[發明專利]一種焦炭質量預測方法、裝置及系統

在審

• 申請號: 201911090455.6
• 申請日: 2019-11-08
• 公開（公告）號: CN112784396A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 吳嚴;李城梁;梁二強
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04;G06N3/08;G06Q10/04;G06Q50/02
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;熊永強

本申請實施例提供一種焦炭質量預測方法、裝置及系統，其中方法包括：根據第一配合煤的檢測數據和目標機理模型，預測焦炭的第一預測質量數據，其中，所述第一配合煤被煉制后形成所述焦炭；獲取第一配合煤的煤巖圖像，所述煤巖圖像表征所述第一配合煤中的各個組分的含量；根據第一預測質量數據、上述煤巖圖像、第一配合煤的檢測數據和焦炭質量預測模型，獲得所述焦炭的第二預測質量數據，其中，所述焦炭質量預測模型為經過訓練后的人工智能AI模型。采用人工智能模型并結合大量配合煤的參數數據預測焦炭的質量數據，使焦炭質量預測模型的泛化能力更強，預測結果更加準確。

技術領域

本申請涉及工業生產領域，尤其涉及一種焦炭質量預測方法、裝置及系統。

背景技術

煉焦是指將原料煤按照一定比例混合后形成配合煤，進而將配合煤在焦爐中經高溫干餾煉取焦炭的過程。焦炭可以作為還原劑和供炭劑用于高爐煉鐵等金屬冶煉領域，焦炭質量的波動會給高爐生產造成很大的影響。因此，在煉焦之前，根據配合煤的相關參數對焦炭質量進行預測，可以有效指導配煤煉焦，優化資源配置。

目前，焦化企業對焦炭質量的預測通常是工程師根據歷史經驗進行估計，或者是各焦化企業根據各自的配合煤以及工藝生產條件，通過大量實驗并利用簡單的線性回歸算法得到線性模型，根據線性模型對焦炭質量進行預測，上述方法預測結果誤差較大，且泛化能力差。

發明內容

本申請實施例公開了一種焦炭質量預測方法、裝置及系統，通過人工智能(ArtificialIntelligence，AI)模型預測焦炭的質量，使預測結果更加準確，泛化能力更強。

第一方面，本申請實施例提供一種焦炭質量預測方法，包括：獲取第一配合煤的檢測數據，根據所述第一配合煤的檢測數據和目標機理模型，預測所述焦炭的第一預測質量數據，其中，所述第一配合煤被煉制后形成所述焦炭；獲取所述配合煤的煤巖圖像，所述煤巖圖像表征所述第一配合煤中的各個組分的含量；根據所述第一預測質量數據、所述煤巖圖像、所述第一配合煤的檢測數據和焦炭質量預測模型，獲得所述焦炭的第二預測質量數據，其中，所述焦炭質量預測模型為經過訓練后的人工智能AI模型。

上述方案中，第一配合煤是準備用于煉制焦炭的配合煤，該方法先獲取第一配合煤的檢測數據，根據機理模型計算得到第一配合煤煉制的焦炭的第一預測質量數據；再獲取用于表征第一配合煤的各組分含量的煤巖圖像，將第一配合煤的檢測數據、第一配合煤的煤巖圖像以及第一配合煤煉制的焦炭的第一質量數據輸入到AI模型中，從而得到上述AI模型計算得到的第二預測質量數據。將根據第一配合煤的檢測數據、煤巖圖像數據以及第一預測質量數據訓練的AI模型用于預測焦炭的質量數據，模型的泛化能力更強，并且通過配合煤的檢測數據、煤巖圖像數據以及通過機理模型預測的第一預測質量數據等數據，結合上述AI模型預測焦炭的第二預測質量數據，使第二預測質量數據更加接近第一配合煤煉制出的焦炭的真實質量數據，大大提高了焦炭質量預測的準確性。

在一種可能的實施方式中，上述AI模型可以采用XGBoost模型，也可以采用一種卷積神經網絡模型。

在一種可能的實施方式中，所述根據所述第一預測質量數據、所述煤巖圖像、所述第一配合煤的檢測數據和焦炭質量預測模型，獲得所述焦炭的第二預測質量數據，包括：將所述第一預測質量數據、所述煤巖圖像和所述第一配合煤的檢測數據進行融合，獲得特征數據；輸入所述特征數據至所述焦炭質量預測模型，獲得所述第二預測質量數據。

在一種可能的實施方式中，所述目標機理模型為線性模型，所述目標機理模型的參數由第二配合煤的檢測數據、所述第二配合煤煉制的焦炭的真實質量數據計算得到。