CN105699319A - 一种基于高斯过程的近红外光谱煤全水分快速检测方法 - Google Patents
一种基于高斯过程的近红外光谱煤全水分快速检测方法 Download PDFInfo
- Publication number
- CN105699319A CN105699319A CN201610058276.4A CN201610058276A CN105699319A CN 105699319 A CN105699319 A CN 105699319A CN 201610058276 A CN201610058276 A CN 201610058276A CN 105699319 A CN105699319 A CN 105699319A
- Authority
- CN
- China
- Prior art keywords
- coal
- spectrum
- sample
- total moisture
- gaussian process
- 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.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 133
- 230000008569 process Effects 0.000 title claims abstract description 69
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 58
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013450 outlier detection Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000004497 NIR spectroscopy Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 22
- 238000005070 sampling Methods 0.000 description 19
- 238000000513 principal component analysis Methods 0.000 description 13
- 230000003595 spectral effect Effects 0.000 description 10
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 229910021529 ammonia Inorganic materials 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004939 coking Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000011194 food seasoning agent Nutrition 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 239000002802 bituminous coal Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000002425 crystallisation Methods 0.000 description 2
- 230000008025 crystallization Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000012773 Laboratory assay Methods 0.000 description 1
- 241000233855 Orchidaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- RHZUVFJBSILHOK-UHFFFAOYSA-N anthracen-1-ylmethanolate Chemical compound C1=CC=C2C=C3C(C[O-])=CC=CC3=CC2=C1 RHZUVFJBSILHOK-UHFFFAOYSA-N 0.000 description 1
- 239000003830 anthracite Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003077 lignite Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高斯过程的近红外光谱煤全水分快速检测方法,包括以下步骤:1)利用近红外光谱仪,扫描煤样得到每个样本的光谱数据S0,并以煤样的全水分值作为标定值Y0;2)对所述的光谱数据S0进行预处理,得到处理后的光谱S1;3)确定高斯过程核函数,并根据所述的光谱S1和标定值Y0进行参数寻优计算,得到相应的高斯过程模型GP;4)采集未知煤样的光谱数据,并重复步骤2)中的操作,得到未知煤样的光谱S;5)以光谱S作为所述高斯过程模型GP的输入,得到所述未知煤样的全水分参数。本发明通过采集煤样光谱,结合基于高斯过程的数学模型对光谱进行计算,可以在短时间内得到煤质全水分参数并给出相应的预测值置信区间。
Description
技术领域
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全水分快速检测方法。
背景技术
煤的水分,是一项重要的煤质指标,对煤的加工利用、贸易、运输和储存都有很大的影响。一般说来,水分高要影响煤的质量。在煤的利用中首先遇到的是煤的破碎问题,水分高的煤就难以破碎;在锅炉燃烧中,水分高就影响燃烧稳定性和热传导;在炼焦时,水分高会降低焦产率;而且由于水分大量蒸发带走热量而延长焦化周期;在煤炭贸易中,水分也是一个定质和定量的主要指标,故在签订销煤合同时,用户一般都会提出煤中水分的限值。由于水分易蒸发,因此,它的快速检测对于煤的生产、销售和应用等均具有重要的意义。
煤的水分简单地说分为:全水分、内在水分、外在水分、结晶水和分解水,在实际测定中只能测煤的全水分、内在水分、外在水分和最高内在水分,而不测定结晶水和分解水。其中,煤中全水分,是指煤中全部的游离水分,即煤中外在水分和内在水分之和。测定煤中全水分的方法主要有通氨干燥法和空气干燥法,其中通氨干燥法适用于所有煤种,空气干燥法仅适用于烟煤和无烟煤。此外,微波干燥法适用于褐煤和烟煤水分的快速测定,而在仲裁分析中多用通氨干燥法测定一般分析试验煤样的水分。目前,煤质全水分的工业检测方法基本按照国家标准人工采样,实验室化验,主要采用通氨干燥法进行检测。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数小时。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。
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,实现对精煤全水分的安全、在线、快速的检测。
发明内容
本发明主要是解决现有煤全水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全水分参数。
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全水分快速检测方法,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全水分值预测分析的建模分析模块。
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。
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。
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。
所述的建模分析模块包括可用于对煤全水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三种: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;方法三为基于模式分类的融合高斯过程(PC-PCA-GP)预测模型。
本发明中,光谱数据的扫描获取方法包括以下步骤:
(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;
(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6mm以下;
(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匀料器处。作为优选,所述的传送带的运行速度不宜超过1m/min;
(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8mm-12mm为宜。
(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1000-2500nm,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。
本发明中,利用近红外光谱数据并基于高斯过程进行煤全水分建模预测分析的方法包括以下步骤:
(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S0用于算法的后续步骤。对于建模样本,还需用化验法测得其全水分值作为标定值Y0;
(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,在对煤全水分建模时,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;
(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:
其中,δf和l为高斯内核中的参数;
(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Y0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;
(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)、Pearson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。
校正均方根误差(RMSEC)可表示为:
其中:n为训练样本数,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。
预测均方根误差(RMSEP)可表示为:
其中:m为测试集预测样本数,y*i为模型对测试集数据样本i的预测值,yi为测试集数据样本i的标定值。
交叉验证均方根误差(RMSECV)可表示为:
其中:n为总共的样本数,y*i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。
Pearson相关系数R可表示为:
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*i为模型对样本i的预测值,yi为样本i的标定值。
变异系数CV可表示为:
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;
(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,则确定为最终全水分预测模型MtGP,用于未知样本的全水分参数预测。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;
(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;
(8)将步骤(7)中所得的未知煤样最终光谱S作为步骤(6)中所得最终全水分预测模型MtGP的输入,即可通过模型计算得到未知煤样的全水分参数。
(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),此时得到的最终全水分预测模型为MtPCA-GP。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MtPCA-GP代替MtGP来计算得到未知煤样的全水分参数。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。
(10)对方法三中基于模式分类的融合高斯过程(PC-PCA-GP)预测模型,在步骤(1)得到S0和Y0之后,需首先进行PCA降维,然后结合模式分类方法建立分类模型进行样本预分类,得到相应的类别标签Li和每类的原始光谱Si0及标定值Yi0,所述的分类模型标记为CM。作为优选,煤样本预分类所用的模式分类方法选择支持向量机(SVM),若为多分类问题则转化为二分类问题再进行分类。作为优选,将多分类转化为二分类时One-vs-One思路,并采用最大分类概率决定样本所属类别;
对于方法三,以步骤(10)中所得的每类的原始光谱Si0及标定值Yi0代替步骤(1)中的S0和Y0按照方法二进行步骤(2)~(9),即可对每一类i的样本得到一个PCA-GP模型,称为i类最终全水分预测模型MtPC-PCA-GP(i);
对于方法三,在预测时,(7)中所述的的未知煤样最终光谱S也应先经步骤(10)所述的模式分类器CM预分类,并经与步骤(11)中该类别建模过程相同的处理得到;
根据步骤(12)所得的未知样本预分类类别Li,选择相对应的该类别最终全水分预测模型MtPC-PCA-GP(i),并在步骤(8)中以MtPC-PCA-GP(i)代替MtGP来计算得到未知煤样的全水分参数。
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数学模型对光谱进行计算,可以在短时间内得到煤质全水分参数并给出相应的预测值置信区间。相比于化学方法检测,全自动、方便、快捷;相比于射线分析法更安全。
附图说明
图1为本发明的系统工作流程图。
图2为本发明的检测系统立体示意图。
图中:1采样设备,2破碎设备,3破碎后煤颗粒,4煤样传送带,5传送带驱动电机,6平板叶片软匀料器,7匀料器驱动电机,8近红外光谱仪,9计算机。
图3为本发明的计算机端利用近红外光谱数据进行建模预测煤全水分的算法框图。
图4为本发明的一实施例PCA-GP模型所得置信水平为99.74%的全水分预测结果。
具体实施方式
下面通过实施例并结合附图,对本发明的技术方案作进一步具体的说明。
本实施例中,近红外光谱煤全水分快速检测方法的整个系统的工作流程图如图1所示,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全水分值预测分析的建模分析模块。对应地,检测系统的示意图如图2所示。
采样模块主要包括采样设备1,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。
煤样预处理模块主要包括破碎设备2、传送带装置和匀料器。破碎设备2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,例如可由锤式破碎机组成第一级破碎,得到颗粒直径10mm以下的粗煤粒,再由对辊式破碎机组成第二级破碎,得到颗粒直径3mm以下的细煤粒,破碎粒级可根据实际情况进行调整。破碎后得到的煤粒3进入传送带中。传送带装置由传送带4和驱动传送带运行的电机5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4采用皮带式,通过驱动电机5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6由若干平板叶片轮与驱动叶轮的电机7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。
光谱采集模块为近红外光谱仪8,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9。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。
建模分析模块包括可用于对煤全水分值进行建模预测分析的计算机9。所用模型主要基于高斯过程,并可进行相关的优化拓展。本实施例中使用的基于高斯过程的建模分析方法有三种: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;方法三为基于模式分类的融合高斯过程(PC-PCA-GP)预测模型,具体所用模式分类算法为支持向量机(SVM),使用One-vs-One思路将多分类转化为二分类,并采用最大分类概率决定样本所属类别。所用模型的算法框图如图3所示。
本实施例中所使用的建模数据,来自山西东曲、河东、马兰、屯兰等16座煤矿,共4种煤种,包括焦煤、肥煤、瘦煤、贫瘦煤。为保证数据均衡性与模型可靠性,四种煤样本数保持一致,这里焦煤、肥煤、贫瘦煤各50个样本,瘦煤由于有一个样本采样化验污染,作无效样本处理,共49个样本。在扫描获取光谱数据时,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2;将所得一级煤样经由破碎设备2充分破碎至3mm以下的细煤粒,得到的二级煤样进入传送带4中;二级煤样的颗粒直径在6mm以下;调整传送带速度,使其能够低速平稳运行,运行速度0.6m/min;调整匀料器叶轮高度,所经煤样由匀料器旋转使其表面摊平,进而得到厚度为10mm的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3运送至光谱仪8;调整近红外光谱仪的光源至合适位置,光谱扫描的谱段为1000-2500nm,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,以此最终获得共199个样本。
将所得199个样本分别用基于高斯过程三种方法进行的建模分析: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;方法三为基于模式分类的融合高斯过程(PC-PCA-GP)预测模型。建模过程所涉及的光谱预处理方法为:提取有效波段范围在1350nm-2400nm区间的光谱;基于GP模型进行离群点检测剔除。所涉及的高斯过程核函数为平方指数协方差函数(SE)。所涉及的高斯过程参数估计采用两轮网格法搜索寻优。方法二所涉及的PCA降维过程经基于贡献率并搜索寻优得到,最终确定主成分数为9个。所得模型根据以校正均方根误差(RMSEC)、留一法交叉验证均方根误差(RMSECV)、Pearson相关系数R以及变异系数CV为指标综合评价。
图4所示为对样本点经方法二PCA-GP用留一法交叉验证后输出的预测结果,可见该方法不但较为准确地给出了全水分值的预测值,而且给出了预测值的三倍标准差置信区间,对应的置信水平为99.74%,方法还可根据实际需求调整置信水平。
表1基于近红外光谱的煤全水分建模方法对比
为具体评估本发明中基于高斯过程的全水分预测模型的建模效果,将用方法一(GP)和方法二(PCA-GP)同常用的近红外光谱建模方法偏最小二乘回归(PLSR)针对本例样本做建模对比,采用相同方法得出的评价指标,所有方法的结果均为综合优化后的最佳结果,见表1。可以看出,在与PCA融合之后,基于高斯过程的预测模型RMSEC(0.56-->0.19)、RMSECV(0.79-->0.31)和CV(13.75-->5.52)都显著下降,表明模型融合大大改善了模型对内部样本的拟合精度和外部样本的预测精度,同时相关系数R(0.90-->0.95)显著增大,表明融合方法对模型相关程度的提高也大有帮助。相比于目前应用最广的PLSR,PCA-GP方法也同样在预测精度以及模型相关程度上有明显优势(RMSEC:0.19vs.0.33,RMSECV:0.31vs.0.40,R:0.95vs.0.92,CV:5.52vs.6.96)。
表2基于SVM分类的PCA-GP对煤全水分的建模效果
为评估方法三基于SVM分类的PCA-GP方法的全水分预测模型的建模效果,将用方法二(PCA-GP)和方法三(SVM-PCA-GP)经分类后不同煤种针对本例样本做建模对比,主要对比变异系数CV,所有方法的结果均为综合优化后的最佳结果,见表2。可以看出,经分类建模后,对于每种煤的全水分的预测精度均得到改善。
上面所描述的具体实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前抻下,本领域相关技术人员对本发明的各种变形和改进,均应扩如本发明权利要求书所确定的保护范围内。
尽管本文较多地使用了均方根误差、变异系数等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种基于高斯过程的近红外光谱煤全水分快速检测方法,其特征在于,包括以下步骤:
1)利用近红外光谱仪,扫描煤样得到每个样本的光谱数据S0,并以煤样的全水分值作为标定值Y0;
2)对所述的光谱数据S0进行预处理,得到处理后的光谱S1;
3)确定高斯过程核函数,并根据所述的光谱S1和标定值Y0进行参数寻优计算,得到相应的高斯过程模型GP;
4)采集未知煤样的光谱数据,并重复步骤2)中的操作,得到未知煤样的光谱S;
5)以光谱S作为所述高斯过程模型GP的输入,得到所述未知煤样的全水分参数。
2.如权利要求1所述的近红外光谱煤全水分快速检测方法,其特征在于,所述的预处理包括依次进行的有效波长识别和离群点检测。
3.如权利要求2所述的近红外光谱煤全水分快速检测方法,其特征在于,所述的有效波长识别为提取有效波段范围在1350nm-2400nm区间的光谱。
4.如权利要求1所述的近红外光谱煤全水分快速检测方法,其特征在于,在步骤3)中,以平方指数协方差函数SE为所述的高斯过程核函数,其表示为:
其中,xi,xj为分别表示两个变量,k为协方差函数,定义了两个变量之间的近似度,δf和l为高斯内核中的参数。
5.如权利要求1所述的近红外光谱煤全水分快速检测方法,其特征在于,在步骤3)中,得到所述的高斯过程模型GP后需对模型进行评价验证,评价指标包括校正均方根误差、留一法交叉验证均方根误差或预测均方根误差、Pearson相关系数R以及变异系数CV。
6.一种基于高斯过程的近红外光谱煤全水分快速检测方法,其特征在于,包括以下步骤:
1)利用近红外光谱仪,扫描煤样得到每个样本的光谱数据S0,并以煤样的全水分值作为标定值Y0;
2)对所述的光谱数据S0进行预处理,得到处理后的光谱S1;
3)对所述的光谱S1进行PCA降维处理,得到光谱S2;
4)确定高斯过程核函数,并根据所述的光谱S2和标定值Y0进行参数寻优计算,得到相应的高斯过程模型GP;
5)采集未知煤样的光谱数据,并重复步骤2)和步骤3)中的操作,得到未知煤样的光谱S;
6)以光谱S作为所述高斯过程模型GP的输入,得到所述未知煤样的全水分参数。
7.如权利要求6所述的近红外光谱煤全水分快速检测方法,其特征在于,进行PCA降维处理时,选用基于贡献率并限定范围内的搜索结合RMSECV来确定最优主成分数。
8.一种基于高斯过程的近红外光谱煤全水分快速检测方法,其特征在于,包括以下步骤:
1)利用近红外光谱仪,扫描煤样得到每个样本的光谱数据S0,并以煤样的全水分值作为标定值Y0;
2)对所述的光谱数据S0进行PCA降维处理,并对煤样样本进行样本预分类,得到相应的类别标签Li和每类的原始光谱Si0及标定值Yi0;
3)确定高斯过程核函数,并根据所述的原始光谱Si0和标定值Y0进行参数寻优计算,得到该类i样本的高斯过程模型GP;
4)采集未知煤样的光谱数据,并重复步骤2)中的操作,得到未知煤样的光谱S;
5)以光谱S作为对应类的高斯过程模型GP的输入,得到所述未知煤样的全水分参数。
9.如权利要求8所述的近红外光谱煤全水分快速检测方法,其特征在于,在步骤2)中,采用模式分类方法进行样本预分类。
10.如权利要求9所述的近红外光谱煤全水分快速检测方法,其特征在于,所述的模式分类方法为支持向量机,若为多分类问题则转化为二分类问题再进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610058276.4A CN105699319A (zh) | 2016-01-28 | 2016-01-28 | 一种基于高斯过程的近红外光谱煤全水分快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610058276.4A CN105699319A (zh) | 2016-01-28 | 2016-01-28 | 一种基于高斯过程的近红外光谱煤全水分快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105699319A true CN105699319A (zh) | 2016-06-22 |
Family
ID=56229656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610058276.4A Pending CN105699319A (zh) | 2016-01-28 | 2016-01-28 | 一种基于高斯过程的近红外光谱煤全水分快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105699319A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645037A (zh) * | 2016-11-17 | 2017-05-10 | 安徽理工大学 | 基于高光谱技术检测煤矸石充填复垦重构土壤重金属含量的方法 |
CN106940290A (zh) * | 2017-01-22 | 2017-07-11 | 广州地理研究所 | 基于高光谱数据的水库水体氨氮含量估算方法 |
CN109324013A (zh) * | 2018-10-08 | 2019-02-12 | 华东理工大学 | 一种利用高斯过程回归模型构建原油性质近红外快速分析的方法 |
CN112466417A (zh) * | 2020-11-23 | 2021-03-09 | 西安热工研究院有限公司 | 一种确定煤粉水分的简便方法 |
CN112697994A (zh) * | 2020-12-11 | 2021-04-23 | 山西大学 | 一种无人干预快速煤质智能检测计量系统 |
CN117451691A (zh) * | 2023-12-21 | 2024-01-26 | 浙江恒逸石化有限公司 | 一种用于预先判断纱线染色性能的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915744A (zh) * | 2010-07-05 | 2010-12-15 | 北京航空航天大学 | 物质成分含量的近红外光谱无损检测方法及装置 |
-
2016
- 2016-01-28 CN CN201610058276.4A patent/CN105699319A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915744A (zh) * | 2010-07-05 | 2010-12-15 | 北京航空航天大学 | 物质成分含量的近红外光谱无损检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
肖锋: "《基于偏最小二乘的近红外煤质分析》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645037A (zh) * | 2016-11-17 | 2017-05-10 | 安徽理工大学 | 基于高光谱技术检测煤矸石充填复垦重构土壤重金属含量的方法 |
CN106940290A (zh) * | 2017-01-22 | 2017-07-11 | 广州地理研究所 | 基于高光谱数据的水库水体氨氮含量估算方法 |
CN109324013A (zh) * | 2018-10-08 | 2019-02-12 | 华东理工大学 | 一种利用高斯过程回归模型构建原油性质近红外快速分析的方法 |
CN109324013B (zh) * | 2018-10-08 | 2021-09-24 | 华东理工大学 | 利用高斯过程回归模型构建原油性质近红外快速分析方法 |
CN112466417A (zh) * | 2020-11-23 | 2021-03-09 | 西安热工研究院有限公司 | 一种确定煤粉水分的简便方法 |
CN112466417B (zh) * | 2020-11-23 | 2023-01-20 | 西安热工研究院有限公司 | 一种确定煤粉水分的简便方法 |
CN112697994A (zh) * | 2020-12-11 | 2021-04-23 | 山西大学 | 一种无人干预快速煤质智能检测计量系统 |
CN112697994B (zh) * | 2020-12-11 | 2022-09-23 | 山西大学 | 一种无人干预快速煤质智能检测计量系统 |
CN117451691A (zh) * | 2023-12-21 | 2024-01-26 | 浙江恒逸石化有限公司 | 一种用于预先判断纱线染色性能的方法 |
CN117451691B (zh) * | 2023-12-21 | 2024-04-02 | 浙江恒逸石化有限公司 | 一种用于预先判断纱线染色性能的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105699319A (zh) | 一种基于高斯过程的近红外光谱煤全水分快速检测方法 | |
Wang et al. | Improved PLS regression based on SVM classification for rapid analysis of coal properties by near-infrared reflectance spectroscopy | |
CN108279217B (zh) | 一种基于太赫兹时域光谱的煤岩判别方法 | |
Xie et al. | Classification of tomatoes with different genotypes by visible and short-wave near-infrared spectroscopy with least-squares support vector machines and other chemometrics | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
CN105486661A (zh) | 一种基于高斯过程的近红外光谱煤灰分快速检测方法 | |
CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
Mancini et al. | Prediction of pellet quality through machine learning techniques and near-infrared spectroscopy | |
CN105092579A (zh) | 一种芒果品质无损检测设备 | |
CN106198447A (zh) | 基于近红外光谱技术的复混肥主要成分无损定量检测方法 | |
Xu et al. | Combining local wavelength information and ensemble learning to enhance the specificity of class modeling techniques: Identification of food geographical origins and adulteration | |
CN107976417B (zh) | 一种基于红外光谱的原油种类识别方法 | |
CN101769867A (zh) | 一种堆肥产品品质的无损检测方法 | |
CN105223140A (zh) | 同源物质的快速识别方法 | |
Du et al. | Quantitative detection of azodicarbonamide in wheat flour by near-infrared spectroscopy based on two-step feature selection | |
Shi et al. | Nondestructive discrimination of analogous density foreign matter inside soy protein meat semi-finished products based on transmission hyperspectral imaging | |
CN105699320A (zh) | 一种基于高斯过程的近红外光谱煤硫分快速检测方法 | |
Lan et al. | Machine learning and hyperspectral imaging-aided forecast for the share of biogenic and fossil carbon in solid waste | |
CN105606563A (zh) | 一种基于高斯过程的近红外光谱煤挥发分快速检测方法 | |
CN108398400B (zh) | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 | |
CN104181125A (zh) | 快速测定啤酒麦芽中库尔巴哈值的方法 | |
Bi et al. | Apple internal quality fusion prediction by multi-pattern recognition technology and evidence theory | |
Huang | Chemometric methods in analytical spectroscopy technology | |
CN104502307A (zh) | 一种快速检测长牡蛎糖原和蛋白质含量的方法 | |
Ma et al. | Estimating soil heavy metal concentration using hyperspectral data and weighted K-NN method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160622 |