[发明专利]基于机器学习的配煤炼焦热态预测方法和系统

权利要求书

1.一种基于机器学习的配煤炼焦热态预测方法，其特征在于，包括：

根据配煤单上单种煤的原始指标，构建所述单种煤的衍生指标；

通过机器学习训练完成的模糊聚类模型，由所述单种煤的原始指标和衍生指标得到所述单种煤的类中心值；

对所述单种煤的类中心值进行隶属度矩阵计算，得到所述单种煤的衍生特征；

对所述单种煤的衍生特征进行线性加和，得到所述配煤单上单种煤相配合的配合煤的衍生特征；

对所述配合煤的衍生特征进行归一化处理，并通过机器学习训练完成的支持向量回归模型，得到所述配煤单形成混合煤的CSR值；

其中，根据所述单种煤的原始指标构建所述单种煤的衍生指标具体包括：

根据所述单种煤的原始指标挥发分V.daf、粘结指数G和胶质层最大厚度Y，对预设的原始指标进行比运算构建衍生指标：

以粘结指数G与挥发分V.daf的比值构建衍生指标GV，以胶质层最大厚度Y与挥发分V.daf的比值构建衍生指标YV；

根据所述原始指标的值计算所述衍生指标GV和YV的值：

根据所述配煤单上单种煤的挥发分V.daf、GV值和YV值，输入所述模糊聚类模型进行模糊聚类，得到所述单种煤的类中心值。

2.根据权利要求1所述的基于机器学习的配煤炼焦热态预测方法，其特征在于，所述模糊聚类模型的机器学习训练过程包括：

定义所述模糊聚类模型的代价函数；

在满足预设约束条件的前提下最小化所述代价函数；

在满足预设停止条件时得到预设数量的类中心值。

3.根据权利要求1所述的基于机器学习的配煤炼焦热态预测方法，其特征在于，所述支持向量回归模型的机器学习训练过程包括：

以配合煤的衍生特征作为输入量、以配合煤所炼焦炭的CSR值作为输出量，构建所述支持向量回归模型的训练数据集；

对所述训练数据集进行shuffle处理，并划分为训练集和测试集；

对所述训练集进行min-max归一化处理，并对所述支持向量回归模型进行训练；

对所述支持向量回归模型进行交叉验证，对所述支持向量回归模型进行网格搜索寻找最优超参数；

根据所述最优超参数利用所述训练集对所述支持向量回归模型进行重新训练；

利用所述测试集对所述支持向量回归模型的预测性能进行测试。

4.根据权利要求1或3所述的基于机器学习的配煤炼焦热态预测方法，其特征在于，所述支持向量回归模型采用线性核。

5.一种基于机器学习的配煤炼焦热态预测系统，应用如权利要求1至4中任一项所述的基于机器学习的配煤炼焦热态预测方法，其特征在于，包括：

指标构建模块，用于根据配煤单上单种煤的原始指标，构建所述单种煤的衍生指标；

类中心值计算模块，用于通过机器学习训练完成的模糊聚类模型，由所述单种煤的原始指标和衍生指标得到所述单种煤的类中心值；

单种煤特征计算模块，用于对所述单种煤的类中心值进行隶属度矩阵计算，得到所述单种煤的衍生特征；

配合煤特征计算模块，用于对所述单种煤的衍生特征进行线性加和，得到所述配煤单上单种煤相配合的配合煤的衍生特征；

CSR值预测模块，用于对所述配合煤的衍生特征进行归一化处理，并通过机器学习训练完成的支持向量回归模型，得到所述配煤单形成混合煤的CSR值；

其中，所述指标构建模块中，根据所述单种煤的原始指标构建所述单种煤的衍生指标的具体过程包括：

根据所述单种煤的原始指标挥发分V.daf、粘结指数G和胶质层最大厚度Y，对预设的原始指标进行比运算构建衍生指标：

以粘结指数G与挥发分V.daf的比值构建衍生指标GV，以胶质层最大厚度Y与挥发分V.daf的比值构建衍生指标YV；

根据所述原始指标的值计算所述衍生指标GV和YV的值：

根据所述配煤单上单种煤的挥发分V.daf、GV值和YV值，输入所述模糊聚类模型进行模糊聚类，得到所述单种煤的类中心值。