摘要：焦炭机械强度是焦炭质量的重要指标，建立准确的焦炭机械强度预测模型可保证炼焦生产顺利进行。把支持向量回归机用于焦炭机械强度的预测，详细地分析了不同配合煤煤质特性指标及炼焦工艺指标情况下的预测效果，找到了建立预测模型的有效特征参数。基于所选特征参数，当85≤M25≤90，6≤M10≤12时，支持向量机模型的预测准确率高、误差小、相关性强，同时，预测模型的泛化能力强。

　　关键词：焦炭机械强度 支持向量回归机 泛化能力

　　0引言

　　焦炭在高炉冶炼的主要作用是热源、还原剂和骨架作用，其中，焦炭提供热量和还原剂的作用可以由高炉喷煤替代，但骨架作用是无可替代的，为此焦炭应具有一定的机械强度。焦炭机械强度是由两个指标抗碎强度M25和耐磨强度M10组成，M25对焦块在高炉内承受的压力和冲击能力具有一定的模拟性，Ml 0对焦块在高炉内的磨损有良好的模拟性，这两个指标反映了焦炭的一定骨架作用，是衡量焦炭质量的重要指标，建立它们的准确预测模型十分必要。

　　目前，国内外预测焦炭机械强度的方法很多。一般情况，预测模型均建立在各厂的不同煤源、不同配煤实践和不同的工艺条件的基础上，通过大量的炼焦实验获得数学模型，而且在生产实践中还要对模型不断修正，有着各自的适用范围。对于本文的研究背景山西省河津市某焦化厂，不能直接使用现成的机械强度预测模型，甚至采用最常用的二元线性回归模型预测效果也不理想。考虑到影响焦炭机械强度的因素众多、情况复杂，本质上是非线性问题，本文采用支持向量机方法来建立M25和M10的预测模型。在SVM回归建模时，不同的特征输入在很大程度上影响回归模型的性能，文中分析、比较了不同配合煤煤质特性指标及炼焦工艺指标情况下的SVM预测效果，支持向量机基于所选的有效特征参数下的机械强度模型的预测性能好，推广能力强，满足实际生产需要。

　　1支持向量回归机基本模型[2]~[4]

　　支持向量机(SVM)是九十年代中期由Vapnik等人提出的一种新的机器学习方法，它采用结构风险最小化原则，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以获得最好的推广能力。支持向量回归机可形象理解为用柔软、可弯曲、具有恢复水平弹性的e-管道套住尽量多的训练样本，e-管道的中心线就是回归曲线，对超出管道之外的样本由松弛因子惩罚。

样本训练集假定为，其中为输入值，为对应的目标值，为样本数。函数回归问题最终可归结为一个求解约束条件下的凸二次规划问题：

求上式最优问题，得到最优的拉格朗日乘子，回归估计函数就为：

其中：，称为核函数;C为松弛因子;

　　2基于支持向量机的焦炭机械强度预测模型的建立与分析

　　以本文研究背景山西河津某焦化企业为例，每天的生产日报要记录入炉配合煤的性质指标、反映炼焦工艺的一些参数和出炉焦炭的质量指标数据，其中，入炉配合煤要做灰分、全硫、水分、细度、挥发份(Vdaf)和粘结指数(G)共6项指标分析，涉及炼焦工艺的有焦炉平均温度和结焦时间，焦炭的指标有灰分、硫、水分、挥发份、M25和M10，本文着重焦炭的机械强度指标，主要是建立M25和M10预测模型。配合煤性质和炼焦工艺条件都会影响焦炭机械强度，本厂两者涉及到的是8个参数，这些参数会不同程度影响机械强度，支持向量机选择哪些的特征参数输入影响所建立回归模型的性能，因此比较不同配合煤煤质特性指标及炼焦工艺指标情况下的SVM预测效果

　　SVM输入特征参数只考虑配合煤煤质指标做了3个实验：

　　实验一：SVM特征参数为：配合煤的挥发份(Vdaf)和粘结指数(G)

　　实验二：SVM特征参数为：配合煤的细度、挥发份(Vdaf)和粘结指数(G)

　　实验三：SVM特征参数为：配合煤的灰分、全硫、水分、细度、挥发份(Vdaf)和粘结指数(G)

　　把炼焦工艺参数加入SVM特征输入量，做了2个实验：

　　实验四：SVM特征参数为：配合煤的细度、挥发份(Vdaf)和粘结指数(G)及焦炉平均温度和结焦时间

　　实验五：SVM特征参数为：配合煤的灰分、全硫、水分、细度、挥发份(Vdaf)和粘结指数(G)及焦炉平均温度和结焦时间

　　五个实验的支持向量机的输出量(目标值)分别为M25和M10。

对比实验结果如表1、2所示。实验三的训练及测试样本集的预测结果如图1、2所示。

　　表1 不同特征参数下SVR预测M10的比较 训练及测试样本集 M10实际值 实验1

　　M10预测值 实验2

　　M10预测值 实验4

　　M10预测值 实验3

　　M10预测值 实验5

　　M10预测值 123-4 极大值极小值之差 12.10 3.93 4.52 4.34 4.26 4.41 相关系数 0.50 0.58 0.62 0.74 0.71 124-3 极大值极小值之差 12.10 3.70 3.67 4.91 4.46 4.56 相关系数 0.53 0.57 0.61 0.72 0.72 134-2 极大值极小值之差 8.20 3.25 4.82 5.49 4.49 4.14 相关系数 0.48 0.52 0.65 0.76 0.77 234-1 极大值极小值之差 10.40 3.67 3.82 4.72 5.40 4.40 相关系数 0.48 0.57 0.61 0.77 0.76 注：将山西河津某焦化厂2009年365个日报数据平均分成4组，分别编号为1、2、3、4，任选其中3组数据构成训练样本集，用来训练SVR模型，剩余1组未经训练的数据做为测试样本集来检验模型的预测能力。如表1、2中123-4表示用编号为1、2、3组的样本训练，4组的数据预测。相关系数指实际值与预测值之间的相关系数。

　　表2 不同特征参数下SVR预测M25的比较 训练及测试样本集 M25实际值 实验1

　　M25预测值 实验2

　　M25预测值 实验4

　　M25预测值 实验3

 1/2    1 2 下一页 尾页