一种基于高斯过程的近红外光谱煤挥发分快速检测方法

文档序号:9842604阅读:456来源:国知局
一种基于高斯过程的近红外光谱煤挥发分快速检测方法
【技术领域】
[0001] 本发明涉及煤碳工业化验领域以及近红外光谱技术分析领域,具体涉及一种基于 高斯过程的近红外光谱煤挥发分快速检测方法。
【背景技术】
[0002] 挥发分是煤分类的重要指标,根据挥发分可以大致判断煤的变质程度,也可用于 判断热值高低。煤的挥发分是指煤在规定条件下隔绝空气加热进行水分校正后的质量损 失。挥发分不是煤中原有的挥发性物质,而是煤在严格规定条件下,加热时的分解产物。挥 发分包括水分、碳氢氧化物和碳氢化合物,其中,物理吸附水和矿物质产生的二氧化碳不包 含在内。
[0003] 煤的挥发分检测是一项规范性很强的试验,结果完全取决于试验条件,其中样本 数量、加热温度、加热时间、加热速度等均会对挥发分产生影响。首先,称取一定量的空气干 燥煤样,放在带盖的坩锅中,在(900±10)°C温度下隔绝空气加热7分钟,以减少的质量占煤 样质量的百分数减去煤样水分含量作为该煤样的挥发分。挥发分的检测对操作人员的要求 非常高,且这种检测方法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很长时间。另外,现有的基于X射线荧光中子活化的 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,这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以实现全自动,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,以及人工神经网络(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 以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。这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 对精煤挥发分的安全、在线、快速的检测。

【发明内容】

[0005] 本发明主要是解决现有煤挥发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挥发分参数。
[0006] 本发明是通过以下技术方案实现的:一种基于高斯过程的近红外光谱煤挥发分快 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以及进行煤 样挥发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,可以是二级采样或 者三级采样设备,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,可以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,可以配以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,以得到适于光 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,以获 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挥发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 分析方法有两种: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。
[0011] 本发明中,光谱数据的扫描获取方法包括以下步骤:
[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6_以下;
[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 级煤样运至勾料器处。作为优选,所述的传送带的运行速度不宜超过lm/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(三级煤样),后经传送带运送至光谱仪。 作为优选,所述的三级煤样的煤层厚度在为宜。
[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)中所得的三级煤样进行扫描,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,每个煤样以 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挥发分建模预测分析的方 法包括以下步骤:
[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,以之作为样本的 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挥发分值作为标定 值Y0;
[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,在对煤挥发分建模时,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-2400nm区间的光谱;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:
[0022]其中,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Υ0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搜索;
[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)、Pear S〇n相关系数R以及变异系数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。
[0025] 校正均方根误差(RMSEC)可表示为:
[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。
[0028] 预测均方根误差(RMSEP)可表示为:
[0030] 其中:m为测试集预测样本数,yh为模型对测试集数据样本i的预测值,71为测试集 数据样本i的标定值。
[0031] 交叉验证均方根误差(RMSECV)可表示为:
[0033]其中:η为总共的样本数,7#为留一法交叉验证时模型对外部样本i的预测结果,yi 为外部样本i的标定值。
[0034] Pearson相关系数R可表示为:
[0036]其中:Cov(yi,y*i)为预测值与标定值的协方差,Var(yi)和Var(y*i)分别为标定值 与预测值的方差,y#为模型对样本i的预测值,为样本i的标定值。
[0037]变异系数CV可表示为:
[0039]其中:RMSE为均方根误差(考察模型对内部样本预测效果时使用RMSEC,考察对外 部样本预测效果时使用RMSECV),Mean为所有样本标定值的均值;
[0040] (6)对于步骤(4)中所得模型,经步骤(5)进行各参数评价验证之后,若满足实际预 测要求,则确定为最终挥发分预测模型VMGP,用于未知样本的挥发分参数预测。若不满足要 求,则返回步骤(2)调整相关参数,直至步骤(5)的验证结果达标;
[0041] (7)对于新进未知煤样,通过前述光谱扫描方法扫描煤样得到该样本的光谱数据, 并进行与建模过程中相同的预处理,得到未知煤样最终光谱S;
[0042] (8)将步骤(7)中所得的未知煤样最终光谱S作为步骤(6)中所得最终挥发分预测 模型VMCP的输入,即可通过模型计算得到未知煤样的挥发分参数。
[0043] (9)步骤(1)~(8)为基于基本高斯过程(GP)的方法一的具体步骤。对于方法二中 由主成分分析(PCA)和高斯过程融合的PCA-GP预测模型,在进行步骤(3)之前还需对S1进行 PCA降维处理,得到S2。并以S2代替S1用于步骤(3)~(6),此时得到的最终挥发分预测模型 为VMPCA- CP。相应地,在预测时,步骤(7)所述的未知煤样最终光谱S也应由与此时建模过程相 同的处理得到,并在步骤(8)中以VM PCA-GP代替VMgp来计算得到未知煤样的挥发分参数。作为 优选,在用PCA降维时选用基于贡献率并在一定范围内的搜索结合RMSECV来确定最优主成 分数。
[0044] 本发明的有益效果是:通过机械电气设备完成煤的自动采样、制样,实现煤样光谱 的不间断采集,结合基于高斯过程的
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1