程泽凯， 闫小利**， 程旺生， 袁志祥,3

(1.安徽工业大学 计算机科学与技术学院， 安徽 马鞍山 243002； 2.马鞍山钢铁股份有限公司 制造部， 安徽 马鞍山 243000； 3.工业互联网智能应用与安全安徽省工程实验室， 安徽 马鞍山 243002)

0 引 言

焦炭由配合煤在约1 000 ℃的高温条件下经干馏而获得，在高炉炼铁中起着燃料、还原剂、增碳剂及骨架的作用[1]，其质量的好坏直接影响高炉运行状态和焦化厂的经济效益。随着一系列的环保政策法规逐渐完善出台，高炉朝着现代化、大型化建设，对焦炭生产的环保标准和质量要求日益提高，同时国内优质炼焦煤较少、价格昂贵且地区分布不均匀[2]。如何提高焦炭质量和产量，降低炼焦成本成了炼焦行业目前急需解决的问题之一。同时焦炭质量检测难，存在很大的滞后性，焦炉炼焦具有非线性、时变缓慢、高延迟、工况复杂的特点[3]，建立焦炭质量预测模型具有重大意义。

目前，学者基本采用加权平均、专家经验、线性回归和神经网络等方法对焦炭质量进行预测。曾令鹏等[4]利用韶钢2016年的焦炭质量数据建立了线性回归焦炭质量预测模型，对焦炭灰分、硫分、耐磨强度、抗碎强度进行预测，预测模型已应用于韶钢实际生产, 实现了焦炭质量预测自动化；刘春梅[5]利用BP神经网络,通过炼焦煤质量数据对焦炭质量预测，平均准确率达到了95%；陶文华等[6]利用主元分析法确定焦炭质量预测模型输入变量，利用差分算法对神经网络初始权值和阈值优化，建立了基于DE-BP优化的焦炭质量预测模型，该模型收敛精度快，预测精度高，可以为焦炭生产提供参考价值；……