[发明专利]一种基于PSO和ε-SVR的飞灰含碳量测量方法

说明书

本发明公开了一种基于PSO和ε‑SVR的飞灰含碳量测量方法，具体步骤包括：(1)选取源于实际电厂的含碳量不同的飞灰样品作为定标样品，利用LIBS检测设备获取定标样品的激光诱导等离子发射光谱；(2)对所获取的LIBS光谱中提取与飞灰含碳量测量相关的特征峰值光谱数据并进行归一化处理；(3)结合PSO粒子群优化算法对归一化处理后的光谱数据进行基于飞灰含碳量测量的支持向量机相关参数的寻优；(4)根据所确定的最佳参数和SVM构建ε‑SVR定标模型；(5)将待测飞灰样本进行处理获取光谱数据，输入到所述定标模型中，得到待测飞灰样品的含碳量。本发明方法结合人工智能算法实现LIBS应用于飞灰含碳量的测量，计算耗时短，可提高测量的准确度和精确度，适用范围广。

技术领域

本发明涉及工业测量技术领域，特别涉及一种基于PSO和ε-SVR的飞灰含碳量测量方法。

背景技术

飞灰含碳量是火电厂燃煤锅炉燃烧效率的重要指标，当飞灰含碳量高时，说明煤耗和发电成本过高。实时并准确地检测飞灰含碳量，有利于调整风煤比；将飞灰含碳量控制在最佳范围内，提高锅炉燃烧控制水平，以保证机组的经济、安全、稳定运行，但由于飞灰含碳量受煤种，锅炉结构，运行操作水平等多种因素的影响，难以实现在线测量。

众多离线测量方法如灼烧法、反射法等普遍存在分析滞后以及样品的代表性差等问题，无法满足现场需求。而激光诱导击穿光谱(Laser-Induced BreakdownSpectroscopy，LIBS)技术是一种新型的等离子体发射光谱技术，可实现样品的多组分同步快速分析，属于在线测量方法，可被应用于各种工业过程的质量控制和过程监测，在飞灰含碳量的在线检测上有很大的应用潜力。但该技术是一项点测量技术，受基体的影响明显，致使精度不高，进而限制了该技术的发展。如何实现准确的定量化测量是LIBS技术在飞灰含碳量检测中发挥作用的前提和基础。

目前基于LIBS实现飞灰未燃碳检测的分析方法大多采用单变量或者多变量的线性回归分析方法，虽然通过多变量的回归等手段可提高精度，但效果仍不能满足工业现场需求。近年来，随着人工智能技术的发展，在LIBS的应用领域也得到了相关的应用，比如人工神经网络方法(ANN)、支持向量机方法(SVM)。本发明将人工智能技术应用于飞灰含碳量的测量，提高飞灰含碳量检测的准确度和精确度。

发明内容

本发明的目的在于克服现有技术中的缺点与不足，提供一种基于PSO(粒子群优化算法)和ε-SVR(支持向量回归机)的飞灰含碳量测量方法，通过LIBS激光诱导击穿光谱技术获得不同碳含量的定标飞灰样品的光谱数据，然后通过PSO粒子群优化算法对预处理后的定标飞灰样品的训练样本数据进行支持向量机相关参数的寻优，不同范围内寻优选出最优参数来建立相应ε-SVR支持向量机回归定标模型，以定标样品的交叉验证回归均方误差MSE最小为目标，确定最佳的定量分析模型，以提高LIBS应用于飞灰含碳量测量的精确度和准确度。

为实现以上目的，本发明采取如下技术方案：

一种基于PSO和ε-SVR的飞灰含碳量测量方法，具体步骤包括：

(1)定标飞灰样品光谱数据测定：选取源于实际电厂的含碳量不同的飞灰样品作为定标样品，利用激光诱导击穿光谱检测设备获取样品的激光诱导等离子体发射光谱；

(2)提取特征峰值数据：从每个定标样品的光谱数据中提取m种特征光谱，包括L种与碳相关的特征光谱和n种飞灰中主要的基体元素的特征光谱，L≥2，n≥4；

(3)归一化处理及参数寻优：对步骤(2)提取的m种特征光谱的峰值进行归一化处理，利用PSO粒子群优化算法对归一化处理后的光谱数据进行基于飞灰含碳量测量的支持向量机相关参数的寻优；

(4)构建定标回归模型：对归一化处理后的定标样品，利用SVM支持向量机和步骤(3)寻优得到的最佳参数构建基于特征光谱数据的飞灰含碳量的ε-SVR支持向量机定标回归模型；