炼焦煤显微组分自动识别及显微组分组成对焦炭质量的影响

Macerals of coking coal closely relate to its characteristics, such as cokeability, caking ability, and thermal crushing performance, and directly influence the optical texture components distribution and quality of the coke. According to distinct difference of coal microstructure（macerals）in color, texture and region shape, etc., this research will extract some features（such as fractal dimension, shape factor, Tamura textures, and so on）from coking coal microscopy images by means of methods such as visual clustering, optimal contourlet packet transformation, and manifold learning method. According to coal and coke expert's experiences and methods of independent component analysis (ICA),select features and generate effective feature sets. Employ sparse principal components analysis (PCA) to reduce the dimensions of high dimensional feature space, and on the principle of classes, parameters and property correlation, set up classification quantitative standards for coal macerals, implement macerals automatic recognition with parallel RBF-SVM, deep learning and human vision consistent pattern recognition methods. On the basis of this, by means of coking experiments on small coke ovens, build coking dynamic control model, study the law of macerals’ change in coking, analyze key factors which affect coke optical texture composition, reveal internal relationships of macerals and coke quality. The results of this research are of theoretic significance and application value for the efficient cleaning utilization of coking coal, the improvement of coke quality and blast furnace ironmaking.

炼焦煤显微组分与其性能（如结焦性、粘结性等）密切相关，直接影响所成焦炭的光学组织构成及焦炭质量。课题根据炼焦煤各类显微组分在颜色、纹理、区域形状等特征上存在的差异，在视觉聚类、最优小波轮廓波包分解、流形学习基础上，提取其显微图像中纹理等相关特征量；结合煤焦专家的经验知识，采用ICA法对特征量进行有效抽取，构建便于机器识别的特征参量集；采用稀疏PCA对高维特征空间降维，基于径向基函数的并行支持向量机、深度学习等研究与人类视觉机理相一致的模式识别方法，本着类别、参量与性质相关联的原则，建立炼焦煤显微组分分类的量化标准，实现炼焦煤显微组分的自动识别；通过炼焦实验，建立炼焦过程动态控制模型，探究煤显微组分在成焦过程中的变化规律，分析影响焦炭光学组织构成及焦炭性能的关键因素，揭示显微组分与焦炭质量间的内在关系。课题的研究对于炼焦煤资源的有效利用、焦炭质量的提高及高炉炼铁等具有重要理论意义和应用价值。

炼焦煤显微组分与其性能密切相关，直接影响所成焦炭的质量。课题系统分析了炼焦煤不同显微组分在光特性、纹理、形貌等特征上的差异，采用多种数学方法对煤岩显微组分进行刻画与提取，探究可用于机器识别的炼焦煤显微组分科学分类量化标准和特征量构建方法，研究适合于煤岩显微组分小样本多类别分类方案。结果表明：基于亮度分布、统计纹理、轮廓波及曲波分析、多重分形去趋势分析等构建的特征量可以从不同层面刻画炼焦煤显微组分的特征，但存在大量的信息冗余，且特征量间存在较强的相关性，对识别产生不良影响；PCA、LDA、压缩感知、基于流形学习的SLPP可以有效地对特征空间降维、去除冗余信息；卷积神经网络可以实现特征量的隐形抽取；基于SVM和ELM的组合分类器可以实现炼焦煤显微组分的自动分类与识别，镜质组、惰质组、壳质组组内显微组分识别率分别可达96.7%、99.3%、98.9%，焦煤三大组别间的平均识别率可达97.54%。迁移学习可以将深度学习用于炼焦煤显微组分自动识别，对壳质组的初步识别率可达97.14%。. 研究同一矿点煤种其灰分、原料煤变质程度对其结焦性及所炼焦炭质量的影响；探究炼焦煤煤质评价方案；研究炼焦煤显微组分组成、结焦时间的延长对所炼焦炭性质的影响。结果表明：不同变质程度炼焦煤中镜质组的黏结性较原炼焦煤增加幅度不同；变质程度和灰分含量对于所炼焦炭光学组织组成及其性质有较大的影响;不同煤种炼焦煤灰分含量降低时对黏结性改善幅度不同，所炼焦炭其强度变化程度亦不同，黏结性较差的炼焦煤当灰分含量降低时其黏结性改善明显，所炼焦炭强度改善较大；延长结焦时间、增加3%焦煤可以改善焦炭的质量、减缓其机械强度和热性质的变化。建立焦炭质量预测模型，实现对焦炭的冷态强度和热性质指标的预测。研究焦炉加热温度控制系统的非线性逼近模型，探索焦炉氮氧化物排放控制策略，实现焦炉加热燃烧系统的优化控制。课题的研究对于炼焦煤资源的有效利用、焦炭质量的提高及节能减排具有重要理论意义和应用价值。