论文部分内容阅读
实际炼焦生产过程中,在炼焦工况平顺及单煤质量稳定的前提下,焦炭质量主要受到配合煤质量的影响,而配合煤质量由单煤质量和配煤比决定,因此影响焦炭质量的主要因素是配煤比。本文从焦化厂实际炼焦生产数据出发,挖掘煤-焦-工况数据关系,提出一种配煤比计算方法,能够准确地计算出配煤比,提高了配煤工作效率,节约了生产成本。论文的研究工作主要包括:1.从炼焦配煤生产过程出发,分析了单煤与配合煤之间的关系,采用线性加权构建了配合煤质量预测模型。详细分析了影响焦炭质量的因素,包括配合煤质量以及炼焦工况,采用BP神经网络构建了焦炭质量预测模型,并对考虑工况与不考虑工况的预测模型进行了预测精度的对比分析。为了提高神经网络预测精度,采用粒子群算法优化BP神经网络构建的焦炭质量预测模型,并对BP神经网络与粒子群优化BP神经网络的预测模型进行了预测精度的对比分析,结果表明粒子群优化BP神经网络改善了焦炭质量预测精度。2.针对传统人工配煤工作效率低、质量波动大等缺点,分析了实际炼焦生产过程数据,从焦化企业的质量报表与生产工艺报表中分析、提取影响焦炭质量的炼焦生产过程数据,完成了配合煤质量-炼焦工况-焦炭质量数据的精确匹配,基于需求的焦炭质量参数、给定的工况数据以及单煤质量参数,考虑生产成本和库存等相关约束,提出了一种智能配煤计算方法,建立了配煤比计算模型,通过该模型可以快速计算出配煤方案。对实际焦-煤-工况数据进行了回归分析,整理了专家经验,建立了优化配煤比的专家知识库。3.在.NET开发平台下,以C#和SQL数据库为开发工具,完成了智能配煤系统应用软件的开发,该系统在焦化厂运行稳定。企业反馈结果表明该智能配煤系统能够满足焦化厂实际生产需求,所设计的智能配煤算法能够快速、准确的计算配煤比,节约了成本,降低了生产风险,提高了焦炭质量预测精度。