CN108519330A - 煤质成分实时精准检测系统及方法 - Google Patents
煤质成分实时精准检测系统及方法 Download PDFInfo
- Publication number
- CN108519330A CN108519330A CN201810288091.1A CN201810288091A CN108519330A CN 108519330 A CN108519330 A CN 108519330A CN 201810288091 A CN201810288091 A CN 201810288091A CN 108519330 A CN108519330 A CN 108519330A
- Authority
- CN
- China
- Prior art keywords
- data
- coal
- value
- algorithm
- big
- 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.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000000203 mixture Substances 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 136
- 238000005259 measurement Methods 0.000 claims abstract description 62
- 238000013135 deep learning Methods 0.000 claims abstract description 50
- 238000007405 data analysis Methods 0.000 claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000007639 printing Methods 0.000 claims abstract description 7
- 239000004615 ingredient Substances 0.000 claims description 23
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical group [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 20
- 229910052717 sulfur Inorganic materials 0.000 claims description 20
- 241001269238 Data Species 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 16
- 230000004992 fission Effects 0.000 claims description 13
- 239000011593 sulfur Substances 0.000 claims description 12
- 239000005864 Sulphur Substances 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 7
- 229910052698 phosphorus Inorganic materials 0.000 claims description 7
- 239000011574 phosphorus Substances 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 241000968069 Asterolecaniidae Species 0.000 claims description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- GVJHHUAWPYXKBD-IEOSBIPESA-N α-tocopherol Chemical compound OC1=C(C)C(C)=C2O[C@@](CCC[C@H](C)CCC[C@H](C)CCCC(C)C)(C)CCC2=C1C GVJHHUAWPYXKBD-IEOSBIPESA-N 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000002093 peripheral effect Effects 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 230000005855 radiation Effects 0.000 abstract description 3
- 238000000691 measurement method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- COCAUCFPFHUGAA-MGNBDDOMSA-N n-[3-[(1s,7s)-5-amino-4-thia-6-azabicyclo[5.1.0]oct-5-en-7-yl]-4-fluorophenyl]-5-chloropyridine-2-carboxamide Chemical compound C=1C=C(F)C([C@@]23N=C(SCC[C@@H]2C3)N)=CC=1NC(=O)C1=CC=C(Cl)C=N1 COCAUCFPFHUGAA-MGNBDDOMSA-N 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009102 absorption Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
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
本发明公开了煤质成分实时精准检测系统及方法，包括测量模块、模型处理模块、保护单元、显示打印终端单元、大数据分析模块、“深度学习”人工智能模块、中央处理子系统和接口子系统；测量模块的输出端接入模型处理模块的输入端，模型处理模块的输出端接入大数据分析模块处理器的输入端，模型处理模块的输出端和保护单元的输出端均接入中央处理子系统的输入端，中央处理子系统的输出端双向连接大数据分析模块的输入端,大数据处理模块的输出端双向连接“深度学习”人工智能模块的输入端，解决了以往煤质成分实时精准检测设备的测量方法出现的成本高、误差大、实时性差和辐射大的问题。
Description
技术领域
本发明涉及煤质检测方法领域，特别是涉及煤质成分实时精准检测系统及方法。
背景技术
传统方式靠人工采用化学燃烧方式测量煤炭六大成分从而确定煤炭价格，这种方式的实时性差、误差大、人为干扰强；近几年为了排除人为干扰，采用了激光测量法、伽马射线法，虽然激光测量法、伽马射线法排除了人为干扰，但是上述方法投入成本高、误差大、实时性差，同时伽马射线法辐射大，对操作者人身伤害大；2016年起国家要求逐步淘汰了伽马射线法测量技术。
发明内容
为解决现有技术中存在的问题，本发明提供了煤质成分实时精准检测系统及方法，解决了以往煤质成分在线检测出现的成本高、误差大、实时性差和辐射大的问题。
本发明采用的技术方案是：煤质成分实时精准检测系统，包括测量模块、模型处理模块、保护单元、显示打印终端单元、大数据分析模块、“深度学习”人工智能模块、中央处理子系统和接口子系统；测量模块的输出端接入模型处理模块的输入端，模型处理模块的输出端接入大数据分析模块处理器的输入端，模型处理模块的输出端和保护单元的输出端均接入中央处理子系统的输入端，中央处理子系统的输出端双向连接大数据分析模块的输入端,大数据处理模块的输出端双向连接“深度学习”人工智能模块的输入端，“深度学习”人工智能模块的输出端双向连接中央处理子系统的输入端，中央处理子系统的输出端接入显示打印终端单元，中央处理子系统的输出端双向连接接口子系统的输入端。
优选地，煤质成分实时精准检测方法,方法包括如下步骤：
步骤A1：利用红外光源发生器组照射煤质，通过红外光源感应器组和环境光源感应器接收经煤质反射的红外光信号和环境光源信号，并将红外光信号和环境光源信号输出至测量模块；
步骤A2：测量模块对数据进行处理后得到煤质六大成分值，并输出至模型处理模块，将煤质的六大成分值的测量精度提高；
步骤A3：将精度高的煤质的六大成分值分别输出至中央处理子系统和大数据分析模块系统，通过大数据分析模块对测量数据进行整理、归类和分析，并将数据存储到中央处理子系统中；
步骤A4：将大数据分析模块处理后的数据输出至中央处理子系统和“深度学习”人工智能模块，对规整好的煤质六大成分数据进行进一步优化，提高测量精度，且将数据存储到中央处理子系统中；
步骤A5：将“深度学习”人工智能模块处理后的高精度煤质的六大成分数据通过接口子系统输出至外界。
本发明煤质成分实时精准检测系统及方法的有益效果如下：
1.由于测量模块每50ms产生一组测量数据，因此整个系统在50ms就可以测定煤炭的六大成分，时间短，效率高和准度高。
2.测量模块包含了红外光源发生器组、红外光源感应器组、环境光源感应器，均采用红外检测，无放射性，安全环保。
3.煤质的六大成分经过模型处理模块、大数据分析模块、“深度学习”人工智能模块和中央处理子系统后，得到精度更高的煤质的六大成分。
4.接口子系统包括管理信息系统接口、地磅系统接口和中央处理系统接口；信息扩展能力强，接口系统可与MIS、ERP、EAM等多种主流管理信息系统对接，可以给客户提供丰富的综合分析手段。
附图说明
图1为本发明煤质成分实时精准检测系统及方法的总框图。
图2为本发明煤质成分实时精准检测系统及方法的测量模块框图。
图3为本发明煤质成分实时精准检测系统及方法的风扇主视图。
图4为本发明煤质成分实时精准检测系统及方法的风扇的右视图。
图5为本发明煤质成分实时精准检测系统及方法的风扇的剖面图。
图6为本发明煤质成分实时精准检测系统及方法的接口子系统框图。
图7为本发明煤质成分实时精准检测系统及方法的总方法框图。
图8为本发明煤质成分实时精准检测系统及方法的测量模块方法框图。
图9为本发明煤质成分实时精准检测系统及方法的算法程序流程图。
图10为本发明煤质成分实时精准检测系统及方法的数据分析方法总框图。
图11为本发明煤质成分实时精准检测系统及方法煤质数值分析模型框图。
图12为本发明煤质成分实时精准检测系统及方法带记忆和裂变的修正K-Means算法的流程图。
图13为本发明煤质成分实时精准检测系统及方法深度学习人工智能的方法的系统总框图。
图14为本发明煤质成分实时精准检测系统及方法“煤种专家系统”框图。
图15为本发明煤质成分实时精准检测系统及方法“深度学习系统”框图。
图16为本发明煤质成分实时精准检测系统及方法“监督学习系统”框图。
附图标记：1-测量头、2-吸气口、3-第一吹气口、4-第二吹气口、5-导流叶片。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1至图2所示，煤质成分实时精准检测系统，包括测量模块、模型处理模块、保护单元、显示打印终端单元、大数据分析模块、“深度学习”人工智能模块、中央处理子系统和接口子系统；测量模块的输出端接入模型处理模块的输入端，模型处理模块的输出端接入大数据分析模块处理器的输入端，模型处理模块的输出端和保护单元的输出端均接入中央处理子系统的输入端，中央处理子系统的输出端双向连接大数据分析模块的输入端,大数据处理模块的输出端双向连接“深度学习”人工智能模块的输入端，“深度学习”人工智能模块的输出端双向连接中央处理子系统的输入端，中央处理子系统的输出端接入显示打印终端单元，中央处理子系统的输出端双向连接接口子系统的输入端。
测量模块包括红外光源发生器组、红外光源感应器组、环境光源感应器、 AD转换器、测量光源信号寄存器组、环境光源信号寄存器、ARM7、中央处理器、RS232或STP484接口、系统复位按钮、测量模块保护电路、经“算法程序”处理后的测量光源信号寄存器组和经“算法程序”处理后的环境光源信号寄存器；红外光源感应器组的输出端和环境光源感应器的输出端均接入A/D转换器的输入端，A/D转换器的输出端分别接入测量光源信号寄存器组的输入端和环境光源信号寄存器的输入端，测量光源信号寄存器组的输出端、环境光源信号寄存器输出端和系统异常复位按钮均接入中央处理器的输入端，测量模块保护单元的输出端、ARM7的输出端和算法程序处理器的输出端均双向连接中央处理器的输入端，中央处理器的输出端接入经“算法程序”处理后的测量光源信号寄存器组和经“算法程序”处理后的环境光源信号寄存器的输入端，经“算法程序”处理后的测量光源信号寄存器组和经“算法程序”处理后的环境光源信号寄存器的输出端接入RS232/STP484接口的输入端。
本实施方案在实施时，“次红外光”测量器工作原理是在次红外线频段内，有的特殊频段对煤炭不同的成分的吸收度特别高，利用特殊选定的6种特殊红外频段对煤炭不同成分特别敏感的吸收度来设计的，当一定量的特殊频段次红外光照在煤炭上，根据返回来的光量减少值来表征该成分的含量，六个频段用于煤炭六大成分的测定，一个频段用于平衡环境光源，起修正作用，检测出媒质六大成分的值后，测量模块将六大成分值输出到模型处理模块处理器，模型处理模块处理器对输出的六大煤质成分进行复杂的逻辑关系处理输出六大成分和电信号之间的关系，再将信号输入到中央处理子系统，中央处理子系统经过分析，将信号输出到大数据分析模块处理器，大数据分析模块处理器将接收到的数据进行整理、归档、存储、挖掘、处理和分析，找出数据的共性和差异，针对不同煤种调整精度，经过处理后的数据进入“深度学习”人工智能模块处理器的输入端和返回到中央处理子系统，“深度学习”人工智能模块处理器利用大数据分析模块处理器提供的数据，进行分析，通过“深度学习”人工智能模块处理器分析不同的煤种，通过不断的学习，对“模型处理模块处理器”中得到的煤炭六大成分的数值进行有价值的修正或局部微调，以进一步提升煤炭六大成分的精确度，使分析的精度得到进一步的提高，通过这部分的工作，逐步降低误差，提高煤炭六大成分的精度，并适应复杂的煤种及混烧掺烧煤种，通过“深度学习”人工智能模块处理器后的数据进入中央处理子系统和反馈回大数据分析模块处理器，中央处理子系统将测量模块、模型处理模块处理器、大数据分析模块处理器、“深度学习”人工智能模块处理器得到的数据进行存储和处理，中央处理子系统为整个系统的大脑，最后将中央处理子系统输出的数据输入到接口子系统，为各种复杂应用提供数据。
如图3至图5所示，测量模块保护电路外设置风机，风机包括测量头1、吸气口2、第一吹气口3和第二吹气口4，测量头1、吸气口2、第一吹气口3和第二吹气口4均为为圆柱状，第一吹气口3内部设置导流叶片5，测量头1设置在吸气口2底端面内部，第一吹气口3设置于吸气口2外部，第二吹气口4设置于第一吹气口3外部。
本实施方案在实施时，吸气口2和第一吹气口3配合使用，一个吹灰，一个吸灰，布置在靠近测量头1的地方，风速相对较慢，主要解决光学头积灰问题；另外第二吹气口4离光学头相对较远，风速相对较快，主要负责阻挡测量头前端10至15CM地方的扬尘，防止扬尘干扰测量，其中的导流叶片5主要负责引导第二吹气口4的角度和方向，导流叶片的角度可以微调。
如图6所示，接口子系统包括：PLC/DCS地磅秤设备、工业以太网接口、以太网接口、RS232接口、USB接口、双向数据缓存器、数据处理模块、本地数据形成的数据库和外来数据建立的数据库；PLC/DCS地磅秤设备的输出端通过工业以太网接口、以太网接口、RS232接口和USB接口连接双向数据缓存器的输入端，双向数据缓存器的输出端连接数据处理模块的输入端，数据处理模块的输出端分别连接本地数据形成的数据库和外来数据建立的数据库的输入端。
本实施方案在实施时，系统通过常规的工业以太网接口、以太网接口、RS232 或USB接口等接口实现与外界系统的互联互通，通常PLC、DCS、地磅秤等设备通过RS232接口、工业以太网接口或以太网接口实现互联；而MIS、EAM、ERP 等管理信息系统通过以太网实现互联。
本系统通过上述四个传输接口实现链路的连接，外部系统的数据包通过传输接口后被放入位于RAM中的双向数据缓存(Cache)中8M字节的接受缓存空间，以防止数据因传输或传输速率不匹配造成的数据丢失；数据处理模块对外来的数据包按照FCFS原则进行解包，按约定数据格式或国际标准取出有用的数据，然后将这些有用的数据按照本系统数据处理及存储的格式进行处理，然后存入数据库，形成“外来数据建立的数据库”，这些数据将备本系统未来使用；同样如果外系统需要调用本系统的数据时，数据处理模块会从相应的本地数据库中取出数据，然后按约定数据格式或国际标准打包数据，然后把数据包推送到双向数据缓存(cache)中8M字节的发送缓存空间，最后系统会按FCFS原则将数据包通过四个链路传输接口发送给外部系统，从而实现数据的共享。
如图7所示，煤质成分实时精准检测方法,方法包括如下步骤：
步骤A1：利用红外光源发生器组照射煤质，通过红外光源感应器组和环境光源感应器接收经煤质反射的红外光信号和环境光源信号，并将红外光信号和环境光源信号输出至测量模块；
步骤A2：测量模块对数据进行处理后得到煤质六大成分值，并输出至模型处理模块，将煤质的六大成分值的测量精度提高；
步骤A3：将精度高的煤质的六大成分值分别输出至中央处理子系统和大数据分析模块系统，通过大数据分析模块对测量数据进行整理、归类和分析，并将数据存储到中央处理子系统中；
步骤A4：将大数据分析模块处理后的数据输出至中央处理子系统和“深度学习”人工智能模块，对规整好的煤质六大成分数据进行进一步优化，提高测量精度，且将数据存储到中央处理子系统中；
步骤A5：将“深度学习”人工智能模块处理后的高精度煤质的六大成分数据通过接口子系统输出至外界。
如图8至图9所示，步骤A1的测量模块的测量方法包括如下步骤：
步骤B1：利用红外光源发生器组照射煤质，红外光源感应器组和环境光源感应器接收经煤质反射的红外光信号和环境光源信号，并将红外光信号和环境光源信号输出至A/D转换器；
步骤B2：通过A/D转换器将红外光信号和环境光源信号转换为电信号，且输出至测量光源信号寄存器组和环境光源信号寄存器；
步骤B3：通过测量光源信号寄存器组和环境光源信号寄存器将电信号输出至中央处理子系统中，在中央处理子系统中将测量光源信号寄存器组和环境光源信号寄存器的七个电信号进行算法程序处理，算法程序处理后输出修正后的煤质的六大成分值值数据和环境光源值数据，将六大成分值值数据经算法程序处理后输出至测量光源信号输出寄存器组，将环境光源值数据经“算法程序”处理后输出至环境光源信号输出寄存器；
步骤B4：将测量光源信号输出寄存器组的六大成分值值数据和环境光源信号输出寄存器的环境光源数据通过RS232或STP484接口输出；
步骤B4中的“算法程序”包括如下步骤：
步骤C1：将红外光信号和环境光信号的数据进行“矫正算法”数据处理；
步骤C2：将“矫正算法”处理后的数据进行“修正算法”数据处理；
步骤C3：将“修正算法”处理后的数据输出到中央处理子系统。
“矫正算法”为VEi＝Vi–E*ki
其中，原始电压值为Vi i＝q、m、v、a、fc、s，Vq为煤质的发热量测量电压值，Vm为煤质的水分测量电压值，Vv为煤质的挥发分测量电压值，Va为煤质的灰分测量电压值，Vfc为煤质的固定碳测量电压值，Vs为煤质的含硫量测量电压值；环境光源测量电压值定义为E，矫正后的值定义为VEi i＝q、m、v、a、 fc、s，对应分别为六大成分对应的矫正值；
“修正算法”包括如下步骤：
步骤D1：依据f＝k0*f+k1*f1+k2*f2+K3
其中，f为当前的发热量、水分、灰分、挥发分、含碳量或全硫任意一个值， f1为从当前退后一次的历史的发热量、水分、灰分、挥发分、含碳量或全硫任意一个值，f2为从当前退后二次的历史的发热量、水分、灰分、挥发分、含碳量或全硫任意一个值；k0、k1、k2分别是当前、从当前退后一次的历史值、从当前退后二次的历史发热量、水分、灰分、挥发分、含碳量或全硫任意一个值的权重系数，k3是拟合常数，利用拉格朗日插值算法分别计算出k0、k1、k2和 k3；
通过拉格朗日代数插值原理，拉格朗日的差值算法如下：已知函数f(x)在区间[a,b]上n+1个不同点x0x1,…,xn处的函数值yi＝f(xi)，作一个至多n次多项式：
公式中χn是历史的第n次发热量值，a是系数。
公式中，使其在给定点处与f(x)同值，即满足插值条件
称为插值多项式，xi称为插值节点，简称节点，[a,b]称为插值区间。从几何上看，n次多项式插值就是通过n+1个点(xi,f(x i))，作一条多项式曲线y＝φn(x)，近似曲线y＝f(x)。
n次多项式有n+1个待定系数，由插值条件恰好给出n+1个方程
记此方程组的系数矩阵为A，则
当x0，x1，xn互不相同时，此行列式值不为零，因此方程组有唯一解。这表明，只要n+1个节点互不相同，满足插值要求的插值多项式是唯一的。
通过拉格朗日代数插值原理，采用拉格朗日差值算法就可以逐一算出k0、 k1、k2和k3；
步骤D2：重复步骤D1。
本实施方案在实施时，红外光源发生器组每50ms左右发射六组经挑选的红外光，红外光照射在被探测物体上，如：煤炭、煤粉等，反射光经红外光源测量感应器组吸收后转换为相应的六个电信号；同时由中央处理器对环境光源感应器同步测定环境光源，特别是红外光，作为环境光源对六组测量信号干扰的修正值，上述七个模拟信号经A/D转换模块放大并转换为七个对应的数字信号，这些数字信号被推送到相应的寄存器组和寄存器临时存放，寄存器的作用是防止七个数字信号丢失，中央处理器用事先存放在EPROM中的“算法程序”对七个数字信号进行预设的处理，以生成最终有价值的被探测物体的六个对应成分值，如：煤炭六大主成分，最后这些数值被放入对应的缓存Cache中，通过接口系统例如，RS232或类以STP484接口传送给其它终端处理。
如图10至图12所示，步骤A3的大数据分析模块的分析方法包括如下步骤：
步骤E1：将煤质的六大成分值和环境光源感应的输出值经过换算模型处理后，输出两组数据，一组为七个原始电伏信号，另一组为经“煤质数值分析模型”处理后的六大成分数据；
步骤E2：将经过“煤质数值分析模型”处理后的六大成分数据和七个原始电伏信号输入到大数据整理、存储、挖掘管理平台；
步骤E3：通过大数据整理、存储、挖掘管理平台对两组数据进行共性、差异和剩余三种类型的分类和整理；
步骤E4：将大数据整理、存储、挖掘管理平台处理后的数据输出到共性数据库、差异数据库和剩余数据库中；
步骤E1和E2的“煤质数值分析模型”为对煤质6大成分值的所有数据统一结构，同时按不同的特性算法，对所有数据按共性、差异和剩余三种类型进行分类、整理；
步骤E3和E4的大数据整理、存储、挖掘管理平台的算法为带记忆和裂变的修正K-Means算法；
带记忆和裂变的修正K-Means算法包括如下步骤：
步骤F1：将煤质的六大成分分别记为Ci(Q、M、A、V、Fc、S)，将Q、 V、S三个特性值对应三维空间X、Y、Z轴；
步骤F2：初始化煤种的数量K，K对应为煤种专家系统煤种的数量，当煤质成分实时精准检测设备的煤种专家系统扩充煤种数量时，深度学习系统会自动增加K的值；
步骤F3：自动存储上次数据挖掘输出的数据为K个质心点对应数据，并采用“记忆部分核心算法”处理数据；
步骤F4：将“记忆部分核心算法”处理后的数据进行“修正K-Means核心算法”处理；
步骤F5：将“修正K-Means核心算法”处理后的数据输出到“裂变部分核心算法”进行处理，最后将处理好的数据存储到共性数据库、差异数据库和剩余数据库中；
步骤F3的“记忆部分核心算法”包括如下步骤：
步骤G1:煤质成分实时精准检测设备将自动存储上次数据挖掘时找到的K 个质心点，定义为Zi，i＝1、2…K，算法初始化质心点，定义为Si，i＝1、2…K；
步骤G2：令Zi＝Si；
步骤F4的“修正K-Means核心算法”包括如下步骤：
步骤H1：对Ci(Q、V、S)里的V和S值分别乘以1000，以保持Q、V、 S三位同步；
步骤H2：再将Ci(Q、V、S)里的三个特性值进行欧式平方误差和运算；
其中，其中，C为当前选定的临时质心，Cx为煤质的热量值，Cy为煤质的挥发值，Ci为除C外的其它的数据，Cx.q为在X轴的发热量成分值；Cy.q表示为在Y轴挥发量值,Cx.s为在X轴煤质的含硫成分值；Cy.s为在Y轴含硫量值， Cx.v在X轴挥化分值；Cy.v表示在Y轴挥发量值；
步骤H3：如果SSE已经收敛，则找到了K个质心点，输出SSE所对应的K 个质心点，输出数据进行“裂变部分核心算法”，否则继续执行步骤H1和步骤 H2；
步骤F5的“裂变部分核心算法”包括如下步骤：
步骤I1：令挖掘到的K个质心点为Ci，i＝1、2、3……K,当前煤质为C，进行欧式平方误差和；
Cmin＝MIN(Dis(C,Ci))
其中，C.q为当前煤质的发热量成分值；C.S为当前煤质的含硫成分值；Ci.v 当前煤质的挥化分值；Ci.q为第i个质心点的热值成分值；Ci.S为第i个质心点的含硫成分值；Ci.v为第i个质心点的挥化分值；Cmin＝MIN(Dis(C,Ci))指K 个质心点中离当前C点距离最短的质心点；
步骤I2：找到与当前煤质C最佳的质心点Cmin后，再以Cmin点为中心， Cmin所在的聚类为数据源，运用“修正K-Means算法”，在这个聚类中找出最终的3个质心点，如果找到了SSE对应的三个质心点，将SSE对应的三个质心点，定义为Co1、Co2和Co3，这三个煤质数据将是本系统数据挖掘的最终结果；如果没有找到SSE对应的三个质心点则继续执行“修正K-Means算法”。
本实施方案在实施时，煤质成分实时精准检测设备产生的数据包含两组，一组为七个原始电伏信号数据，另一组为经“换算模型处理”后的7个原始电伏信号对应的煤质六大成分数据。这两组大数据都被存储在大数据库中的原始数据库，以便系统查询和使用。
这些数据结构不一致，不便于后期的挖掘和处理，为了解决这个问题，结合后期的人工智能处理特点，系统设置了“煤质数值分析模型”模块，这一模块的主要功能就是对煤质六大成分值的所有数据统一结构，同时按不同的特性算法，对所有数据按共性、差异和剩余三种类型进行分类、整理，如：特性算法一：按燃烧值5000大卡，上下误差不超过100大卡分类，以方便和加快后期数据的挖掘、处理。
煤质数值分析模型中定义了不同的特性算法，譬如：特性算法一为“煤质发热量为5000大卡，共性阈值上下浮动不超过100大卡，差异阈值上下浮动不小于500大卡”，如果当前的煤质6大成分值中的燃烧值为4200大卡，经上图所示的特性算法集运算处理后，系统就会把当前的煤质6大成分值放入差异数据库(4200<5000-500)中，反之亦然。上述的特性算法集可以修正、扩充，这样系统对不同、变化的煤种就可以不断调整，以达到最佳的整理、归类。
如图13至图16所示，步骤A4的“深度学习”人工智能模块处理数据的方法为：
步骤J1：煤质实时精准检测设备内的系统初始化，将接收到的六大成分数据输入到“煤种专家系统”进行数据处理；
步骤J2：将“煤种专家系统”的数据输出到“深度学习系统”进行数据处理；
步骤J3：将“深度学习系统”的数据输出到“监督学习算法系统”进行数据处理，最后将数据输出到大数据分析系统；
步骤J1，“煤种专家系统”的数据处理方法包括如下：
步骤K1：录入煤质的六大成分值，通过“深度学习系统”对比输入的煤的六大成分值与已有的煤种特性库的特性值，如果煤质的六大成分值基本相同则提取煤种特性库的特性值和当前值输入到“深度学习系统”中；
步骤K2：如果当前输入的煤的六大成分值与煤种特性库不同，其特性与已有的煤种特性库存在较大差异，且长时间存在，“深度学习系统”将当前数据传输到在煤种特性数据库处理平台，通过大数据处理系统自定义一个煤种特性值，定义后再输入到深度学习系统中；
步骤J2，“深度学习系统”的数据处理方法如下：
步骤L1：将输入的六大成分值按日期分类，分为过去一天、过去一周、过去一个月、过去三个月、过去半年、过去一年和过去三年，分别标注为CD1、 CD2、CD3、CD4、CD5、CD6、CD7；
步骤L2：将七个时间档CD1、CD2、CD3、CD4、CD5、CD6、CD7的六大成分值在中央处理器内经过算法程序处理，将CD1、CD2、CD3、CD4、CD5、 CD6、CD7转换为煤质的六大成分值，存放在AI中间值数据库中；
步骤L3：CD1处理后的结果从AI中间值数据库中输出，在中央处理器中进行“共性数据、差异数据、剩余数据”算法处理，将当前数据与CD1的共性、差异和剩余的数据进行对比，如果共性数据达到阈值，将停止学习，且将数据输出到“监督学习算法系统”；如果共性数据达不到阈值，将重复步骤K2；
步骤L4：将CD2、CD3、CD4、CD5、CD6、CD7进行步骤L3的数据处理；
步骤J3，监督学习算法包括“找差算法”和“微调算法”；
步骤M1：将数据进行“找差算法”处理，找差算法为：
利用“带记忆和裂变的修正K-Means算法”数据挖掘技术找到当前三个质心点为C(c1、c2、c3)基准点；“深度学习”找到共性数据有n个，为Ci(i＝1、 2、3…..n)
ASSE＝(∑＝1(,))/n
式中的ASSE就是找差算法的最终值；
步骤M2：将数据进行“微调算法”处理，“微调算法”为：
假设三个质心点数值的最大值为Cmax＝MAX(c1、c2、c3)；中间值为Cmid＝MID(c1、c2、c3)；最小值为Cmin＝MIN(c1、c2、c3)；Cmin<＝Cmid<＝Cmax，
当前输入的值为Cc，其最终值为Cf，则微调算法包括如下步骤：
步骤N1：如果Cc<Cmin,Cf＝Cc+ASSE；
步骤N2：如果Cc>Cmax,Cf＝Cc-ASSE；
步骤N3：如果Cmin<＝Cc<＝Cmid,Cf＝Cc+ASSE/2；
步骤N4：如果Cmid<＝Cc<＝Cmax,Cf＝Cc-ASSE/2；
Cf为整个监督学习算法的输出值。
式中，C对应为发热量(Q)、水分(M)、灰分(A)、挥发分(V)、固定碳(Fc)和含硫量(S)六种成分的某一成分值便可。
本实施方案再实施时，本部分利用大数据处理系统中提供的有用数据，分析数据的共性和差异，通过AI的“深度学习”、神经网络等技术处理，系统可以自我不断的学习，对“转换模型处理”中得到的煤炭六大成分的数值进行有价值的修正或局部微调，以进一步提升煤炭六大成分的测量精确度，从而逐步降低测量误差，并适应复杂的煤种及混烧掺烧煤种，一般而言，通过AI处理后，煤炭六大成分的测量值误差不会超过0.8％。
本“深度学习”人工智能系统包含三部分，分别为：煤种专家系统、深度学习系统和监督学习算法系统，煤种专家系统对所有的常规煤种提供一种定性的参考和基准点；深度学习系统负责对当前及历史的煤质数据分析、学习并做出共性和差异性，以供监督学习算法系统优化煤质六大成分测量值；监督学习算法系统主要负责推演出煤质六大成分优化最终值。
深度学习系统将历史数据库的煤质6大成分值(对应为“AI最终值数据库”里的数据)，按日期分类，分别按过去一天、过去一周、过去一个月、过去三个月、过去半年、过去一年和过去三年的数据分为7个时间档，分别标注为CD1、 CD2、CD3、CD4、CD5、CD6、CD7，按照特定的算法得到7个时间档的煤质六大成分值，这7组值随时间推移相对变化，但变化相对较小，这7组值将作为深度学习7次循环学习的重要原始数据。
初始阶段如果没有时间更长的数据，譬如一年和三年的数据，系统自动初始化为零，且循环学习自动变为5次，依次类推，原始的煤质成分值进入深度自学习系统，第一次学习以当前时间为基准退后一天的煤质最终成分值为学习的基准数据，简称CD1，通过特定的学习算法，找出当前数据与CD1的共性、差异和剩余数据，如果共性数据多，差异和剩余数据少，且达到阈值，将停止学习，如果共性数据少，差异和剩余数据多，达不到阈值，将进行第二次学习，依次类推，不同的是每次学习的基准数据分别为CD2、CD3、CD4、CD5、CD6、CD7和每一层学习的算法会不同，原则上来讲，
1.时间上越靠近当前时间的数据越重要，权重越高；
2.历史上煤种特性越接近当前煤种特性的数据越重要，权重越高。如果通过 7层学习任然找不到满足条件的共性数据，系统将自动挑选预设的7层学习，自动从某一层开始学习，这时候，系统的学习方法将做适当调整，直到共性数据达到阈值，为了防止过度学习和死循环，系统在学习次数达到预设值后，将停止学习，当然这个预设值可人为设定，譬如：预设值是15次，那么学习15次后，无论如何，系统将停止学习。从其工作原理可见，系统的煤种专家系统越丰富、历史数据越多，系统的学习能力越强，效果越好。
本系统采用“监督类”的深度学习，图示16中的“监督学习算法”是基于“共性数据”的相似性分布会趋于统一原理，监督学习算法依次包含两部分：
1.用共性数据和参照数据比对，找出共性数据的趋势差异值，该算法简称：找差算法；
2.用差异值调整现有数值，该算法简称：微调算法。
Claims (8)
1.煤质成分实时精准检测系统，其特征在于，包括测量模块、模型处理模块、保护单元、显示打印终端单元、大数据分析模块、“深度学习”人工智能模块、中央处理子系统和接口子系统；测量模块的输出端接入模型处理模块的输入端，模型处理模块的输出端接入大数据分析模块处理器的输入端，模型处理模块的输出端和保护单元的输出端均接入中央处理子系统的输入端，中央处理子系统的输出端双向连接大数据分析模块的输入端,大数据处理模块的输出端双向连接“深度学习”人工智能模块的输入端，“深度学习”人工智能模块的输出端双向连接中央处理子系统的输入端，中央处理子系统的输出端接入显示打印终端单元，中央处理子系统的输出端双向连接接口子系统的输入端。
2.根据权利要求1的煤质成分实时精准检测系统，其特征在于，测量模块包括红外光源发生器组、红外光源感应器组、环境光源感应器、AD转换器、测量光源信号寄存器组、环境光源信号寄存器、ARM7、中央处理器、RS232或STP484接口、系统复位按钮、测量模块保护电路、经“算法程序”处理后的测量光源信号寄存器组和经“算法程序”处理后的环境光源信号寄存器；红外光源感应器组的输出端和环境光源感应器的输出端均接入A/D转换器的输入端，A/D转换器的输出端分别接入测量光源信号寄存器组的输入端和环境光源信号寄存器的输入端，测量光源信号寄存器组的输出端、环境光源信号寄存器输出端和系统异常复位按钮均接入中央处理器的输入端，测量模块保护单元的输出端、ARM7的输出端和算法程序处理器的输出端均双向连接中央处理器的输入端，中央处理器的输出端接入经“算法程序”处理后的测量光源信号寄存器组和经“算法程序”处理后的环境光源信号寄存器的输入端，经“算法程序”处理后的测量光源信号寄存器组和经“算法程序”处理后的环境光源信号寄存器的输出端接入RS232/STP484接口的输入端。
3.根据权利要求1的煤质成分实时精准检测系统，其特征在于，测量模块保护电路外设置风机，风机包括测量头(1)、吸气口(2)、第一吹气口(3)和第二吹气口(4)，测量头(1)、吸气口(2)、第一吹气口(3)和第二吹气口(4)均为为圆柱状，第一吹气口(3)内部设置导流叶片(5)，测量头(1)设置在吸气口(2)底端面内部，第一吹气口(3)设置于吸气口(2)外部，第二吹气口(4)设置于第一吹气口(3)外部。
4.根据权利要求1的煤质成分实时精准检测系统，其特征在于，接口子系统包括：PLC/DCS地磅秤设备、工业以太网接口、以太网接口、RS232接口、USB接口、双向数据缓存器、数据处理模块、本地数据形成的数据库和外来数据建立的数据库；PLC/DCS地磅秤设备的输出端通过工业以太网接口、以太网接口、RS232接口和USB接口连接双向数据缓存器的输入端，双向数据缓存器的输出端连接数据处理模块的输入端，数据处理模块的输出端分别连接本地数据形成的数据库和外来数据建立的数据库的输入端。
5.煤质成分实时精准检测方法,其特征在于，方法包括如下步骤：
步骤A1：利用红外光源发生器组照射煤质，通过红外光源感应器组和环境光源感应器接收经煤质反射的红外光信号和环境光源信号，并将红外光源信号和环境光源信号输出至测量模块；
步骤A2：测量模块对数据进行处理后得到煤质六大成分值，并输出至模型处理模块，将煤质的六大成分值的测量精度提高；
步骤A3：将精度高的煤质的六大成分值分别输出至中央处理子系统和大数据分析模块系统，通过大数据分析模块对测量数据进行整理、归类和分析，将数据存储并送到中央处理子系统中；
步骤A4：将大数据分析模块处理后的数据输出至中央处理子系统和“深度学习”人工智能模块，对规整好的煤质六大成分数据进行进一步优化，提高测量精度，将数据存储并送到中央处理子系统中；
步骤A5：将“深度学习”人工智能模块处理后的高精度煤质的六大成分数据通过接口子系统输出至外界。
6.根据权利要求5的煤质成分实时精准检测方法,其特征在于，步骤A1的测量模块的测量方法包括如下步骤：
步骤B1：利用红外光源发生器组照射煤质，红外光源感应器组和环境光源感应器接收经煤质反射的红外光信号和环境光源信号，并将红外光源信号和环境光源信号输出至A/D转换器；
步骤B2：通过A/D转换器将红外光信号和环境光源信号转换为电信号，且输出至测量光源信号寄存器组和环境光源信号寄存器；
步骤B3：通过测量光源信号寄存器组和环境光源信号寄存器将电信号输出至中央处理子系统中，在中央处理子系统中将测量光源信号寄存器组和环境光源信号寄存器的七个电信号进行算法程序处理，算法程序处理后输出修正后的煤质的六大成分值数据和环境光源值数据，将六大成分值数据经算法程序处理后输出至测量光源信号输出寄存器组，将环境光源值数据经“算法程序”处理后输出至环境光源信号输出寄存器；
步骤B4：将测量光源信号输出寄存器组的六大成分值数据和处理后环境光源信号输出寄存器的环境光源数据通过RS232或STP484接口输出；
步骤B3中的“算法程序”包括如下步骤：
步骤C1：将红外光源信号和环境光源信号的数据进行“矫正算法”数据处理；
步骤C2：将“矫正算法”处理后的数据进行“修正算法”数据处理；
步骤C3：将“修正算法”处理后的数据输出到中央处理子系统。
“矫正算法”为VEi＝Vi–E*ki
其中，原始电压值为Vi i＝q、m、v、a、fc、s，Vq为煤质的发热量测量电压值，Vm为煤质的水分测量电压值，Vv为煤质的挥发分测量电压值，Va为煤质的灰分测量电压值，Vfc为煤质的固定碳测量电压值，Vs为煤质的含硫量测量电压值；环境光源测量电压值定义为E，矫正后的值定义为VEi i＝q、m、v、a、fc、s，对应分别为六大成分对应的矫正值；
“修正算法”包括如下步骤：
步骤D1：依据f＝k0*f+k1*f1+k2*f2+K3
其中，f为当前的发热量、水分、灰分、挥发分、含碳量或全硫任意一个值，f1为从当前退后一次的历史的发热量、水分、灰分、挥发分、含碳量或全硫任意一个值，f2为从当前退后二次的历史的发热量、水分、灰分、挥发分、含碳量或全硫任意一个值；k0、k1、k2分别是当前、从当前退后一次的历史值、从当前退后二次的历史发热量、水分、灰分、挥发分、含碳量或全硫任意一个值的权重系数，k3是拟合常数，利用拉格朗日插值算法分别计算出k0、k1、k2和k3；
通过拉格朗日代数插值原理，拉格朗日的差值算法如下：已知函数f(x)在区间[a,b]上n+1个不同点x0x1,…,xn处的函数值yi＝f(xi)，作一个至多n次多项式：
公式中χn是历史的第n次发热量值，a是系数。
公式中，使其在给定点处与f(x)同值，即满足插值条件
称为插值多项式，xi称为插值节点，简称节点，[a,b]称为插值区间。从几何上看，n次多项式插值就是通过n+1个点(xi,f(x i))，作一条多项式曲线y＝φn(x)，近似曲线y＝f(x)。
n次多项式有n+1个待定系数，由插值条件恰好给出n+1个方程
记此方程组的系数矩阵为A，则
当x0，x1，xn互不相同时，此行列式值不为零，因此方程组
有唯一解。这表明，只要n+1个节点互不相同，满足插值要求的插值多项式是唯一的。
通过拉格朗日代数插值原理，采用拉格朗日差值算法就可以逐一算出k0、k1、k2和k3；
步骤D2：重复步骤D1。
7.根据权利要求5的煤质成分实时精准检测方法,其特征在于，步骤A3的大数据分析模块的分析方法包括如下步骤：
步骤E1：将煤质的六大成分值和环境光源感应的输出值经过换算模型处理后，输出两组数据，一组为七个原始电伏信号，另一组为经“煤质数值分析模型”处理后的六大成分数据；
步骤E2：将经过“煤质数值分析模型”处理后的六大成分数据和七个原始电伏信号输入到大数据整理、存储、挖掘管理平台；
步骤E3：通过大数据整理、存储、挖掘管理平台对两组数据进行共性、差异和剩余三种类型的分类和整理；
步骤E4：将大数据整理、存储、挖掘管理平台处理后的数据输出到共性数据库、差异数据库和剩余数据库中；
步骤E1和E2的“煤质数值分析模型”为对煤质6大成分值的所有数据统一结构，同时按不同的特性算法，对所有数据按共性、差异和剩余三种类型进行分类、整理；
步骤E3和E4的大数据整理、存储、挖掘管理平台的算法为带记忆和裂变的修正K-Means算法；
带记忆和裂变的修正K-Means算法包括如下步骤：
步骤F1：将煤质的六大成分分别记为Ci(Q、M、A、V、Fc、S)，将Q、V、S三个特性值对应三维空间X、Y、Z轴；
步骤F2：初始化煤种的数量K，K对应为煤种专家系统煤种的数量，当煤质成分实时精准检测设备的煤种专家系统扩充煤种数量时，深度学习系统会自动增加K的值；
步骤F3：自动存储上次数据挖掘输出的数据为K个质心点对应数据，并采用“记忆部分核心算法”处理数据；
步骤F4：将“记忆部分核心算法”处理后的数据进行“修正K-Means核心算法”处理；
步骤F5：将“修正K-Means核心算法”处理后的数据输出到“裂变部分核心算法”进行处理，最后将处理好的数据存储到共性数据库、差异数据库和剩余数据库中；
步骤F3的“记忆部分核心算法”包括如下步骤：
步骤G1:煤质成分实时精准检测设备将自动存储上次数据挖掘时找到的K个质心点，定义为Zi，i＝1、2…K，算法初始化质心点，定义为Si，i＝1、2…K；
步骤G2：令Zi＝Si；
步骤F4的“修正K-Means核心算法”包括如下步骤：
步骤H1：对Ci(Q、V、S)里的V和S值分别乘以1000，以保持Q、V、S三位同步；
步骤H2：再将Ci(Q、V、S)里的三个特性值进行欧式平方误差和运算；
其中，其中，C为当前选定的临时质心，Cx为煤质的热量值，Cy为煤质的挥发值，Ci为除C外的其它的数据，Cx.q为在X轴的发热量成分值；Cy.q表示为在Y轴挥发量值,Cx.s为在X轴煤质的含硫成分值；Cy.s为在Y轴含硫量值，Cx.v在X轴挥化分值；Cy.v表示在Y轴挥发量值；
步骤H3：如果SSE已经收敛，则找到了K个质心点，输出SSE所对应的K个质心点，输出数据进行“裂变部分核心算法”，否则继续执行步骤H1和步骤H2；
步骤F5的“裂变部分核心算法”包括如下步骤：
步骤I1：令挖掘到的K个质心点为Ci，i＝1、2、3……K,当前煤质为C，进行欧式平方误差和；
Cmin＝MIN(Dis(C,Ci))
其中，C.q为当前煤质的发热量成分值；C.S为当前煤质的含硫成分值；Ci.v 当前煤质的挥化分值；Ci.q为第i个质心点的热值成分值；Ci.S为第i个质心点的含硫成分值；Ci.v为第i个质心点的挥化分值；Cmin＝MIN(Dis(C,Ci))指K个质心点中离当前C点距离最短的质心点；
步骤I2：找到与当前煤质C最佳的质心点Cmin后，再以Cmin点为中心，Cmin所在的聚类为数据源，运用“修正K-Means算法”，在这个聚类中找出最终的3个质心点，如果找到了SSE对应的三个质心点，将SSE对应的三个质心点，定义为Co1、Co2和Co3，这三个煤质数据将是本系统数据挖掘的最终结果；如果没有找到SSE对应的三个质心点则继续执行“修正K-Means算法”。
8.根据权利要求5的煤质成分实时精准检测系统及方法，其特征在于，步骤A4的“深度学习”人工智能模块处理数据的方法为：
步骤J1：煤质实时精准检测设备内的系统初始化，将接收到的六大成分数据输入到“煤种专家系统”进行数据处理；
步骤J2：将“煤种专家系统”的数据输出到“深度学习系统”进行数据处理；
步骤J3：将“深度学习系统”的数据输出到“监督学习算法系统”进行数据处理，最后将数据输出到大数据分析系统；
步骤J1，“煤种专家系统”的数据处理方法包括如下：
步骤K1：录入煤质的六大成分值，通过“深度学习系统”对比输入的煤的六大成分值与已有的煤种特性库的特性值，如果煤质的六大成分值基本相同则提取煤种特性库的特性值和当前值输入到“深度学习系统”中；
步骤K2：如果当前输入的煤的六大成分值与煤种特性库不同，其特性与已有的煤种特性库存在较大差异，且长时间存在，“深度学习系统”将当前数据传输到在煤种特性数据库处理平台，通过大数据处理系统自定义一个煤种特性值，定义后再输入到深度学习系统中；
步骤J2，“深度学习系统”的数据处理方法如下：
步骤L1：将输入的六大成分值按日期分类，分为过去一天、过去一周、过去一个月、过去三个月、过去半年、过去一年和过去三年，分别标注为CD1、CD2、CD3、CD4、CD5、CD6、CD7；
步骤L2：将七个时间档CD1、CD2、CD3、CD4、CD5、CD6、CD7的六大成分值在中央处理器内经过算法程序处理，将CD1、CD2、CD3、CD4、CD5、CD6、CD7转换为煤质的六大成分值，存放在AI中间值数据库中；
步骤L3：CD1处理后的结果从AI中间值数据库中输出，在中央处理器中进行“共性数据、差异数据、剩余数据”算法处理，将当前数据与CD1的共性、差异和剩余的数据进行对比，如果共性数据达到阈值，将停止学习，且将数据输出到“监督学习算法系统”；如果共性数据达不到阈值，将重复步骤K2；
步骤L4：将CD2、CD3、CD4、CD5、CD6、CD7进行步骤L3的数据处理；
步骤J3，监督学习算法包括“找差算法”和“微调算法”；
步骤M1：将数据进行“找差算法”处理，找差算法为：
利用“带记忆和裂变的修正K-Means算法”数据挖掘技术找到当前三个质心点为C(c1、c2、c3)基准点；“深度学习”找到共性数据有n个，为Ci(i＝1、2、3…..n)
式中的ASSE就是找差算法的最终值；
步骤M2：将数据进行“微调算法”处理，“微调算法”为：
假设三个质心点数值的最大值为Cmax＝MAX(c1、c2、c3)；中间值为Cmid＝MID(c1、c2、c3)；最小值为Cmin＝MIN(c1、c2、c3)；Cmin<＝Cmid<＝Cmax，
当前输入的值为Cc，其最终值为Cf，则微调算法包括如下步骤：
步骤N1：如果Cc<Cmin,Cf＝Cc+ASSE；
步骤N2：如果Cc>Cmax,Cf＝Cc-ASSE；
步骤N3：如果Cmin<＝Cc<＝Cmid,Cf＝Cc+ASSE/2；
步骤N4：如果Cmid<＝Cc<＝Cmax,Cf＝Cc-ASSE/2；
Cf为整个监督学习算法的输出值。
式中，C对应为发热量(Q)、水分(M)、灰分(A)、挥发分(V)、固定碳(Fc)和含硫量(S)六种成分的某一成分值便可。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810288091.1A CN108519330B (zh) | 2018-04-03 | 2018-04-03 | 煤质成分实时精准检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810288091.1A CN108519330B (zh) | 2018-04-03 | 2018-04-03 | 煤质成分实时精准检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108519330A true CN108519330A (zh) | 2018-09-11 |
| CN108519330B CN108519330B (zh) | 2019-02-26 |
Family
ID=63431802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810288091.1A Active CN108519330B (zh) | 2018-04-03 | 2018-04-03 | 煤质成分实时精准检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108519330B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109540864A (zh) * | 2018-10-25 | 2019-03-29 | 华中科技大学 | 一种基于PL-Raman光谱分析的煤质快速检测方法 |
| CN110647560A (zh) * | 2019-09-25 | 2020-01-03 | 山西三合盛智慧科技股份有限公司 | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 |
| CN110927193A (zh) * | 2019-10-22 | 2020-03-27 | 北京浩然科诺科技有限公司 | 一种基于深度学习的煤质在线检测分析系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201207037Y (zh) * | 2008-05-16 | 2009-03-11 | 辽宁东信盛大科技有限公司 | 近红外煤质在线检测分析仪 |
| CN103728268A (zh) * | 2013-12-17 | 2014-04-16 | 沈阳工程学院 | 近红外煤质在线测量装置 |
| CN104330380A (zh) * | 2014-10-20 | 2015-02-04 | 东北大学 | 一种用于在线采集煤粉近红外光谱的取样制样装置 |
| 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 |
-
2018
- 2018-04-03 CN CN201810288091.1A patent/CN108519330B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201207037Y (zh) * | 2008-05-16 | 2009-03-11 | 辽宁东信盛大科技有限公司 | 近红外煤质在线检测分析仪 |
| CN103728268A (zh) * | 2013-12-17 | 2014-04-16 | 沈阳工程学院 | 近红外煤质在线测量装置 |
| CN104330380A (zh) * | 2014-10-20 | 2015-02-04 | 东北大学 | 一种用于在线采集煤粉近红外光谱的取样制样装置 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 张林 等: "煤质的近红外光谱定量分析研究", 《红外技术》 * |
| 雷萌 等: "遗传神经网络在近红外光谱煤质分析中的应用研究", 《工矿自动化》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109540864A (zh) * | 2018-10-25 | 2019-03-29 | 华中科技大学 | 一种基于PL-Raman光谱分析的煤质快速检测方法 |
| CN109540864B (zh) * | 2018-10-25 | 2020-06-05 | 华中科技大学 | 一种基于PL-Raman光谱分析的煤质快速检测方法 |
| CN110647560A (zh) * | 2019-09-25 | 2020-01-03 | 山西三合盛智慧科技股份有限公司 | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 |
| CN110647560B (zh) * | 2019-09-25 | 2022-05-03 | 山西三合盛智慧科技股份有限公司 | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 |
| CN110927193A (zh) * | 2019-10-22 | 2020-03-27 | 北京浩然科诺科技有限公司 | 一种基于深度学习的煤质在线检测分析系统及方法 |
| CN110927193B (zh) * | 2019-10-22 | 2022-03-25 | 北京浩然科诺科技有限公司 | 一种基于深度学习的煤质在线检测分析系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108519330B (zh) | 2019-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108519330B (zh) | 煤质成分实时精准检测系统及方法 | |
| CN113128781B (zh) | 一种自动构建智能化模型与算法的分布式工业能源运行优化平台 | |
| Gange | Generating multivariate categorical variates using the iterative proportional fitting algorithm | |
| CN110532674A (zh) | 一种燃煤电站锅炉炉膛温度测量方法 | |
| CN112508246B (zh) | 一种基于相似日的光伏发电功率预测方法 | |
| CN109800449A (zh) | 一种基于神经网络的航空发动机压缩部件特性修正方法 | |
| Ma et al. | Deformable self-attention for text classification | |
| CN115099461A (zh) | 基于双分支特征提取的太阳辐射预测方法及系统 | |
| CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
| CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
| Chen et al. | Ultra-short-term wind power prediction based on bidirectional gated recurrent unit and transfer learning | |
| Zha et al. | A wind speed vector-wind power curve modeling method based on data denoising algorithm and the improved transformer | |
| Couch et al. | infer: An R package for tidyverse-friendly statistical inference | |
| CN105743093B (zh) | 一种考虑风光出力不确定性的配电网潮流计算方法 | |
| CN104598664A (zh) | 火电机组的性能监测方法 | |
| Dynkin | Stochastic concave dynamic programming | |
| Patton et al. | Variance and approximate confidence limits on LOLP for a single-area system | |
| KR102583178B1 (ko) | 발전량 예측 방법 및 장치 | |
| Silhavy et al. | Algorithmic optimization method for effort estimation | |
| CN115438566A (zh) | 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法 | |
| Ge et al. | Research on Temperature and Humidity Prediction Model of Granary Based on RNN-LSTM | |
| CN207937353U (zh) | 煤质成分实时精准检测设备的次红外测量系统 | |
| CN108536585A (zh) | 数据变更影响域分析方法 | |
| CN113111588A (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| Wilson et al. | Philosophical aspects of measurements, equations and inferences in plant growth studies |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |