一种基于高斯过程的近红外光谱煤灰分快速检测方法
【技术领域】
[0001] 本发明设及煤碳工业化验领域W及近红外光谱技术分析领域，具体设及一种基于 高斯过程的近红外光谱煤灰分快速检测方法。
【背景技术】
[0002] 煤中的灰分不是煤的固有成分，而是煤中所有可燃物质完全燃烧W及煤中矿物质 在一定溫度下产生一系列分解、化合等复杂反应剩下的残渣。灰分常称为灰分产率，用百分 比表示。精煤的灰分是表征精煤质量的一项重要指标:在洗选生产过程中用来判定洗选精 煤质量和洗选质量效率;在炼焦工业中用来测定计算煤的灰分量来预计焦炭中的灰分;在 煤炭采样和制样设备和方法研究中用作偏倚和精密度的评定参数;灰分是煤炭贸易计价的 主要指标，也是现阶段我国制定煤炭出厂价格的基本依据。因此，它的快速检测对于精煤的 生产、销售和应用均具有重要的意义。
[0003] 目前，煤质灰分的工业检测方法基本按照国家标准人工采样，实验室化验，从采样 到化验结束操作过程复杂繁琐，需要消耗大量的人力物力，获得一个样本的各煤质参数分 析值需要数小时。另外，现有的基于X射线巧光中子活化的分析方法虽然能够实现在线分析 的目的，但需要用到放射源，运在使用与管理中都具有一定的安全风险，不易实际推广应 用。近红外光谱的分析可W实现全自动，在线，安全，快捷的多参数在线实时分析。
[0004] 可用于近红外光谱建模分析的方法有多种，如偏最小二乘回归(PLSR)、多元线性 回归等线性回归算法，W及人工神经网络(ANN)、支持向量机(SVM)等非线性回归算法。前者 对于建模对象的线性要求比较高，在解决一些非线性问题时效果不够理想；后者则存在模 型复杂、计算成本高、需要比较繁琐的调参过程等不足。高斯过程作为非参数学习方法，理 论上能够对任意输入的函数进行逼近，因此具有泛化能力强等特点，并且能够同时适应线 性和非线性预测的要求，非常适合小样本、高维度特征数据的建模。同时，基于高斯过程可 W预测未知样本的概率分布，能够对预测值的非确定性进行量化。运在煤质成分预测及指 标控制方面非常有实用价值。本发明意在利用近红外光谱数据并基于高斯过程建模，实现 对精煤灰分的安全、在线、快速的检测。
【发明内容】
[0005] 本发明主要是解决现有煤灰分检测方法过程繁琐、实时性差、存在安全风险等技 术问题，通过自动采样、预处理煤样本并用近红外光谱仪进行实时光谱数据获取，光谱数据 传入计算机经过基于高斯过程的模型计算得到具体的煤灰分参数。
[0006] 本发明是通过W下技术方案实现的：一种基于高斯过程的近红外光谱煤灰分快速 检测方法，包括用于实时采集分析样本的煤样采样模块，用于处理原始煤样本至符合近红 外光谱分析条件的煤样预处理模块，用于获取煤样光谱数据的光谱采集模块W及进行煤样 灰分值预测分析的建模分析模块。
[0007] 所述的采样模块主要包括采样设备，由机械化采样系统构成，可W是二级采样或 者Ξ级采样设备，实现定时采样和缩分。固定时间间隔地从煤碳生产线或运输线上上采集 煤样并进行充分混合与缩分，采样设备的采样时间间隔与采样量可进行调整，保证检测传 送带上的煤样不间断。
[0008] 所述的煤样预处理模块主要包括破碎设备、传送带装置和匀料器。破碎设备由不 同的破碎机组成，可W是不同级别的破碎机组成多级破碎，将由采样机得到的缩分煤样进 行充分破碎至合适的颗粒大小。传送带装置由传送带和驱动传送带运行的电机组成的，破 碎得到的煤样落入传送带中，要求能够平稳慢速地运输，保证光谱采集时稳定不振动。传送 带采用皮带式，通过驱动电机带动，将传送带维持在运行状态，要求传送带能够低速平稳运 行，可W配W合适的差速器和变频器来对电机进行速度控制。匀料器由若干平板叶片轮与 驱动叶轮的电机组成，叶轮安装于传送带上方，破碎设备出料口后方，通过旋转把煤样表面 摊平，保证在光谱采集时表面煤样本表面较为平整。同时要求叶轮高度可调，W得到适于光 谱扫描分析的煤层厚度。
[0009] 所述的光谱采集模块为近红外光谱仪，其光源位于传送带上方，匀料器后方，对摊 平的煤样进行从上到下的垂直式照射，得到实时的近红外光谱并将数据传输至计算机。近 红外光谱仪可采用分光式或者傅利叶式漫反射光谱仪，可调整扫描时间和扫描次数，W获 得更具代表性的光谱数据。
[0010] 所述的建模分析模块包括可用于对煤灰分值进行建模预测分析的计算机。所用模 型主要基于高斯过程，并可进行相关的优化拓展。本发明中使用的基于高斯过程的建模分 析方法有Ξ种:方法一为基本的高斯过程(GP)预测模型;方法二为由主成分分析(PCA)和高 斯过程融合的PCA-GP预测模型;方法Ξ为基于模式分类的融合高斯过程(PC-PCA-GP)预测 模型。
[0011] 本发明中，光谱数据的扫描获取方法包括W下步骤：
[0012] (1)固定时间间隔地从煤碳生产线或运输线上采集煤样并进行充分混合与缩分得 到适量一级煤样，进入破碎设备；
[0013] (2)将步骤(1)中所得一级煤样经由破碎设备充分破碎至合适的颗粒大小，得到的 二级煤样进入传送带中。作为优选，所述的二级煤样的颗粒直径在6mmW下；
[0014] (3)调整传送带速度，使其能够低速平稳运行，运行速度可调，将步骤(2)中所得二 级煤样运至匀料器处。作为优选，所述的传送带的运行速度不宜超过Im/min;
[0015] (4)调整匀料器叶轮高度，步骤(3)中的煤样经匀料器旋转使其表面摊平，进而得 到厚度适于后续光谱扫描的、表面较为平整的煤层(Ξ级煤样），后经传送带运送至光谱仪。 作为优选，所述的Ξ级煤样的煤层厚度在8mm-l 2mm为宜。
[0016] (5)调整近红外光谱仪的光源位置及扫描时间、扫描次数来调整其扫描面积，对步 骤(4)中所得的Ξ级煤样进行扫描，并通过求平均光谱的方法确保得到光谱能够代表整个 样本。作为优选，所述的光谱扫描的谱段为l〇〇〇-2500nm，每条谱扫描平均60次，每个煤样W 5秒间隔共采谱15次，取15条光谱的最终平均光谱作为该样本光谱数据。
[0017] 本发明中，利用近红外光谱数据并基于高斯过程进行煤灰分建模预测分析的方法 包括W下步骤：
[0018] (1)通过前述光谱扫描方法扫描煤样得到每个样本的光谱数据，W之作为样本的 原始光谱SO用于算法的后续步骤。对于建模样本，还需用化验法测得其灰分值作为标定值 ΥΟ;
[0019] (2)对于步骤（1)中所述的原始光谱通过有效波长识别、光谱变换处理、离群点检 测等方法进行提取优化，得到处理后的光谱S1。作为优选，在对煤灰分建模时，所述的光谱 S1经由如下预处理得到:提取有效波段范围在1350nm-2400皿区间的光谱;进行Salvitzky-Golay平滑，平滑窗口大小为13个样本点，回归函数选用二次多项式;基于GP模型，根据对每 个单独样本点给出的预测值和方差，进行离群点检测剔除；
[0020] (3)对于标准的高斯过程模型，确定高斯过程核函数，也即该高斯过程的协方差函 数。作为优选，取平方指数协方差函数作为煤样光谱分析模型的高斯过程内核，平方指数协 方差函数(SE)表示为：
[0021]
[0022] 其中，Sf和1为高斯内核中的参数；
[0023] (4)对于步骤(3)中确定内核的高斯过程，基于步骤(2)中所得的预处理后光谱S1 和定标值Y0进行核函数参数寻优计算，进而得到相应的高斯过程模型GP。作为优选，参数寻 优的方法采取两轮网格捜索；
[0024] (5)对于步骤(4)中所得的高斯过程模型GP，在进行实际未知煤样预测分析之前， 还需对模型进行评价验证。作为优选，模型的评价指标选取校正均方根误差(RMSEC)、预测 均方根误差(RMSEP)、Pearson相关系数RW及变异系数CV。在样本较少的情况下，又可用留 一法交叉验证均方根误差(RMSECV)代替RMSEP。
[00巧]校正均方根误差(MSEC)可表示为：
[0026]
[0027] 其中：η为训练样本数，V,为模型对训练集数据样本i的预测值(校验值），yi为训练 集数据样本i的标定值，标定值通过化验方法得到。
[002引预测均方根误差(RMSEP)可表示为：