[发明专利]一种基于煤炭光谱数据的煤炭成分分析方法

说明书

本发明提供一种基于煤炭光谱数据的煤炭成分分析方法，包括：煤炭光谱数据采集；利用煤炭成分分析模型进行煤炭成分预测，该模型的输入是采集的光谱数据，输出是煤炭成分。本发明提供的方法利用光谱数据和煤炭工业分析测定结果，建立煤炭成分分析模型，该模型利用卷积神经网络提取得到光谱特征数据，将光谱特征数据极限学习机输出煤炭工业分析测定得到的与煤炭光谱数据对应的煤炭成分，此预测过程中采用人工蜂群算法优化极限学习机的权值和偏差量，由此得到优化的煤炭成分分析模型。煤炭成分分析模型与光谱技术融合并应用在煤炭工业分析领域，煤提供了一种新的、快速和准确的煤炭成分分析方法。

技术领域

本发明属于煤炭成分分析技术领域，具体涉及一种基于煤炭光谱数据的煤炭成分分析方法。

背景技术

煤是主要的能源来源。2017年，全球煤矿探明可开采储量大约8500亿吨，储量丰富的国家包括美国(2450亿吨)、俄罗斯(1500亿吨)、中国(1200亿吨)。随着工业的发展，全球对煤品质要求不断提高。高品质的煤对生产效率和环境污染问题有着重大的影响。所以在使用煤前，对煤的工业分析是必不可少的。传统的煤矿分析方法主要利用化学分析方法。虽然其精度较高，但该方法存在成本高、耗时长的缺点。因此，如何快速准确地确定煤的成分是现代工业分析技术必须解决的重要问题。它对降低分析成本和提高分类效率具有重要的意义。

光谱分析技术具有分析速度快、检测成本低、效率高等优点。因此，近些年来光谱分析技术已被广泛应用于矿石分析、品位鉴定和食品检验等领域。对于煤炭而言，很多研究已经证明可以利用光谱特性来测量煤的水分、灰分、挥发分、固定碳、发热量、硫分等。Andreset al.利用近红外光谱测定了煤中的水分、挥发分、灰分等。Dong et al.使用光谱特性进行快速的测量煤中的硫、碳、氮等。Li et al.通过近红外光谱测量了煤中的硫含量。Zhai et al.提出了基于近红外光谱的快速检测煤的灰分的方法。

影响煤的光谱决定因素主要是其中的碳、硫、硅等的氧化物。因此在可见、红外光谱数据中往往包含许多对煤分析影响无关的化学信息。这使得煤的光谱数据呈现数据维数高、冗余量大等特点。所以必须对煤的光谱数据做有效的特征提取。近年来，深度学习的卷积神经网络(CNN)被广泛应用在预测模型中。CNN是一种新的提取特征方法，其中结构包含多层的隐含神经网络。隐含层包括两种：“卷积层和采样层”。CNN的权值共享网络结构使得它更类似于生物神经网络。所以CNN网络降低了模型的复杂度，减少了权值的数量并更好地提取数据的特征。

极限学习机(ELM)是在2006年Huang提出的一种单隐含层前馈神经网络。ELM以训练速度快、泛化性能好、分类精度高等优点得到了广泛的应用。因为CNN网络是一个很好的提取特征器但它并不是一个很好的预测器，而ELM是一个很好的预测器。

发明内容

针对现有技术存在的不足，本发明提供一种基于煤炭光谱数据的煤炭成分分析方法。

本发明的技术方案是这样实现的：

一种基于煤炭光谱数据的煤炭成分分析方法，包括：

煤炭光谱数据采集；

利用煤炭成分分析模型进行煤炭成分预测，该模型的输入是采集的光谱数据，输出是煤炭成分。

所述光谱数据采集的过程如下：

首先对煤炭样品进行清洗处理；然后进行磨粉加工得到煤粉样品片；对各煤粉样品片进行若干次光谱测试，然后取平均值作为该煤粉样品片的光谱数据。

所述煤炭成分分析模型的建立方法如下：

煤炭光谱数据采集；

煤炭工业分析测定，得到与煤炭光谱数据对应的煤炭成分；

将光谱数据输入到卷积神经网络，进行特征提取，得到光谱特征数据；