CN102004088B - 一种基于神经网络的煤质特性在线测量方法 - Google Patents
一种基于神经网络的煤质特性在线测量方法 Download PDFInfo
- Publication number
- CN102004088B CN102004088B CN2010105370276A CN201010537027A CN102004088B CN 102004088 B CN102004088 B CN 102004088B CN 2010105370276 A CN2010105370276 A CN 2010105370276A CN 201010537027 A CN201010537027 A CN 201010537027A CN 102004088 B CN102004088 B CN 102004088B
- Authority
- CN
- China
- Prior art keywords
- sample
- matrix
- principal component
- neural network
- calibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 230000003595 spectral effect Effects 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000000513 principal component analysis Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 claims description 16
- 230000001419 dependent effect Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 9
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010238 partial least squares regression Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000005251 gamma ray Effects 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 3
- RHZUVFJBSILHOK-UHFFFAOYSA-N anthracen-1-ylmethanolate Chemical compound C1=CC=C2C=C3C(C[O-])=CC=CC3=CC2=C1 RHZUVFJBSILHOK-UHFFFAOYSA-N 0.000 description 3
- 239000003830 anthracite Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 229910052717 sulfur Inorganic materials 0.000 description 3
- 239000011593 sulfur Substances 0.000 description 3
- 239000002802 bituminous coal Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004876 x-ray fluorescence Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000003077 lignite Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
Images
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
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。
Description
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γ射线分析技术和双能γ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γ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γ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E0,E0矩阵的结构如下,
其中, 表示第i种样品在波长λj处对应的谱线强度,i=1,2,…,n;j=1,2,…,m;
2)利用主成分分析或者偏最小二乘判别分析方法对定标样品进行分类,两种方法都需要先提取主成分;
a.主成分分析是从矩阵E0中提取主成分,首先得到矩阵E0的协方差矩阵,求取协方差矩阵的特征值,特征值从大到小依次为A1,A2,…,Ah;最大特征值A1对应的特征向量为第一主轴a1,第二特征值A2对应的特征向量为第二主轴a2,由此求得第一、第二主成分t1、t2,
t1=E0a1 (2)
t2=E0a2 (3)
依次类推可以求得第h个主成分th;
b.偏最小二乘判别分析法则以矩阵E0为自变量矩阵,各定标样品的挥发份含量组成因变量矩阵F0,矩阵F0的结构如下,
F0=(V1 V2 V3 … Vn)T (4)
其中,Vi表示第i种定标样品的挥发份含量,i=1,2,…,n;
从矩阵E0中提取主成分,使得主成分既能代表E0的变异信息,又能使E0与F0的相关程 度达到最大;w1是对应于矩阵E0 TF0F0 TE0最大特征值的特征向量,得到E0的第一主成分为,
t1=E0w1 (5)
实施E0在t1上的回归以及F0在t1上的回归,即
E0=t1p′1+E1 (6)
F0=t1r1+F1 (7)
t2=E1w2 (8)
依次类推可以求得第h个成分th,最后可用交叉有效性确定偏最小二乘回归中成分th的提取个数,停止迭代;
利用方法a或方法b分别提取第一、第二主成分,两种方法分别做主成分得分图,在图上以每个定标样品对应的主成分的值作为该样本的坐标点,绘出所有坐标点的位置,观察坐标点在二维空间的分布特征和相似性结构;如果二维图的分类效果不明显,则加入第三主成分,观察坐标点在三维空间的分布特征和相似性结构;通过主成分得分图,定标样品被明显分类;
3)经过主成分分析或偏最小二乘判别分析法对定标样品分类后,对各类定标样品分别建立神经网络模型,神经网络的输入层为特征谱线强度,输入层节点数目为特征谱线的数目;输出层为各元素浓度,输出层节点数目为需要测定的元素种类数;
4)由于定标样品的各元素浓度已知,故用定标样品的特征谱线强度和元素浓度对神经网络模型进行训练,训练结束后则调整隐含层的层数或各层的节点数目,然后重新训练;
5)重复步骤4),直至神经网络模型的训练误差达到最小,即得到最优的神经网络模型;
6)对于各元素浓度未知的待测样品,首先通过安装在输送皮带上方的激光诱导等离子光谱系统得到该待测样品的特征谱线强度矩阵;然后按照步骤2)作出该待测样品在主成分得分图上的坐标点,根据该坐标点在得分图上的位置确定该待测样品所属的类别,最后将特征谱线强度数据输入到所属类别的已训练好的最优的神经网络模型中,即求得待测样品中各元素的浓度。
PLS方法提取成分的原理为:从自变量矩阵中提取一个成分t1,该成分为原自变量的线性组合。从因变量矩阵中提取一个成分u1,该成分为因变量的线性组合;在单变量PLS情况下,u1即为因变量y。如果要使提取出来的主成分能分别很好地代表原自变量和因变量矩阵的数据变异信息,就要使得主成分的方差达到最大值。另一方面,又由于回归建模的需要,要求t1对u1有最大的解释能力,其相关度应达到最大值。综合这两个方面,在PLS回归建模时,要求t1和u1的协方差达到最大值。由此原则即可提取PLS回归建模中的成分。
交叉有效性确定PLS方法中提取成分个数的原理:提取成分的个数的确定,可以通过考察增加一个新的成分后,能否对模型的预测功能有明显改进来考虑。采用类似于抽样测试法的工作方式,把所有的n个样本点分成两部分。第一部分是除去样本点i的所有样本点的集合,用这部分样本点并使用h个成分拟合一个回归方程,得到yi在样本点i上的拟合值 对于每一个i=1,2,…,n,重复上述测试,可以定义yi的预测误差平方和为PRESShj,有
定义Y的预测误差平方和为PRESSh,有
显然,如果回归方程的稳健性不好,误差很大,它对样本点的变动就会十分敏感,这种扰动误差的作用,就会加大PRESSh值。
定义Y的误差平方和为SSh,有
一般来说,总是有PRESSh大于SSh,而SSh总是小于SSh-1。下面比较SSh-1和PRESSh。SSh-1是用全部样本点拟合的具有h-1个成分的方程的拟合误差;PRESSh增加了一个成分th,但却含有样本点的扰动误差。如果h个成分回归方程的含扰动误差能在一定程度上小于h-1个成分回归方程的拟合误差,则认为增加一个成分th,会使拟合的精度明显提高。对于每一个因变量yk,定义交叉有效性为,
对于全部因变量Y,成分th的交叉有效性定义为
本发明具有以下优点:
采用PCA或PLS-DA方法,能够对煤进行快速分类(烟煤、无烟煤、褐煤),在提取主成分时考虑与因变量的相关关系,充分利用了光谱中所含的大量信息同时剔除了背景噪声的影响;对各类煤分别建立人工神经元网络模型,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。
附图说明
图1是本发明中激光诱导等离子光谱测量装置的具体示意图。
图2是本发明的流程示意图。
图3是PCA或PLS-DA对煤的分类例图。
具体实施方式
下面结合附图对本发明作进一步的说明,但本发明并不止包含这一种实施方式。
如图1、2所示。
本发明提供的一种基于神经网络的煤质特性在线测量方法,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E0,E0矩阵的结构如下;
其中, 表示第i种样品在波长λj处对应的谱线强度,i=1,2,…,n;j=1,2,…,m;
2)利用主成分分析或者偏最小二乘判别分析方法对定标样品进行分类,两种方法都需要先提取主成分;
a.主成分分析是从矩阵E0中提取主成分,首先得到矩阵E0的协方差矩阵,求取协方差矩阵的特征值,特征值从大到小依次为A1,A2,…,Ah;最大特征值A1对应的特征向量为第一主轴a1,第二特征值A2对应的特征向量为第二主轴a2,由此求得第一、第二主成分t1、t2,
t1=E0a1 (16)
t2=E0a2 (17)
依次类推可以求得第h个主成分th;
b.偏最小二乘判别分析法则以矩阵E0为自变量矩阵,各定标样品的挥发份含量组成因变量矩阵F0,矩阵F0的结构如下,
F0=(V1 V2 V3 … Vn)T (18)
其中,Vi表示第i种定标样品的挥发份含量,i=1,2,…,n;
从矩阵E0中提取主成分,使得主成分既能代表E0的变异信息,又能使E0与F0的相关程度达到最大;w1是对应于矩阵E0 TF0F0 TE0最大特征值的特征向量,得到E0的第一主成分 为,
t1=E0w1 (19)
实施E0在t1上的回归以及F0在t1上的回归,即
E0=t1p′1+E1 (20)
F0=t1r1+F1 (21)
t2=E1w2 (22)
依次类推可以求得第h个成分th,最后可用交叉有效性确定偏最小二乘回归中成分th的提取个数,停止迭代;
利用方法a或方法b分别提取第一、第二主成分,两种方法分别做主成分得分图,在图上以每个定标样品对应的主成分的值作为该样本的坐标点,绘出所有坐标点的位置,观察坐标点在二维空间的分布特征和相似性结构;如果二维图的分类效果不明显,则加入第三主成分,观察坐标点在三维空间的分布特征和相似性结构;通过主成分得分图,定标样品被明显分类;
3)经过主成分分析或偏最小二乘判别分析法对定标样品分类后,对各类定标样品分别建立神经网络模型,神经网络的输入层为特征谱线强度,输入层节点数目为特征谱线的数目;输出层为各元素浓度,输出层节点数目为需要测定的元素种类数;
4)由于定标样品的各元素浓度已知,故用定标样品的特征谱线强度和元素浓度对神经网络模型进行训练,训练结束后则调整隐含层的层数或各层的节点数目,然后重新训练;
5)重复步骤4),直至神经网络模型的训练误差达到最小,即得到最优的神经网络模型;
6)对于各元素浓度未知的待测样品,首先通过安装在输送皮带上方的激光诱导等离子光谱系统得到该待测样品的特征谱线强度矩阵;然后按照步骤2)作出该待测样品在主成分得分图上的坐标点,根据该坐标点在得分图上的位置确定该待测样品所属的类别,最后将特征谱线强度数据输入到所属类别的已训练好的最优的神经网络模型中,即求得待测样品中各元素的浓度。
实施例:
1)首先使用各元素质量浓度已知的10种标准煤样品进行分析,其中5种为烟煤,5种为无烟煤。各煤炭样品的主要元素的质量浓度和挥发份含量如表1所示。使用激光诱导等离子光谱系统对煤样进行检测:如图1所示,以脉冲激光器(1)为激发光源,从激光器出射的激光经过聚焦透镜2聚焦后作用于煤炭样品(3)表面,在聚焦点产生等离子体,等离子体在保护气体的氛围中进行冷却,产生的辐射光信号通过采焦透镜(4)被实时收集,通过光纤(5)并经过光谱仪(6)处理后转化成电信号而被计算机(7)采集,得到各元素质量浓度已知的一组煤炭样品的光谱谱线,进一步得到定标煤炭样品中各种元素的激光诱导等离子特征光谱谱线强度。
表1标煤样品成分
2)采用C、H、O、N元素的特征谱线为自变量,挥发份浓度为因变量,应用PLS-DA方法提取成分。第一、第二成分t1、t2分别记为PC1、PC2。PC1概括了特征谱线组成的数据表中58.615%的信息,PC2则概括了数据表中27.450%的信息。建立PLS-DA模型,如附图3所示。
3)此例中,以碳、氢、氧、氮、硫五种元素在光谱中出现的所有特征谱线强度作为输入,共14个输入节点,选择碳、氢、氮、硫的浓度作为输出,共4个输出节点,隐含层优化后的选择为一层、5个节点,对各类煤分别建立BP神经网络,使用表1中前8种煤(4种烟煤,4种无烟煤)的数据按照煤种分别对模型进行训练,直至模型误差达到最小。
4)使用表1中的最后两种煤作为未知煤样对模型进行验证,由图3知,PLS-DA模型能够清晰地分辨出煤的种类;将两种煤各自的LIBS光谱数据输入相应的神经元网络模型,预测样品中碳、氢、氮、硫的浓度和挥发份含量,预测效果如表2所示。由表可知,模型的预测精度较好,绝对误差并不大,在预测低含量的元素时相对误差可能会有些大。
表2模型预测效果
与上述方法相对应的在线检测设备(如图1所示),包括脉冲激光器(型号可以为Nd:YAG)、聚焦透镜2、采集透镜4、光纤5、光谱仪6、计算机7,其特征是脉冲激光器1安装在聚焦透镜2的上部,聚焦透镜2位于样品3的上方,采集透镜4位于样品的侧面。样品从聚焦透镜2下部通过。采集透镜4通过光纤5与光谱仪6的输入段相连,光谱仪6的输出端与计算机7相连。计算机7在相应的软件控制下可进行计算并实现显示或打印计算结果,同时提供相应的数据接口。
Claims (1)
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E0,E0矩阵的结构如下,
2)利用主成分分析或者偏最小二乘判别分析方法对定标样品进行分类,两种方法都需要先提取主成分;
a.主成分分析是从矩阵E0中提取主成分,首先得到矩阵E0的协方差矩阵,求取协方差矩阵的特征值,特征值从大到小依次为A1,A2,…,Ah;最大特征值A1对应的特征向量为第一主轴a1,第二特征值A2对应的特征向量为第二主轴a2,由此求得第一、第二主成分t1、t2,
t1=E0a1 (2)
t2=E0a2 (3)
依次类推可以求得第h个主成分th;
b.偏最小二乘判别分析法则以矩阵E0为自变量矩阵,各定标样品的挥发份含量组成因变量矩阵F0,矩阵F0的结构如下,
F0=(V1 V2 V3 … Vn)T (4)
其中,Vi表示第i种定标样品的挥发份含量,i=1,2,…,n;
从矩阵E0中提取主成分,使得主成分既能代表E0的变异信息,又能使E0与F0的相关程度达到最大;w1是对应于矩阵E0 TF0F0 TE0最大特征值的特征向量,得到E0的第一主成分为,
t1=E0w1 (5)
实施E0在t1上的回归以及F0在t1上的回归,即
E0=t1p′1+E1 (6)
F0=t1r1+F1 (7)
t2=E1w2 (8)
依次类推可以求得第h个成分th,最后可用交叉有效性确定偏最小二乘回归中成分th的提取个数,停止迭代;
利用方法a或方法b分别提取第一、第二主成分,两种方法分别做主成分得分图,在图上以每个定标样品对应的主成分的值作为该样本的坐标点,绘出所有坐标点的位置,观察坐标点在二维空间的分布特征和相似性结构;如果二维图的分类效果不明显,则加入第三主成分,观察坐标点在三维空间的分布特征和相似性结构;通过主成分得分图,定标样品被明显分类;
3)经过主成分分析或偏最小二乘判别分析法对定标样品分类后,对各类定标样品分别建立神经网络模型,神经网络的输入层为特征谱线强度,输入层节点数目为特征谱线的数目;输出层为各元素浓度,输出层节点数目为需要测定的元素种类数;
4)由于定标样品的各元素浓度已知,故用定标样品的特征谱线强度和元素浓度对神经网络模型进行训练,训练结束后则调整隐含层的层数或各层的节点数目,然后重新训练;
5)重复步骤4),直至神经网络模型的训练误差达到最小,即得到最优的神经网络模型;
6)对于各元素浓度未知的待测样品,首先通过安装在输送皮带上方的激光诱导等离子光谱系统得到该待测样品的特征谱线强度矩阵;然后按照步骤2)作出该待测样品在主成分得分图上的坐标点,根据该坐标点在得分图上的位置确定该待测样品所属的类别,最后将特征谱线强度数据输入到所属类别的已训练好的最优的神经网络模型中,即求得待测样品中各元素的浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105370276A CN102004088B (zh) | 2010-11-09 | 2010-11-09 | 一种基于神经网络的煤质特性在线测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105370276A CN102004088B (zh) | 2010-11-09 | 2010-11-09 | 一种基于神经网络的煤质特性在线测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102004088A CN102004088A (zh) | 2011-04-06 |
CN102004088B true CN102004088B (zh) | 2012-08-22 |
Family
ID=43811635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105370276A Active CN102004088B (zh) | 2010-11-09 | 2010-11-09 | 一种基于神经网络的煤质特性在线测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102004088B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103538384B (zh) * | 2012-11-06 | 2015-07-22 | 慈溪市飞杰电器厂 | 一种打印机光谱映射的方法 |
CN103234944B (zh) * | 2013-04-17 | 2015-04-15 | 清华大学 | 一种基于主导因素结合偏最小二乘法的煤质特性分析方法 |
CN105277531B (zh) * | 2015-09-25 | 2018-04-10 | 清华大学 | 一种基于分档的煤质特性测量方法 |
CN105823863A (zh) * | 2016-03-28 | 2016-08-03 | 华北电力大学(保定) | 一种基于恒温热重分析的煤质在线工业分析测量方法 |
CN106990066B (zh) * | 2017-02-22 | 2020-03-13 | 中国科学院遥感与数字地球研究所 | 一种鉴别煤炭种类的方法及装置 |
CN107576772B (zh) * | 2017-07-25 | 2020-08-11 | 中国地质大学(北京) | 一种利用测井数据定量评价煤体结构类型的方法 |
CN107589093A (zh) * | 2017-09-08 | 2018-01-16 | 邓雷 | 一种基于回归分析的煤质在线检测分析方法 |
CN107677647B (zh) * | 2017-09-25 | 2021-05-25 | 重庆邮电大学 | 基于主成分分析和bp神经网络的中药材产地鉴别方法 |
CN109813860A (zh) * | 2017-11-21 | 2019-05-28 | 浙江浙能天工信息科技有限公司 | 一种锅炉煤质成分的实时分析法 |
CN109541143B (zh) * | 2018-11-28 | 2021-07-06 | 西安建筑科技大学 | 一种含挥发组元炉渣实际成分及物性随时间变化的预测方法 |
CN110487403A (zh) * | 2019-09-02 | 2019-11-22 | 常州市武进区半导体照明应用技术研究院 | 一种led光谱功率分布的预测方法 |
CN110826615A (zh) * | 2019-10-31 | 2020-02-21 | 南方电网科学研究院有限责任公司 | 污秽的分类方法、装置、设备、介质及数据获取系统 |
CN116297272B (zh) * | 2023-05-22 | 2023-08-18 | 北京易兴元石化科技有限公司 | 在线煤质分析系统及方法 |
CN116297273B (zh) * | 2023-05-22 | 2023-08-18 | 北京易兴元石化科技有限公司 | 基于入厂的煤质在线分析系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726481A (zh) * | 2008-10-29 | 2010-06-09 | 北京华圣金程科技有限公司 | 一种燃料种类在线辨识方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7660774B2 (en) * | 2005-05-31 | 2010-02-09 | Honeywell International Inc. | Nonlinear neural network fault detection system and method |
-
2010
- 2010-11-09 CN CN2010105370276A patent/CN102004088B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726481A (zh) * | 2008-10-29 | 2010-06-09 | 北京华圣金程科技有限公司 | 一种燃料种类在线辨识方法 |
Non-Patent Citations (1)
Title |
---|
刘闯等.基于数据预处理技术的电站锅炉煤质软测量研究.《能源与环境》.2008,(第2期),33-35,39. * |
Also Published As
Publication number | Publication date |
---|---|
CN102004088A (zh) | 2011-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102004088B (zh) | 一种基于神经网络的煤质特性在线测量方法 | |
CN102053083B (zh) | 一种基于偏最小二乘法的煤质特性在线测量方法 | |
CN104251846B (zh) | 一种结合判别分析的激光诱导击穿光谱定量分析方法 | |
CN103234944B (zh) | 一种基于主导因素结合偏最小二乘法的煤质特性分析方法 | |
CN102608061B (zh) | 一种改进的tr多组分气体傅里叶变换红外光谱特征变量提取方法 | |
CN108596085A (zh) | 基于卷积神经网络的土壤重金属含量检测模型的建立方法 | |
CN101509872A (zh) | 一种基于回归分析的煤质在线检测分析方法 | |
CN103543132B (zh) | 一种基于小波变换的煤质特性测量方法 | |
CN113155809A (zh) | 一种矿石分类与实时定量分析的光谱检测新方法 | |
CN102004097A (zh) | 一种基于主导因素结合偏最小二乘法的煤质在线检测方法 | |
CN105277531B (zh) | 一种基于分档的煤质特性测量方法 | |
CN110530914A (zh) | 土壤重金属检测系统及检测方法 | |
CN112504983A (zh) | 一种基于浊度色度补偿的硝酸盐浓度预测方法 | |
CN114636687A (zh) | 基于深度迁移学习的小样本煤质特性分析系统及方法 | |
CN103792214B (zh) | 一种提高钢铁中碳元素含量测量精度的方法 | |
Xia et al. | A method based on a one-dimensional convolutional neural network for UV-vis spectrometric quantification of nitrate and COD in water under random turbidity disturbance scenario | |
CN105954228A (zh) | 基于近红外光谱的油砂中金属钠含量的测量方法 | |
Cai et al. | Online detection of concentrate grade in the antimony flotation process based on in situ Raman spectroscopy combined with a CNN-GRU hybrid model | |
CN109521002B (zh) | 一种固体燃料颗粒流的燃料特性测量方法 | |
Zhao et al. | Fast and nondestructive discrimination of coal types based on spectral feature parameters | |
Li et al. | A hard modeling approach to determine methanol concentration in methanol gasoline by Raman spectroscopy | |
Li et al. | Back-propagation neural network-based modelling for soil heavy metal | |
Hou et al. | Rapid identification of rice seed based on inverse Fourier transform of laser-induced breakdown spectroscopy | |
CN112595706A (zh) | 一种激光诱导击穿光谱变量选择方法及系统 | |
CN112861411A (zh) | 基于近红外光谱主成分和神经网络的生物质钠含量测量与建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |