阵R:(9.11)令即为矩阵R中第i行的和，值越大，说明对象i与其他的对象距离越远，值最大的M个对象即为孤立点。通过上文孤立点的定义知道孤立点是通过与数据对象距离最大的k个对象来识别。此孤立点定义可以看作该定义的一种变形，因为它实际上是通过对象与数据集中所有其它对象的距离之和来判别异常，那么此时所挑选出的M个对象即为上文定义中的n值。在本文研究中，我们从31组数据中选取6组数据剔除，即k值取31，n取值为6，从图9.4中红色椭圆可以看出，经过处理得出31组数据集中距离和为7，20,14,19,30,12这6组数据。图9.431组样本距离和（2）归一化处理传统上归一化是将样本数据变换到[0,1]或[-1,1]，但是由于BP神经网络的隐含层神经元往往采用Sigmoid转移函数，-1和1是其极值，容易导致训练速度缓慢，甚至不收敛。文[74]提出利用式(9.12)进行数据归一化。(9.12)归一化后的数据范围是[0.2,0.8]，这样就避免了归一化到[0,1]的缺陷。因此本文也采用该方法归一化学习数据。基于BP人工神经网络建立炼焦单元能耗模型选取BP神经网络模型的结构确定主要涉及到层数的确定、输入输出单元数的确定、隐含层数目的确定、激励函数的确定、训练方式的选择、训练终止条件等。(1)层数的确定Kolmogrov等人已经证明，基于BP算法的三层反向传播前馈网络模型可以表征任意的非线性关系[76]。基于此，采用三层前馈网络作为基本神经网络。它由输入层、隐含层和输出层组成，各层之间实行全连接，层内神经元之间无连接。(2)输入输出节点数的确定炼焦单元能耗预测模型输入层的神经元节点对应于输入变量(参数)即焦化工序能耗以及配合煤质量指标；输出层的神经元节点对应于输出变量(参数)即炼焦单元输入能源、输出能源以及过程状态参数。(3)激励函数激励函数是模型执行对该神经元所获得的网络输入的变换，也称激活函数或激发函数。BP算法学习过程中出现的“平台现象”是指网络在学习的过程中误差在一定的时间范围内，并不随学习次数的增加而减少，而过了这段时间后，误差明显下降的现象。导致“平台现象”的最直接的原因是由于神经元的总输入进入饱和区，而使神经元的饱和非线性作用函数的导数逼近于零，从而使权值、阈值的更新无效。激活函数的种类很多，本研究采用Sigmoid函数，其表达式为：(9.13)其导数为：(9.14)实践表明，该函数可以有效的消除“平台现象”加快收敛速度，具有良好的模型泛化能力。(4)训练终止条件学习过程中，使训练终止的收敛的方式有两种；一是限定训练次数，当训练的次数达到限定次数时，即终止；二是分别设置各输出量的收敛网络误差限定值，当样本的各输出量的绝对误差的平均值都小于设置值时，即终止。模型训练终止条件由用户的具体要求来决定。本研究系统默认训练次数为5000次，网络误差为0.01。(5)隐含层单元数的确定隐含层神经元作用机理到目前还没有非常明确的认识清楚。隐含层神经元的个数的选择是一个十分复杂的问题，尽管很多文献对隐含层单元数的选择提出了许多技巧，但还是没有很好的解析式来确定最佳的隐含层单元数。隐含层单元数太少，网络可能不能训练出来，这是因为使用隐含层单元数少时，局部极小就多；或者网络不“鲁棒”，不能识别以前未见过的样本，容错性差。隐含层单元数过多，将使学习时间过长，误差也不一定最小。本研究采用重复试验法[77]与经验公式法相结合来确定隐含层单元数．重复试验法是对同一批学习样本训练不同隐含层单元数的神经网络，然后用该网络来预报训练样本，计算得出实际值与预测值的最大相对误差、最小相对误差，误差平方和。将预报结果最佳的神经网络隐含层单元数确定为隐含层单元数．经验公式法是根据以下公式试算：(9.15)(9.16)(9.17)式中：n—输入神经元个数；m—输出神经元个数； a—为1-10之间的常数。结合法的思路是：首先利用经验公式法初步试算，然后利用重复试验法来确定。这样可以大大提高模型的正确识别率，减少盲目性。根据式(9.15)得出隐含层数目为15，根据式(9.16)得出隐含层数目为6～15,根据式(9.17)得出隐含层数目为3,选择3种答案的交集，在隐含层单元数范围是6～15的情况下讨论确定最佳取值。本研究的模型结构采用“输入层—隐含层—输出层”的形式，在7-P-13节点模型下，对隐含层单元数完成训练所需步数的研究结果如下表9.6所示。表9.6在7-P-13节点模型下，对隐含层节点数的研究结果隐含层单元数6789101112131415完成训练所需步数3327309428873134284117391468591888481从表9.6可见，在设定训练次数和训练精度要求下，隐含层个数从6到12完成训练所需迭代次数很大，当隐含层神经元的个数在[13,15]之间时，训练次数低于1000。为了确定隐含层单元数，对模型输出与实际输出进行误差计算，如表9.7所示为神经网络的13个输出变量的在隐含层单元数分别为13，14，15时的误差分析。表9.7神经网络13种输出变量在不同隐含层单元数下的误差分析隐含数层单元分析出输络网误差隐含数层单元分析出输络网误差131415焦炉煤气使用量最小相对误差0.00450.00840.0013最大相对误差0.17590.18790.2223误差平方和0.13900.17440.2509高炉煤气使用量最小相对误差0.00080.00060.0034最大相对误差0.29810.39750.3715误差平方和0.29940.38800.2934电使用量最小相对误差0.00110.01140.0012最大相对误差0.19860.24410.1842误差平方和0.15780.23360.1992低压蒸汽使用量最小相对误差0.00060.00100.0050最大相对误差0.23720.38960.3283误差平方和0.19420.25350.2830焦炉煤气发生量最小相对误差0.00170.00590.0067最大相对误差0.32580.12370.2173误差平方和0.34270.09790.1763焦炭最小相对误差0.00710.00650.0009最大相对误差0.21850.23520.3155误差平方和0.27560.32740.2960焦油最小相对误差0.00990.00040.0044最大相对误差0.18920.20620.2408误差平方和0.20200.23730.2561粗苯最小相对误差0.00700.00140.0040最大相对误差0.22490.22570.2601误差平方和0.14070.21930.1974K均匀最小相对误差0.00690.01200.0035最大相对误差0.32120.18590.3047误差平方和0.32540.24630.2832K安定最小相对误差0.00420.00290.0030最大相对误差0.38500.38360.2430误差平方和0.20730.27830.1643K2最小相对误差0.00970.00350.0019最大相对误差0.52450.44720.4346误差平方和0.60150.34580.4275装煤系数最小相对误差0.00390.00000.0046最大相对误差0.30060.28250.3689误差平方和0.27730.28760.2626结焦时间最小相对误差0.00400.00070.0023最大相对误差0.12640.27840.2539误差平方和0.08640.18970.1571从表9.7中可以看出，在隐含层单元数为13时，K2的最大相对误差，超过50%，在隐含层个数为14和15时，误差指标都在合理范围内，从降低神经网络复杂程度考虑，选择隐含层个数为14。预测效果分析为检验预测模型的泛化性能，选取某钢铁公司焦化厂2010年11月份10组数据作为测试集，分别对过程状态参数和炼焦单元能源产消进行预测，过程状态参数，炼焦单元产消的预测值与实际值的对比数据，最小相对误差，最大相对误差以及相应的误差平方和如下表9.8-表9.12所示。表9.8神经网络输出变量实际值与输出值(1)网络输出样本编号号网络输出样本编号号焦炉煤气(消耗)高炉煤气(消耗)电(消耗)低压蒸汽(消耗)焦炉煤气(产出)焦炭(产出)焦油(产出)1实际值0.78650.60840.43150.65470.67130.79980.7999预测值0.78490.49640.43360.50440.60720.67060.87182实际值0.75680.79990.31390.45880.72360.79990.7385预测值0.61910.65600.36390.56660.69890.70150.82823实际值0.79990.76810.51970.79080.74960.56050.5847预测值0.73540.58560.46550.60680.62340.49860.56124实际值0.74520.64370.49230.79990.61640.26140.3169预测值0.73300.83010.40730.76130.69080.33740.35165实际值0.73550.59990.51560.65870.70190.38940.3792预测值0.60410.73790.47960.62050.72540.47690.43206实际值0.60450.63430.26230.74350.19990.19990.1999预测值0.71220.69470.31090.66030.19370.20610.15307实际值0.57500.29660.19990.74350.34960.69760.7918预测值0.73410.23010.21540.68710.40370.61260.88898实际值0.74070.19990.50830.44060.65510.73680.7984预测值0.70100.19340.57000.50540.72180.65330.71229实际值0.68730.49400.25430.49520.79990.79170.7957预测值0.62370.43460.28340.42970.61960.61730.756110实际值0.19990.27380.79990.19990.79720.60270.6748预测值0.14160.28040.70900.24550.64520.71390.7822表9.9神经网络输出变量实际值与输出值(2)样本编号网络输出样本编号网络输出粗苯(产出)K装煤K均匀K安定K结焦时间1实际值0.79750.73600.19990.79990.79990.6590预测值0.76640.67040.18290.79990.77520.62662实际值0.66410.77020.49590.79990.79990.7094预测值0.72550.79390.50100.79990.72230.70633实际值0.60620.69680.68240.79990.76210.7999预测值0.56760.68340.65540.79990.84140.76664实际值0.41440.69680.62950.79990.76210.7245预测值0.48100.59100.64740.79990.68610.70735实际值0.44140.19990.68240.79990.76210.6935预测值0.47460.15970.51830.79990.65100.77496实际值0.19990.39360.72770.79990.76210.6767预测值0.15960.30010.79540.7999061140.70817实际值0.79400.47210.68240.79990.76210.7652预测值0.61510.36430.63530.79990.62860.69428实际值0.79990.47210.62950.79990.79990.6935预测值0.67660.49470.50560.79990.88480.78799实际值0.79750.59990.48590.79990.19990.7245预测值0.71530.52680.54290.79990.18540.700110实际值0.69040.79990.79990.79990.19990.1999预测值0.77990.72980.66750.79990.19890.1604表9.10炼焦单元能源消耗实际值与预测值误差分析炼焦单元消耗能源焦炉煤气高炉煤气电低压蒸汽最小相对误差0.00020.02410.00490.0483最大相对误差0.29160.23760.18530.2350误差平方和0.27660.33490.15200.2772表9.11炼焦单元能源产出实际值与预测值误差分析炼焦单元产出能源焦炉煤气焦炭焦油粗苯最小相对误差0.03100.03100.04020.0352最大相对误差0.22540.29070.23460.2253误差平方和0.17680.29960.16540.1879表9.12炼焦单元过程状态参数实际值与预测值误差分析炼焦单元过程状态参数K装煤K均匀K安定K结焦时间最小相对误差0.01920.010300.03090.0044最大相对误差0.23760.240500.19770.1976误差平方和0.20610.160800.14970.0880为了更加清楚直观地观察实际值与预测值的差距，将预测值进行反归一化，反归一化公式为：(9.18)式（9.18）中x为反归一化之后的数值；xmax为实际值的最大值；xmin为实际值的最小值；为归一化之后的数值；将预测得到的数据进行反归一化之后得出炼焦单元能源产消和过程状态参数10组实际值与预测值对比散点图如图9.5所示。a—焦炉煤气使用量b—高炉煤气使用量c—电使用量d—低压蒸汽使用量e—焦炉煤气发生量f—焦炭产量g—焦油产量h—粗苯产量i—K安定系数j—K2系数k—装煤系数l—结焦时间m—K均匀系数图9.5炼焦单元能耗预测模型实际值与输出值对比图通过上述误差分析，证明该模型具有较好的泛化能力，可作为炼焦单元能耗预测模型。从预测值经过反归一化之后与实际值的数值对比图可以看出，预测值与实际值相差值相差很小，变化趋势一致，因此建立的炼焦单元能耗预测模型的泛化能力强，可为能源调配和过程控制提供决策支持。9.1.4炼焦单元能耗优化COG和BFG配比与炼焦单元能耗的关系模型数据预处理同第9.1.3节，仍然选取某钢铁公司2011年10月份的数据作为样本进行建模。首先利用基于距离和的孤立点检测方法剔除异常数据，然后进行归一化。在该问题中，我们还是设定从31组数据中剔除6组数据，即k值取31，n取值为6，各组数据的平均距离和如图9.6所示。从表中红色圆圈可以看出，经过处理得出距离其余31组数据最大距离的为第30,10,6,12,3,8这6组数据。图9.631组样本距离和剔除6个孤立点，同样利用式（9.12），将本问题使用的数据归一化到[0.2,0.8]，得到建模数据。基于BP神经网络的COG和BFG配比与炼焦单元能耗关联模型按照9.1.3节提出的BP神经网络建模流程，神经网络模型的结构确定主要涉及到模型层数的确定、输入输出单元数的确定、隐含层数目的确定、激励函数的确定、训练终止条件等。(1)层数的确定由于基于BP算法的三层反向传播前馈网络模型可以表征任意的非线性关系，基于神经网络的COG和BFG配比与炼焦单元能耗关联模型可以采用三层网络结构。(2)输入输出节点数的确定实际建模时，输入层的神经元节点对应于炼焦单元中BFG的配比，用X表示；输出层的神经元节点对应于输出变量(参数)即炼焦单元输入能源、输出能源，即消耗的能源有4种：COG(y1),BFG(y2)，电(y3)，蒸汽(y4)；产出的能源有4种：焦油(y5)，焦炭（冶金焦+焦粉、焦丁）(y6)，COG(y7)，粗苯(y8)。(3)激励函数由于Sigmoid函数能有效消除“平台现象”加快收敛速度，具有良好的模型泛化能力。因此，本模型的激励函数采用Sigmoid函数。(4)训练终止条件本模型默认训练次数为5000次，网络误差为0.01。(5)隐含层数目本研究依旧采用在第9.13节中提及的重复试验法与经验公式法相结合来确定隐含层单元数。经验公式法是根据公式(9.15)、(9.16)、(9.17)试算：本次模型中n=1,m=8。根据式(9.15)得出隐含层数目为3，根据式(9.16)得出隐含层数目为4～13,根据式(9.17)得出隐含层数目小于1，不成立,选择在隐含层单元数范围在4～13的情况下讨论确定最佳取值。本研究的模型结构采用“输入层—隐含层—输出层”的形式，在1-P-8节点模型下，对隐含层单元数完成训练所需步数的研究结果如下表9.13所示。表9.13在1-P-8节点模型下对隐含层单元数的研究结果隐含层节点数45678910111213完成训练所需步数>5000>5000>50004350413716281039740591290从表9.13可见，在设定训练次数和训练精度要求下，隐含层个数从4到10完成训练所需迭代次数很大，当隐含层神经元的个数在[11,13]之间时，训练次数低于1000。为了确定隐含层单元数，对模型输出与实际输出进行误差计算，如表9.14所示为神经网络的8个输出变量的在隐含层单元数分别为13，14，15时的误差分析。表9.14神经网络13种输出变量在不同隐含层单元数下的误差分析隐含数层单元分析出输络网误差隐含数层单元分析出输络网误差111213焦炉煤气使用量最小相对误差0.00170.00400.0023最大相对误差0.17310.11390.1972误差平方和0.12990.08720.1595高炉煤气使用量最小相对误差0.00140.00690.0024最大相对误差0.26740.25080.2920误差平方和0.27530.23510.2739电使用量最小相对误差0.00040.00190.0018最大相对误差0.24540.24380.2317误差平方和0.19700.23670.2175低压蒸汽使用量最小相对误差0.00010.00230.0010最大相对误差0.12010.25280.2542误差平方和0.08470.14970.1472焦炉煤气发生量最小相对误差0.00220.00180.0039最大相对误差0.26040.25190.2239误差平方和0.26040.26380.2674焦炭最小相对误差0.00100.00240.0044最大相对误差0.34070.27560.2800误差平方和0.50580.40230.3351焦油最小相对误差0.00060.00070.0010最大相对误差0.38760.38250.4128误差平方和0.37330.44040.4437粗苯最小相对误差0.00020.00010.0081最大相对误差0.19220.19110.1781误差平方和0.13450.18460.1556从表9.14看出，当隐含层神经元个数为13时，焦油的最大相对误差超过了40%，当隐含层个数为11时，焦炭和焦油的最大相对误差都超过了30%，只有隐含层个数为12时，焦油的最大相对误差超过了30%，因此，选择12作为隐含层的单元数。COG和BFG配比对炼焦单元能耗的优化COG和BFG配比对炼焦单元能耗优化模型单位产量的综合能源消耗量反映企业生产的综合情况，该指标的计算依据生产某种产品的能源消耗总量及产品的产量。产品生产能耗主要包括用于该产品的原料、燃料、动力和工艺等所消耗的能源，并折算为一次能源，单位为吨标准煤/吨产品。基于上述分析，利用节建立的COG和BFG配比与炼焦单元能耗关系模型，我们可建立COG和BFG配比对炼焦单元能耗优化模型。设为BFG配比，为COG和BFG配比对炼焦单元能耗关系的神经网络模型，则为炼焦单元的能源产消向量。从而炼焦单元能耗为：(9.19)其中，是炼焦单元消耗能源，依次为COG，BFG，电，蒸汽；是炼焦单元产出能源，分别是焦油，焦炭，COG，粗苯；为冶金焦和焦粉焦丁，两者合称全焦，是炼焦单元的产品；为某钢铁公司2011年10月份的成焦率平均值；为某钢铁公司全焦的折合标准煤系数。因此COG和BFG配比对炼焦单元能耗优化模型为：(9.20)其中，由上文可知，为神经网络的输出，即，则式(9.20)可以转化为：(9.21)由于神经网络模型的隐含层采用S型激活函数，S型激活函数是非线性的，因此是关于的非线性函数，从而目标函数是非线性的。基于遗传算法的COG和BFG配比对炼焦单元能耗优化步骤由于目标函数中嵌套了神经网络模型，因此COG和BFG配比对炼焦单元能耗优化模型难以使用传统的优化方法进行求解。由于遗传算法对目标函数和约束函数的要求宽松等优势，我们采用遗产算法求解上节提出的优化模型。1）个体编码解码编码问题是设计遗传算法的首要和关键问题。遗传算法的编码技术必须考虑“染色体”合法性、可行性、有效性以及问题解空间表征的完全性。由于优化模型的解为BFG的配比，是一个上的实数，分别为的下界和上界，因此使用二进制编码可以方便且完整表达。染色体的长度，其中为编码精度。2）适应值函数适应值