基于煤数据图像化的卷积神经网络焦炭热态质量预测方法与流程

1.本发明涉及焦化、人工智能及数据挖掘处理技术领域，具体涉及一种基于煤数据图像化的卷积神经网络焦炭热态质量预测方法。


背景技术：

2.焦化行业对于工业炼焦的热态质量一直使用传统的小型焦炉实验来进行预测。但由于小型实验焦炉时间成本过高，技术过于老化，并不能对焦炭热态质量进行精准预测。并且近年来，随着高炉稳步向大型化发展，炉内料位也随之增高，炉内透气性变差，这也对焦炭热态质量要求更加严苛。但是工业焦化技术中配煤方案的复杂程度导致了现有配煤炼焦热态质量预测无法满足现有高炉用焦技术要求。所以如何在低成本前提下进行高效精准的配煤焦炭热态质量预测是提高焦炭热态质量的核心技术之一。
3.人工智能大数据分析算法在互联网领域应用十分广泛，所以人工智能大数据分析算法也是工业智慧化的核心技术之一。但是现有人工智能算法针对配煤方案预测焦炭热态质量的准确性一直不稳定，使得人工智能算法无法在工业配煤炼焦热态质量预测中使用。因此如何通过算法优化进而准确、稳定的通过配煤方案预测焦炭热态质量是配煤技术智慧化的核心议题。


技术实现要素：

4.本发明旨在解决现有技术在预测焦炭热态质量时存在的预测结果不稳定，泛化能力差的问题，提供一种能准确分析配合煤参数和焦炭热态质量之间的非线性映射关系的基于煤数据图像化的卷积神经网络焦炭热态质量预测方法。
5.为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：基于煤数据图像化的卷积神经网络焦炭热态质量预测方法，该方法包括：s1：配合煤数据跨域转换, 实现配合煤数据从数值域到图像域的转换；s2：卷积神经网络预测, 利用基于图像域的配合煤数据特征来输出预测的焦炭热态质量数值。
6.进一步的，在所述配合煤数据跨域转换的方法s1中，配合煤数据首先通过矩阵转置交换行列数据，随后利用数据降维压缩方法得到配合煤的不同参数在特征空间的坐标分布位置，并将配合煤不同参数的数值大小映射至对应的特征空间的参数坐标位置，将原数值从所在的结构化的数值域转换成非结构化的图像域。
7.进一步的，所述数据降维压缩方法为无监督学习降维算法或有监督学习降维算法。
8.进一步的，在所述卷积神经网络预测的方法s2中，卷积神经网络为经过训练后的人工智能模型；卷积神经网络包含卷积层、池化层及全连接层；卷积层用于提取转换后的基于图像域的配合煤数据的二维特征，池化层用于降低卷积神经网络推理时的参数量，全连接层用于汇总从卷积层中提取到的二维特征，并用作为模型的最终预测输出；卷积神经网
络的输入为基于图像域的配合煤数据，输出的参数为焦炭热态质量指标。
9.进一步的，所述焦炭热态质量指标包括焦炭反应性cri和焦炭反应后强度csr。
10.本发明的有益效果是:1）本发明采用的数据降维压缩方法可以将配合煤参数间的特征空间距离直接映射至二维图像上，使得卷积神经网络更容易捕捉到配合煤参数间的非线性特征关系，提高预测的准确度；2）本发明提供的将配合煤数据从所在的结构化的数值域转换成非结构化的图像域的方法，可以实现将专用于图像分析的卷积神经网络应用在配合煤数据上进行预测，并且在预测过程中数据可以被计算机图像处理器加速运算，降低网络的推理时间。
附图说明
11.图1为本发明预测方法的框图；图2为本发明预测方法的流程图；图3为本发明预测方法中的配合煤数据跨域转换方法的示意图；图4为本发明预测方法的焦炭cri和csr指标的预测值与真实值的比较示意图；图5为线性回归方法的焦炭cri和csr指标的预测值与真实值的比较示意图；图6为bp神经网络方法的焦炭cri和csr指标的预测值与真实值的比较示意图。
具体实施方式
12.下面将参考附图并结合实施例，来详细说明本发明。
13.如图1-3所示，一种基于煤数据图像化的卷积神经网络焦炭热态质量预测方法，包含配合煤数据跨域转换和卷积神经网络预测。将带有水分、灰分、挥发分、硫分、g值、x值和y值参数的配合煤数据通过矩阵转置交换行列数据，随后利用无监督学习降维算法或有监督学习降维算法将数据的维度降至两维得到参数特征空间的坐标分布位置。将配合煤不同参数的数值映射至对应的参数特征空间的坐标分布位置，实现配合煤参数从所在的结构化的数值域到非结构化的图像域的转换。基于图像域的配合煤数据的二维特征，利用包含卷积层、池化层及全连接层的经过训练的卷积神经网络预测出焦炭反应性cri和焦炭反应后强度csr。
14.实施例一：收集150个工业生产数据，将带有水分、灰分、挥发分、硫分、g值、x值和y值参数的配合煤数据通过矩阵转置交换行列数据，随后利用无监督学习降维算法或有监督学习降维算法将数据的维度降至两维得到参数特征空间的坐标分布位置。将配合煤不同参数的数值映射至对应的参数特征空间的坐标分布位置，实现配合煤参数从结构化的数值域到非结构化的图像域的转换。基于图像域的配合煤数据的二维特征，利用包含卷积层，池化层及全连接层的经过训练的卷积神经网络进行焦炭热态质量预测。图4为使用本发明模型预测的焦炭热态质量参数与实际工业焦炉生产焦炭热态质量参数，由图可知，使用本发明搭建的预测模型预测的焦炭cri和csr指标与工业生产焦炭热态质量参数平均绝对误差值为1.729，预测结果和真实值非常接近。
15.对比例一：
选取实施例一中使用的150个工业生产数据，将带有水分、灰分、挥发分、硫分、g值、x值和y值参数的配合煤数据送入线性回归算法搭建的预测模型中进行预测。图5为使用线性回归预测模型的焦炭热态质量参数与实际工业焦炉生产焦炭热态质量参数，由图可知，使用线性回归的预测模型预测的焦炭cri和csr指标与工业生产焦炭热态质量参数平均绝对误差值为5.893，线性回归预测模型无法对焦炭cri和csr指标进行准确的预测。
16.对比例二：选取实施例一中使用的150个工业生产数据，将带有水分、灰分、挥发分、硫分、g值、x值和y值参数的配合煤数据送入bp神经网络算法搭建的预测模型中进行预测。图6为使用bp神经网络预测模型的焦炭热态质量参数与实际工业焦炉生产焦炭热态质量参数，由图可知，使用bp神经网络的预测模型预测的焦炭cri和csr指标与工业生产焦炭热态质量参数平均绝对误差值为3.914，bp神经网络算法无法对焦炭cri和csr指标进行准确的预测。
17.综上所述，利用本发明提供的配合煤数据跨域转换方法，同时搭配卷积神经网络人工智能模型，可以实现对焦炭热态质量的精准预测，从而满足实际炼焦生产的需要，减少生产成本并提高实际效率。
18.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。


技术特征：
1.一种基于煤数据图像化的卷积神经网络焦炭热态质量预测方法，其特征在于，该方法包括：s1：配合煤数据跨域转换, 实现配合煤数据从数值域到图像域的转换；s2：卷积神经网络预测, 利用基于图像域的配合煤数据特征来输出预测的焦炭热态质量数值。2.根据权利要求1所述的基于煤数据图像化的卷积神经网络焦炭热态质量预测方法，其特征在于，在所述配合煤数据跨域转换的方法s1中，配合煤数据首先通过矩阵转置交换行列数据，随后利用数据降维压缩方法得到配合煤的不同参数在特征空间的坐标分布位置，并将配合煤不同参数的数值大小映射至对应的特征空间的参数坐标位置，将原数值从所在的结构化的数值域转换成非结构化的图像域。3.根据权利要求2所述的基于煤数据图像化的卷积神经网络焦炭热态质量预测方法，其特征在于，所述数据降维压缩方法为无监督学习降维算法或有监督学习降维算法。4.根据权利要求1或3所述的基于煤数据图像化的卷积神经网络焦炭热态质量预测方法，其特征在于，在所述卷积神经网络预测的方法s2中，卷积神经网络为经过训练后的人工智能模型；卷积神经网络包含卷积层、池化层及全连接层；卷积层用于提取转换后的基于图像域的配合煤数据的二维特征，池化层用于降低卷积神经网络推理时的参数量，全连接层用于汇总从卷积层中提取到的二维特征，并用作为模型的最终预测输出；卷积神经网络的输入为基于图像域的配合煤数据，输出的参数为焦炭热态质量指标。5.根据权利要求4所述的基于煤数据图像化的卷积神经网络焦炭热态质量预测方法，其特征在于，所述焦炭热态质量指标包括焦炭反应性cri和焦炭反应后强度csr。

技术总结
本发明是基于煤数据图像化的卷积神经网络焦炭热态质量预测方法，该方法由配合煤数据跨域转换以及卷积神经网络预测所组成；通过数据降维压缩方法，实现将配合煤数据从所在的结构化的数值域转换至非结构化的图像域，使得配合煤参数间的特征关系更易被模型所捕捉及分析；之后基于图像域的配合煤数据，利用由卷积层、池化层及全连接层所组成的经过训练后的卷积神经网络焦炭热态质量预测模型去实现对焦炭反应性CRI和焦炭反应后强度CSR指标的预测。本发明能准确分析配合煤参数和对应的焦炭热态质量指标之间的非线性映射关系，网络推理过程可被图像处理器加速运算，实现准确、稳定及快速预测焦炭的热态质量，进一步降低焦化工艺过程中的人工及配煤成本。过程中的人工及配煤成本。过程中的人工及配煤成本。


技术研发人员：邱宇航 惠云泽 赵鹏翔 余江龙 代百乾 蔡程灏
受保护的技术使用者：苏州工业园区蒙纳士科学技术研究院
技术研发日：2023.06.28
技术公布日：2023/8/1