一种煤灰流动温度的预测方法
阅读：739发布：2023-02-02
专利汇可以提供一种煤灰流动温度的预测方法专利检索，专利查询，专利分析的服务。并且本 发明 提供一种 煤 灰流动 温度 的预测方法，该方法包括将待测煤灰成分含量代入煤灰流动温度 预测模型 ，得到待测煤灰流动温度的预测值。其中，通过以下步骤构建煤灰流动温度预测模型：分析入厂煤或混配煤的煤灰成分以及煤灰流动温度，将获得的多组分析数据构成样本点数据集，其中每组分析数据包括煤灰成分含量和对应的煤灰流动温度；基于所述样本点数据集，将煤灰成分含量作为自变量并且将煤灰流动温度作为因变量，采用偏最小二乘回归法建立煤灰流动温度预测模型。本发明解决了煤灰流动温度传统测定方法分析过程复杂、分析周期长等局限性。此外，本发明克服了多重相关性在系统建模中的不良作用，缩小了模型预测的误差，提高了模型的稳健性。，下面是一种煤灰流动温度的预测方法专利的具体信息内容。
1.一种构建煤灰流动温度模型的方法，包括：
步骤1)、分析入厂煤或混配煤的煤灰成分以及煤灰流动温度，将获得的多组分析数据构成样本点数据集，其中每组分析数据包括煤灰成分含量和对应的煤灰流动温度；
步骤2)、基于所述样本点数据集，将煤灰成分含量作为自变量并且将煤灰流动温度作为因变量，采用偏最小二乘回归法建立煤灰流动温度预测模型，该步骤包括：
步骤21)、在所述样本点数据集中逐步提取自变量和因变量的主成分，对所述煤灰流动温度预测模型进行拟合，使得所述煤灰流动温度预测模型的拟合度以及主成分对自变量和因变量的累计解释能力达到最大；
步骤22)、检查所述煤灰流动温度预测模型的拟合度以及主成分对自变量和因变量的累计解释能力；如果不满足预定精度要求，则查找并移除所述样本点数据集中的离群点，返回步骤21)重新对所述煤灰流动温度预测模型进行拟合。
2.根据权利要求1所述的方法，其中，用如下公式表示所述煤灰流动温度预测模型：
Y＝e+a1X1+a2X2+...+anXn
其中，Y表示煤灰流动温度，X1、X2…Xn分别表示n个煤灰成分含量，a1…an为通过偏最小二乘回归法得到的回归系数，e为通过偏最小二乘回归法得到的参数。
3.根据权利要求1或2所述的方法，其中，所述煤灰成分包括SiO2、Al2O3、Fe2O3、TiO2、CaO、MgO、SO3、P2O5、K2O和Na2O。
4.根据权利要求1或2所述的方法，在步骤1)中，采用灰熔点分析仪分析入厂煤或混配煤的煤灰流动温度。
5.根据权利要求1或2所述的方法，在步骤1)中，采用X-荧光光谱仪、加载煤灰成分标准工作曲线来分析入厂煤或者混配煤的煤灰成分。
6.根据权利要求5所述的方法，其中，在步骤1)之前还包括采用下列步骤建立煤灰成分标准工作曲线：
选择各元素含量具有预定梯度分布的多个煤灰标准样品，经化学法确定所述多个煤灰标准样品中煤灰成分含量；
将所述多个煤灰标准样品分别压制成煤灰标准样片；
利用X-荧光光谱仪对煤灰标准样片进行扫描，根据各煤灰成分脉冲信号强度建立煤灰成分标准工作曲线。
7.根据权利要求6所述的方法，其中，所述多个煤灰标准样品的个数为8个或者更多个。
8.根据权利要求1或2所述的方法，其中，所述样本点数据集包括100组或者更多组分析数据。
9.一种煤灰流动温度的预测方法，包括：
将待测煤灰成分含量代入根据权利要求1-8中任何一个所述的方法所构建的煤灰流动温度预测模型，得到待测煤灰流动温度的预测值。
一种煤灰流动温度的预测方法
技术领域
[0001] 本发明涉及软测量技术领域，具体来说，涉及一种煤灰流动温度的预测方法。
背景技术
[0002] 煤灰流动温度是壳牌(Shell)气化炉温度调节控制的重要指标之一，Shell气化炉的操作温度必须超过煤灰流动温度100～150℃，且要求入炉煤的煤质必须相对稳定，煤灰流动温度波动在100℃以内。炉温过高或过低将会出现渣屏、渣口堵渣等现象。另外，煤灰流动温度直接关系到SGC(合成气冷却器)入口温度的调整，是影响气化炉负荷提高的重要因素。因此，快速准确地获得入炉煤、原料煤、工艺混配煤的煤灰流动温度，对于Shell气化炉的长周期稳定运行具有重要意义。
[0003] 现阶段，可以按照国标《GB/T219-2008煤灰熔融性的测定方法》来进行煤灰流动温度分析。煤样须经过破碎、研磨、筛分、混匀、干燥、灰化、灰锥制作、灰锥干燥、仪器分析等过程，单个煤样的分析周期为8～10小时，当样品较多时，分析周期将会超过12小时，从而无法满足Shell气化炉的生产需要。
[0004] 根据煤灰成分经验关系式对灰熔点进行预测是较早应用的数学方法，但通过经验关系式计算灰熔点的误差较大，平均相对预测误差超过7％。此外，随着数学及计算机软件技术的不断发展，近年来，BP神经网络、支持向量机、遗传算法等建模技术已在灰熔点预测中得到广泛应用，预测准确度也大幅提高。但灰熔点预测模型大多以煤灰软化温度为输出变量，且均停留在实验室研究阶段，在工业化生产中尚未见报道。
[0005] 综上所述，当前还没有一种能够快速且准确地预测煤灰流动温度的技术，以满足Shell气化炉实际生产的需要。
发明内容
[0006] 本发明的目的是提供一种准确性高、分析速度快的煤灰流动温度预测方法。根据本发明的一个实施例，提供一种构建煤灰流动温度模型的方法，包括：
[0007] 步骤1)、分析入厂煤或混配煤的煤灰成分以及煤灰流动温度，将获得的多组分析数据构成样本点数据集，其中每组分析数据包括煤灰成分含量和对应的煤灰流动温度；
[0008] 步骤2)、基于所述样本点数据集，将煤灰成分含量作为自变量并且将煤灰流动温度作为因变量，采用偏最小二乘回归法建立煤灰流动温度预测模型。
[0009] 在一个实施例中，在步骤2)中包括：
[0010] 步骤21)、在所述样本点数据集中逐步提取自变量和因变量的主成分，对所述煤灰流动温度预测模型进行拟合，使得所述煤灰流动温度预测模型的拟合度以及主成分对自变量和因变量的累计解释能力达到最大；
[0011] 步骤22)、检查所述煤灰流动温度预测模型的拟合度以及主成分对自变量和因变量的累计解释能力；如果不满足预定精度要求，则查找并移除所述样本点数据集中的离群点，返回步骤21)重新对该模型进行拟合，进一步提高所述煤灰流动温度预测模型的拟合度。
[0012] 在一个实施例中，用如下公式表示所述煤灰流动温度预测模型：
[0013] Y＝e+a1X1+a2X2+...+anXn，
[0014] 其中，Y表示煤灰流动温度，X1、X2…Xn分别表示n个煤灰成分含量，a1…an为通过偏最小二乘回归法得到的回归系数，e为通过偏最小二乘回归法得到的参数。
[0015] 在一个实施例中，所述煤灰成分包括SiO2、Al2O3、Fe2O3、TiO2、CaO、MgO、SO3、P2O5、K2O和Na2O。
[0017] 在一个实施例中，在步骤1)之前还包括采用下列步骤建立煤灰成分标准工作曲线：
[0018] 选择各元素含量具有预定梯度分布的多个煤灰标准样品，经化学法确定所述多个煤灰标准样品中煤灰成分含量；
[0019] 将所述多个煤灰标准样品分别压制成煤灰标准样片；
[0021] 根据本发明的一个实施例，还提供一种煤灰流动温度的预测方法，包括：
[0022] 将待测煤灰成分含量代入根据上述方法所构建的煤灰流动温度预测模型，得到待测煤灰流动温度的预测值。
[0023] 本发明具有以下优点及突出性效果：
[0024] ⑴准确度高：截止目前为止，使用本发明提供的煤灰流动温度预测方法已累计报出煤灰流动温度预测数据1658批次，与实测数据相比较，流动温度的平均相对预测误差和最大相对预测误差分别为1.04％和3.20％，满足实际生产的需要。
[0025] ⑵分析速度快：使用本发明的预测方法来预测煤灰流动温度可使入厂煤灰熔点分析时间缩短至4小时，入炉煤灰熔点分析时间缩短至3小时，极大地提高了分析效率，为气化炉工艺参数的快速调整提供了有效的数据支撑。
[0026] ⑶预测方法先进：将煤灰成分的分析数据输入煤灰流动温度预测模型中即可快速预测出煤灰的流动温度，是一种先进的软测量技术，在工业化生产使用过程中尚未见有相关报道。
[0027] ⑷节能降耗优：利用本发明的预测方法来预测煤灰流动温度可节省在实测过程中消耗的物资和人力成本。
[0029] 图1是根据本发明一个实施例的煤灰流动温度预测方法的流程图；
[0030] 图2是X-荧光光谱仪的系统结构示意图；
[0031] 图3是根据本发明一个实施例的用于标识离群点的t1/t2平面图；以及
[0032] 图4是采用本发明提供的方法得到的煤灰流动温度预测值与实测值的比较示意图。
具体实施方式
[0033] 下面结合附图和具体实施方式对本发明加以说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0034] 根据本发明的一个实施例，提供一种煤灰流动温度的预测方法。参考图1，该方法包括以下步骤：
[0035] 第1步：建立煤灰成分标准工作曲线
[0036] 首先，选择各元素含量有一定梯度分布的多个煤灰标准样品，经化学法反复测定定标，确定煤灰中各成分的含量，并且将这些煤灰标准样品压制成标准样片。
[0037] 接着，调整X-荧光光谱仪的工作条件，利用X-荧光光谱仪对上述煤灰标准样片进行扫描，检查每个元素通道的分析角度、确定背景、计算峰和背景的测量时间、检查每个通道的脉冲高度分布和脉冲处理条件，将煤灰标准样品各成分含量输入X-荧光光谱仪软件中，根据各煤灰成分脉冲信号强度建立煤灰成分标准工作曲线。
[0038] 图2示出了本发明使用的X-荧光光谱仪的系统结构，该X-荧光光谱仪包括X-射线管、滤光片、准直器、分光晶体、检测器、分析器(未示出)等部件。其测量原理为：X-射线管发射的高能一次X射线经滤光片过滤后照射样品，样品中的元素被激发而发出特定波长的X-荧光，X-荧光经准直器后将发散光汇聚成一束平行光，光束强度和分辨性提高后通过晶体的衍射散布在空间不同的方位上，并由检测器跟踪测量，进行光电转换和能量分辨，信号输入多道分析器(图中未示出)进行定性和定量分析。
[0039] 在一个优选的实施例中，可选择八个或者更多个煤灰标准样品来建立煤灰成分标准工作曲线。
[0040] 在一个实施例中，煤灰标准样品的成分可包括SiO2、Al2O3、Fe2O3、TiO2、CaO、MgO、SO3、P2O5、K2O和Na2O，下文将以这十个成分为例展开描述。在其他实施例中，煤灰标准样品的成分还可以包括MnO2和BaO。
[0041] 第2步：筛选用于建模煤灰流动温度预测模型的样本点。
[0042] 本步骤可分为以下子步骤来执行：
[0043] 2.1、使用X-荧光光谱仪，加载煤灰成分标准曲线对入厂煤、混配煤煤灰成分进行分析；并且根据GB/T219-2008煤灰熔融性测定方法，使用灰熔点分析仪分析上述煤的煤灰流动温度。
[0044] 2.2、从上面分析得到的实测数据中筛选出多组分析数据，其中每组分析数据包括煤灰各成分(例如上文给出的十个成分：SiO2、Al2O3、Fe2O3、TiO2、CaO、MgO、SO3、P2O5、K2O、Na2O)含量和对应的煤灰流动温度的实测数据。
[0045] 在一个优选的实施例中，可以从上面分析得到的多组分析数据中选择煤灰成分的含量能够覆盖其各个数值范围的代表性数据作为样本点。例如，对于其中某一成分，选择其含量在5％-10％范围内的5个实测数据、选择其含量在10％-15％范围内的5个实测数据，以此类推。
[0046] 在一个优选的实施例中，可以选择至少100组有代表性的煤灰成分含量和煤灰流动温度的分析数据作为样本点。
[0047] 第3步：建立煤灰流动温度预测模型。
[0048] 本发明采用偏最小二乘回归法来建立煤灰流动温度预测模型，偏最小二乘回归法作为一种新的多元统计分析法,现已成功应用于分析化学,如紫外光谱、气相色谱和电分析化学等。偏最小二乘回归法是一种数学优化技术，它通过最小化误差的平方和找到一组数据的最佳函数匹配，用最简的方法求得一些绝对不可知的真值，而令误差平方之和为最小。具体来说，假设有p个因变量y1，y2，....yp与m个自变量x1，x2，....xm。为研究因变量和自变量的统计关系，观测n个样本点，由此构成了自变量与因变量的数据表X＝{x1，x2，....xm}和Y＝{y1，y2，....yp}。偏最小二乘回归法分别在X与Y中提取出主成分t1和u1(其中t1是x1，x2，....xm的线性组合，u1是y1，y2，....yp的线形组合)。在提取这两个主成分时，为了回归分析的需要，有以下两个要求：
[0049] (1)t1和u1应尽可能大地携带他们各自数据表中的变异信息；
[0050] (2)t1和u1的相关程度能够达到最大。
[0051] 这两个要求表明，t1和u1应尽可能好地代表数据表X和Y，同时自变量的主成分t1对因变量的主成分u1又有最强的解释能力。
[0052] 在第一个主成分t1和u1被提取后，偏最小二乘回归法分别实施X对t1的回归以及Y对u1的回归。如果回归方程已经达到预期的精度，则算法终止；否则，将利用X被t1解释后的残余信息以及Y被t1解释后的残余信息进行第二轮的主成分提取。如此往复，直到能达到一个较满意的精度为止。若最终对X提取了r个主成分t1，t2，....tr，偏最小二乘回归法将建立y1，...yp与t1，t2，....tr的的回归,然后再表示y1，....yp与原自变量的回归方程式，即建模的偏最小二乘回归方程式。
[0053] 在本步骤中，以煤灰成分含量为自变量，以煤灰流动温度为因变量，应用偏最小二乘回归法来建立煤灰流动温度预测模型。例如，用所选的多组样本点数据中的煤灰成分SiO2、Al2O3、Fe2O3、TiO2、CaO、MgO、SO3、P2O5、K2O、Na2O的含量作为自变量X，以灰熔点分析仪实测的煤灰流动温度Ft为因变量Y，建立单因变量的偏最小二乘回归模型作为煤灰流动温度预测模型。包括以下子步骤：
[0054] 3.1、在上述样本点中逐步提取自变量X和因变量Y的主成分，对煤灰流动温度预测模型进行拟合，使得拟合得到的预测模型的整体拟合度、主成分对自变量和因变量的累计解释能力达到最大。
[0055] 在一个实施例中，当提取到主成分tn+1时，如果对自变量X的累计解释能力、对因变量Y的累计解释能力或预测模型整体拟合度不再增加或者增加不明显，则提取到主成分tn时，煤灰流动温度预测模型的预测能力最佳(即此时拟合得到的预测模型的整体拟合度、主成分对自变量和因变量的累计解释能力达到最大)。
[0056] 3.2、当不满足预期的精度要求时，对模型进行精制，使拟合度以及主成分对自变量和因变量的累计解释能力进一步提高，达到预期的要求。
[0057] 模型精制的一个例子可包括：查找样本点中的离群点，移除样本点中的离群点，并且在移除了离群样本点的样本点数据集中再次逐步提取自变量X和因变量Y的主成分，重新对煤灰流动温度预测模型进行拟合。
[0058] 3.3、得到煤灰流动温度预测模型。
[0059] 在一个实施例中，煤灰流动温度预测模型可以表示为：
[0060] Y＝e+a1X1+a2X2+...+anXn
[0061] 其中，Y表示流动温度，X1、X2…Xn分别表示n个煤灰成分含量，a1…an为通过上述偏最小二乘回归法得到的回归系数，e为通过上述偏最小二乘回归法得到的参数。
[0062] 第4步：对于流动温度未知的待测煤灰，使用X-荧光光谱仪对其进行扫描，根据煤灰成分标准工作曲线计算待测煤灰各成分(例如，上文描述的十个成分)的含量。接着，将待测煤灰的各成分含量代入煤灰流动温度预测模型中即可得出待测煤灰的流动温度。
[0064] 1、建立褐煤煤灰成分标准工作曲线
[0065] 1)、选择各元素含量有一定梯度分布的八个褐煤煤灰标准样品，通过化学法确定煤灰中SiO2、Al2O3、Fe2O3、TiO2、CaO、MgO、SO3、P2O5、K2O、Na2O十个成分的含量。将这八个煤灰标准样品分别粉碎研磨制成200目粉样，然后与粘结剂混合，用硼酸作边，在30T压力下保压30S，压制成标准样片。
[0066] 2)、调整X-荧光光谱仪的工作条件：光路介质选择真空、真空锁定时间为16s、延迟时间为2s、准直器光栏孔径为27mm、样品类型为压片粉末、样品直径为50mm，各元素分析条件的设置如表1所示。
[0067] 表1
[0068]元素 分析线 管电压，KV 管电流，mA 晶体 2θ角 积分时间，s
Fe KA 60 40 LIF20 57.5268 30
Ca KA 30 80 LIF20 113.1194 30
Al KA 24 90 PE00 145.0144 30
K KA 24 90 LIF20 136.7050 30
Mg KA 24 90 PX1 23.0702 30
Na KA 60 40 PX1 27.8770 30
S KA 24 90 Ge11 110.6924 30
Ti KA 40 60 LIF20 86.1684 30
P KA 24 90 Ge11 141.0700 30
Si KA 24 90 PE00 109.1780 30
Fe KA 60 40 LIF20 57.5268 30
Ca KA 30 80 LIF20 113.1194 30
Al KA 24 90 PE00 145.0144 30
K KA 24 90 LIF20 136.7050 30
Mg KA 24 90 PX1 23.0702 30
Na KA 60 40 PX1 27.8770 30
S KA 24 90 Ge11 110.6924 30
Ti KA 40 60 LIF20 86.1684 30
P KA 24 90 Ge11 141.0700 30
Si KA 24 90 PE00 109.1780 30
[0069] 3)、利用X-荧光光谱仪对煤灰标准样片进行扫描，建立煤灰各成分标准工作曲线。
[0070] 2、建模样本点的筛选
[0071] 使用X-荧光光谱仪，加载煤灰成分标准工作曲线对入厂褐煤、混配褐煤煤灰成分进行分析，并且按照GB/T219-2008煤灰熔融性测定方法，使用灰熔点分析仪分析上述煤样煤灰的流动温度。在分析得到的实测数据中筛选出109组有代表性的褐煤煤灰成分含量和煤灰流动温度实验室实测分析数据作为建模样本点。表2示出了这109组样本点中各变量的最大值和最小值。
[0072] 表2
[0073]
[0074]
[0075] 3、建立褐煤煤灰流动温度预测模型
[0076] 1)、主成分提取
[0077] 在上述样本点数据集中逐步提取自变量X和因变量Y的主成分t1，t2，t3，t4，t5对褐煤煤灰流动温度预测模型进行拟合。拟合结果如表3所示，其中，提取第5个主成分时对自变量X集合的累计解释能力R2X(cum)及对因变量Y的累计解释能力R2Y(cum)均增加不明显，模型整体拟合度Q2(cum)却有所下降，因此提取4个主成分时煤灰流动温度预测模型预测能力最佳。
[0078] 表3
[0079]
[0080] 2)、离群点辨识
[0081] 提取4个主成分时预测模型整体拟合度Q2(cum)为81％，可以对样本点实施去噪处理，进一步提高预测模型的整体拟合度。参考图3，根据t1/t2平面图可以观察样本点的分布情况，同时发现那些取值远离样本点数据集的平均水平的离群点。由t1/t2平面图可确定148、185、257、357等9个样本点(其中上述部分离群点未在图3中示出)远离该样本点数据集。
[0082] 3)、模型精制
[0083] 移除离群样本点后再逐步提取主成分，重新对褐煤煤灰流动温度模型进行拟合。拟合结果如表4所示，其中，提取4个主成分对自变量X集合的累计解释能力R2X(cum)为
100％，对因变量Y的累计解释能力R2Y(cum)提高至94.8％，模型的整体拟合度Q2(cum)达到
90.8％，满足流动温度模型预测精度要求。
100％，对因变量Y的累计解释能力R2Y(cum)提高至94.8％，模型的整体拟合度Q2(cum)达到
90.8％，满足流动温度模型预测精度要求。
[0084] 表4
[0085]
[0086] 4)、确定褐煤煤灰预测模型
[0087] 当提取4个主成分时，100组样本点(其中，从原样本点数据集中去除了9个离群点)的平均预测残差最小，最大预测残差在20℃以内，最大相对预测误差为1.61％，平均相对预测误差仅为0.42％。图4示出了通过该模型得到的预测值与实测值的比较，可见，提取4个主成分所建立的褐煤煤灰流动温度预测模型拟合度最佳。其中，褐煤煤灰流动温度预测模型的表达式为：
[0088] Y＝1349-2.357XSiO2-6.252XFe203+6.759XAl2O3-82.09XTiO2-9.004XP2O5-8.094XNa20+4.612XK2O-2.038XCaO-6.578XMgO-0.8423XSO3
[0089] 4、褐煤煤灰流动温度模型的工业化生产检验
[0090] 发明人应用褐煤煤灰流动温度预测模型对1658组监控数据进行了预测，与实测数据比较，流动温度的平均相对预测误差和最大相对预测误差分别为1.04％和3.20％，褐煤煤灰流动温度预测值与实测值平均偏差12.6℃，满足Shell气化炉实际生产需要，真正实现了褐煤煤灰流动温度预测模型的工业化应用。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 温度开关 | 2020-05-12 | 251 |
| 温度表 | 2020-05-12 | 748 |
| 温度表架 | 2020-05-12 | 814 |
| 铂温度传感器及其制造方法 | 2020-05-11 | 676 |
| 温度计 | 2020-05-13 | 367 |
| 温度探针 | 2020-05-13 | 646 |
| 非接触式有源温度传感器 | 2020-05-12 | 625 |
| 温度控制仪壳体 | 2020-05-11 | 780 |
| 温度开关 | 2020-05-12 | 704 |
| 温度探针 | 2020-05-13 | 609 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈