一种基于神经网络的煤质特性在线测量方法

文档序号:5926968阅读:354来源:国知局
专利名称:一种基于神经网络的煤质特性在线测量方法
技术领域
本发明涉及一种煤质在线测量方法。具体来说,方法的基本原理是激光诱导等离 子光谱技术(LIBS),在使用主成分分析方法(PCA)或者偏最小二乘判别分析(PLS-DA)对煤 进行分类的基础上,应用人工神经元网络模型对煤质进行快速的定量分析。
背景技术
在电厂等用煤单位,为了对生产过程进行实时调控,须及时了解皮带输送机上的 煤炭具体成分,从而根据煤炭成分的变化来调节相关的生产参数。比如在燃煤电厂,煤炭成 本占了总成本的80%,所以了解和研究煤质等因素对生产效率的影响是至关重要的。这就 要求能在线实时地对输送带上的煤炭进行成分分析。目前普遍采用的离线分析存在分析速 度慢、工序繁琐等缺点,从采样、制样到检验结果的报出一般需要几个小时,检测结果严重 滞后,不能及时反馈煤炭的信息,也就不能为操作人员提供实时在线的参考数据,难以适应 工业生产的需求。因此,离线的煤质分析方法已经很难满足用煤单位的要求,采用先进、快 速的分析手段就显得十分必要,特别是研发出有效的煤质在线检测装置和方法,这样有利 于提高我国煤炭资源合理利用能力和提高煤炭利用的经济性。目前煤质在线检测中常用的技术为X射线荧光技术,中子感生瞬发Y射线分析技 术和双能Y射线透射技术。但X射线荧光技术只适合于测量原子序数大于11的元素,测 量精度和灵敏度不高。中子感生瞬发Y射线分析技术存在投资大、辐射危害和放射源半衰 期短的缺点。而双能Y射线投射技术最大的缺点是无法全元素分析、成本较高和有安全隐 患。由于这些技术本身的缺点,所以并没有得到更广泛的应用。各用煤单位急需一种精度 较高,并能实现全元素分析的煤质在线快速检测方法。近年来,激光诱导等离子光谱技术(简称LIBS)由于具有高灵敏度、无需样品预处 理和实现多元素测量等优点,成为一种新的激光分析技术。可是由于该技术母体效应比较 明显,直接测量物质成分时精度不高,也限制了该技术在煤质在线检测中的应用。准确的定 量化测量是LIBS系统在煤质在线检测中发挥作用的前提和基础。目前用于煤质分析的LIBS技术多采用单变量的分析方法或者回归分析方法,虽 然可以通过去噪、内定标等手段来提高精度,但效果仍不能达到工业应用的要求。这是因为 煤质分析的LIBS光谱中,包含了元素周期表的绝大部分元素,各元素的谱线强度存在互干 扰现象,即变量存在多重相关性,故采用传统的单变量回归方法拟合精度差,预测效果不能 令人满意。只有可以处理自变量严重多重相关性的主成分分析法(PCA)和偏最小二乘法 (PLS)方法才能适用于LIBS光谱。PCA方法可以从自变量中提取互不相关的主成分,这样 虽然能概括自变量系统中的大部分信息,但是它往往缺乏对因变量的解释能力。而PLS方 法在提取主成分的过程考虑了自变量和因变量的联系,因此PLS方法所提取的成分能在很 好地概括自变量系统的同时,最好地解释因变量,并排除系统中的噪声干扰。因此,PLS方 法在煤的LIBS光谱分析中具有更大的优势,但仍存在非线性拟合能力差、容错能力差、鲁 棒性不够强等缺点。

发明内容
本发明的目的是针对目前的煤质在线分析技术存在投资大、精度不够高或不能实 现全元素分析的缺点,设计了一种基于神经网络的煤质特性在线测量方法,可在激光诱导 等离子光谱系统上运用。可以消除煤的不同种类导致的误差,同时利用了人工神经元网络 非线性预测、适应性强、容错性好等优点,既可以实现煤质的全元素分析,又可以提高测量 精度。本发明的技术方案是一种基于神经网络的煤质特性在线测量方法,其特征在于该方法包括如下步骤1)首先使用各元素质量浓度已知的一组煤炭样品作为定标样品,利用安装在输 煤皮带上方的激光诱导等离子光谱系统对定标样品进行检测,得到该组定标样品的光谱谱 线,即得到了每种定标样品中各种元素的激光诱导等离子特征光谱谱线强度,形成谱线强 度矩阵Etl,Etl矩阵的结构如下,
权利要求
1. 一种基于神经网络的煤质特性在线测量方法,其特征在于该方法包括如下步骤 1)首先使用各元素质量浓度已知的一组煤炭样品作为定标样品,利用安装在输煤皮带 上方的激光诱导等离子光谱系统对定标样品进行检测,得到该组定标样品的光谱谱线,即 得到了每种定标样品中各种元素的激光诱导等离子特征光谱谱线强度,形成谱线强度矩阵 Etl,Etl矩阵的结构如下,
全文摘要
一种基于神经网络的煤质特性在线测量方法,用在激光诱导等离子光谱的煤质检测装置上。先用激光诱导等离子体系统得到定标样品的光谱,用PCA或PLS-DA提取光谱强度矩阵的主成分,在主成分得分图上把定标样品分为不同类别。随后对各类别的定标样品分别建立神经网络模型并进行训练,其中,光谱强度数据作为神经网络的输入,各元素浓度作为输出。对于未知的待测样品,先用PCA或PLS-DA判断其所属类别,然后把待测样品的光谱强度数据输入该类别的训练好的神经网络模型中,即可得到各元素浓度。该方法可实现煤质的多元素测量并减小由于煤的种类不同带来的误差,同时有较强的抗干扰能力和适应性,提高了激光诱导等离子光谱测量的准确度。
文档编号G01J3/28GK102004088SQ20101053702
公开日2011年4月6日 申请日期2010年11月9日 优先权日2010年11月9日
发明者侯宗余, 李政, 王哲 申请人:清华大学
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