CN111060497A - 基于svm级联模型的混合种类飞灰未燃碳含量libs测量方法 - Google Patents

基于svm级联模型的混合种类飞灰未燃碳含量libs测量方法 Download PDF

Info

Publication number
CN111060497A
CN111060497A CN201911403910.3A CN201911403910A CN111060497A CN 111060497 A CN111060497 A CN 111060497A CN 201911403910 A CN201911403910 A CN 201911403910A CN 111060497 A CN111060497 A CN 111060497A
Authority
CN
China
Prior art keywords
fly ash
svm
model
training
epsilon
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
Application number
CN201911403910.3A
Other languages
English (en)
Other versions
CN111060497B (zh
Inventor
王珍珍
荣凯
刘人玮
周王峥
陈鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201911403910.3A priority Critical patent/CN111060497B/zh
Publication of CN111060497A publication Critical patent/CN111060497A/zh
Application granted granted Critical
Publication of CN111060497B publication Critical patent/CN111060497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，用于提高LIBS在线测量不同种类飞灰的未燃碳含量的测量精度；具体的步骤包括：(1)飞灰样品光谱数据的采集；(2)确定相关的特征谱线；(3)C‑SVM分类模型建立；(4)各种类飞灰的ε‑SVM定量模型的建立；(5)C‑SVM分类模型与ε‑SVM定量模型的级联；SVM可以同时进行分类学习和拟合学习，具有操作方便和适应性好等优点，按流程可以构建并使用分类加定量分析的级联模型；本发明方法可以有效减少飞灰种类差异引起的基体效应对元素浓度测量的额外误差，提高LIBS在线测量飞灰未燃碳含量的适用范围。

Description

基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法
技术领域
本发明属于工业在线测量技术领域，具体涉及一种基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法。
技术背景
飞灰是燃煤电厂燃烧的产物，其主要成分有C、SiO2、Al2O3、Fe2O3、CaO及未燃碳等。飞灰中的未燃碳含量反映了燃煤机械未完全燃烧损失的大小，是评价锅炉燃烧效率的重要指标。常用的飞灰未燃碳含量的测量方法包括：灼烧失重法、微波法以及热重分析法等，但这些方法都无法满足实时在线测量的需求。激光诱导击穿光谱(Laser-induced BreakdownSpectroscopy,LIBS)技术是原子发射光谱之一，将脉冲激光聚焦在待测样品上，产生高温、高电子密度的等离子体。等离子体在冷却的过程中发射特征谱线，通过分析谱线，可以实现物质成分及其浓度的测量。LIBS以其响应速度快，可以实现在线测量、能够实现全元素分析以及无需样品前处理等优点，已经广泛应用于工业很多领域。LIBS技术在热力系统中的应用主要集中在：煤、飞灰、烟气、废水等的定性与定量测量中。LIBS技术测量飞灰中未燃碳含量对实现锅炉燃烧效率在线评估和火电厂实时运行诊断具有非常重要的意义。
LIBS实现元素浓度定量测量，需要建立光谱信号强度与目标元素含量之间的关系。由于目标样品成分复杂、微观结构种类多、变化大等原因，谱线强度会受到基体效应、自吸收效应、谱线相互干扰等因素的影响，LIBS测量的光谱信号强度不仅和目标样品本身的元素含量有关，也和状态、种类有关。因此，LIBS测量飞灰未燃碳含量过程中，由于飞灰种类差异带来的准确度降低会限制该技术实际的应用范围。如何克服由于飞灰种类差异引起基体效应对元素测量浓度带来的额外误差是提高LIBS技术在测量飞灰未燃碳含量应用范围的重要前提和基础。LIBS进行定量分析过程中会受到飞灰样品种类的影响，并且仅从分析模型优化方面很难大幅度的改善由于飞灰种类带来的测量误差。所以我们提出，先通过LIBS测量信号对飞灰的种类进行判断；再选择所属种类飞灰的定量模型进行未燃碳含量测量，从而提高LIBS应对不同飞灰种类时测量精度。支持向量机(SVM)方法具有既可以解决分类问题(C-SVM)也可以解决拟合问题(ε-SVM)的功能，对于非线性系统的适应性好，且得到的结果与训练过程无关等优点，可以满足同时建立飞灰种类分类模型和各飞灰种类下的未燃碳含量定量模型的需求。
发明内容
本发明的目的是针对飞灰的不同种类带来LIBS测量未燃碳含量误差增大的问题，提出了基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，该方法利用LIBS分析速度快的优点，结合SVM的分类和拟合的功能，提出先通过LIBS测量的光谱信息进行飞灰种类判断，再选取对应种类的定量模型进行未燃碳含量预测的方法。通过这种方法，可以扩大LIBS测量对不同飞灰种类的适应性，提高在线测量精度。
为达到上述目的，本发明采用如下技术方案：
基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，其特征在于，具体步骤如下：
(1)飞灰样品光谱数据的采集：选取来源于电厂的不同含碳量的多个飞灰样品作为定标样品，将定标样品分为训练集样品和测试集样品；并假设测试集样品中的飞灰为未知种类和含碳量，用于测试所构建SVM级联模型的精度；利用LIBS设备检测所有飞灰样品，获得每个飞灰样品的激光诱导等离子体发射光谱；
(2)确定相关的特征谱线：从每个飞灰样品的光谱数据中选取n条相关种类和含碳量的特征谱线，P>1，构成P维向量，测试集所有飞灰样品多次重复测量得到的P维向量，共同构成训练集信号集合I0；
建立C-SVM分类模型：
(3)C-SVM分类模型输出量：根据训练集样品飞灰基体成份的不同或飞灰来源的不同，将训练集样品飞灰分成X个种类，分别定义其标签为：＂m(1)＂，＂m(2)＂，＂…＂，＂m(X)＂，作为C-SVM分类模型训练的输出量；
(4)训练C-SVM分类模型：以步骤(2)中训练集信号集合I0为模型训练的输入量，步骤(3)中确定的飞灰种类标签为模型训练的输出量，对C-SVM分类模型进行训练；C-SVM分类模型引入的目标函数为：
Figure BDA0002348122730000041
其中ξ是松弛因子，允许错分样本的存在，C是约束错误范围的正常数，称为惩罚因子，||ω||是分类间距的倒数，N是训练集样品数；目标函数通过拉格朗日乘子法变化得到如下形式：
Figure BDA0002348122730000042
xi是训练集中样品i的P维向量，xj是训练集中样品j的P维向量，yi是训练集样品i对应的种类标签，yj是训练集样品j对应的种类标签，，αi，αj是对应训练集样品i，j训练确定的参数，K是核函数，由于LIBS测量结果多是非线性的，需要在非线性函数空间中转换，考虑到信号强度与元素含量成正相关，使用核函数的形式为q次多项式函数：K(xi,xj)＝(γ(xi T,xj)+r)q，q是多项式函数的次数，γ是输入向量线性内积的系数，r是多项式函数的非齐次常数；通过训练确定最佳参数α后，最终得到训练后的C-SVM分类模型；
建立各种类飞灰的ε-SVM定量模型：
(5)各种类飞灰的ε-SVM定量模型训练的输入和输出量：将训练集信号集合I0按步骤(3)中飞灰种类的不同分为：＂I0(1)＂,＂I0(2)＂,＂…＂，＂I0(X)＂，分别作为对应飞灰种类模型训练的输入量，同种类飞灰独立训练ε-SVM定量模型；训练集中同种类飞灰样品的未燃碳含量作为训练该种类飞灰ε-SVM定量模型的输出量；
(6)训练各飞灰种类的ε-SVM定量模型：以训练集样品中同种类飞灰样品的P条特征谱线强度信号集合I0(x)为模型训练的输入量，同种类飞灰样品的未燃碳含量作为模型训练的输出量，训练对应种类的ε-SVM定量模型；ε-SVM定量模型的核函数为q次多项式函数：K(xi,xj)＝(γ(xi T,xj)+r)q与C-SVM分类模型一致，并且ε-SVM定量模型的具体训练过程与C-SVM分类模型相同；由于ε-SVM定量模型中需要一个允许的损失参数，其目标函数与C-SVM分类模型目标函数的区别在于惩罚因子C的边界条件s.t.改为损失因子的形式：
Figure BDA0002348122730000051
nx是训练集中飞灰种类x的样品数，
Figure BDA0002348122730000052
是训练过程中ε-SVM定量模型计算的训练集样品i的未燃碳含量，yi是训练集样品i对应的未燃碳含量，ε是松弛变量；同样通过拉格朗日乘子法转变目标函数形式后，通过训练确定最佳参数α，得到ε-SVM定量模型；根据步骤(3)确定飞灰样品的种类，最终会训练X个ε-SVM定量模型；
C-SVM分类模型与ε-SVM定量模型的级联：
(7)C-SVM分类模型与ε-SVM定量模型的级联：首先使用步骤(4)训练后的C-SVM分类模型进行飞灰种类识别，然后使用步骤(6)训练后的对应种类的ε-SVM定量模型进行未燃碳含量预测，这样结合两种模型得到SVM级联模型；待测样品测量的P维的光谱信号向量首先作为C-SVM分类模型的输入量，C-SVM分类模型的输出是飞灰种类判断标签，根据C-SVM分类模型输出样品种类标签；P维的光谱信号向量再作为对应的ε-SVM定量模型的输入量，得到碳含量预测值；从模型整体来看，由于已经实现了数据的内部传递，两种模型被封装起来，只需要单次输入待测样品测量的P维的光谱信号向量，便能得到该飞灰的种类和未燃碳含量。
优选地，步骤(1)利用LIBS检测设备检测所有飞灰样品，获得每个飞灰的激光诱导等离子体发射光谱，具体过程为：
高能量的脉冲激光经过聚焦透镜,作用在飞灰样品表面处,形成等离子体；通过改变激光与飞灰的作用表面，从而获得同一飞灰样品不同位置的光谱；通过将不同位置的激光诱导等离子体发射光谱进行平均处理，进而得到某一个飞灰样品全面的激光诱导等离子体发射光谱；对不同种类不同含碳量的飞灰样品重复上述操作，得到所有飞灰样品的激光诱导等离子体发射光谱。
步骤(2)考虑到基体效应的影响以及飞灰的种类与元素的种类和含量有关，除了目标碳元素的谱线要被考虑，其它元素的谱线也需要被考虑，因此P>1。
步骤(4)训练C-SVM分类模型和步骤(6)训练各种类飞灰的ε-SVM定量模型核函数的形式K(xi,xj)＝(γ(xi T,xj)+r)q，q是多项式函数的次数，γ是输入向量线性内积的系数，r是多项式函数的非齐次常数；这三个参数是根据已成熟的SVM数值方法和具体的问题以及应用场合反复调试寻优而确定。
步骤(4)训练C-SVM分类模型和步骤(6)训练各种类飞灰的ε-SVM定量模型，C-SVM是SVM中解决分类问题的一种算法；ε-SVM是用于回归拟合的一种算法，在本发明中用于未燃碳含量定量分析；目前C-SVM和ε-SVM算法都已经有公认的程序包LibSVM，可以直接调用，进行训练。
本发明具有以下优点：
(1)本发明的SVM(支持向量机)最大的特点是以统计学习为理论基础，结合飞灰样品本身的等离子体发射光谱特性，实现小样本条件下的学习方法和统计规律，不仅结构简单，而且性能较传统的方法有一定优越性。
(2)由于本发明能够基于LIBS信号本身对样品种类进行区分，所以能够有效解决飞灰种类差异性带来的LIBS测量精度下降问题，克服部分基体效应的影响，提高飞灰在线检测的能力。
(3)本发明实现过程简单。SVM模型建立的困难主要集中在核函数的选择优化上，但本发明中多个SVM模型只需要一次的核函数确定。而SVM的结果与训练过程基本无关，非线性的适应性良好，对于模型的建立十分有利。
附图说明
图1是本发明公开基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法的流程图。
图2双通道光谱仪所获得的飞灰样品(GYDT_0％)的光谱图，其中：图2a是光谱仪低分辨率通道记录的光谱，图2b是光谱仪高分辨率通道记录的光谱。
图3是实施案例中SVM级联模型的结构图。
图4是实施案例中使用本发明方法得到的混合飞灰拟合预测图。
图5是实施案例中不考虑飞灰种类得到的混合飞灰拟合预测图。
具体实施方式
下面结合附图和具体实施方式对本发明专利作进一步说明。
本发明基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，如图1所示，具体步骤如下：
(1)飞灰样品光谱数据的采集：本实施例中准备三种飞灰样品，他们分别来自巩义大唐，巩义一电和巩义二电三个电厂，分别标签为：GYDT、GYED、GYYD；每个种类的飞灰样品与含碳量为96.569％的石墨样品混合，配置成有含碳量不同的飞灰；对应的飞灰标签和未燃碳含量如表1所示，各个飞灰样品的形态保持一致；在各类飞灰中，石墨质量比为5％和15％的样品为测试集，其他样品为训练集。每一组样品被分成30份进行测量，共得到540(18×30)个训练集样品，180(6×30)个测试集样品。本实施例中利用LIBS检测设备检测所有飞灰样品，获得每个飞灰的激光诱导等离子体发射光谱。如图2所示是双通道光谱仪所获得的飞灰样品(GYDT_0％)的光谱图，其中图2(a)是低分辨率通道，2(b)是高分辨率通道。
表1三个飞灰种类配置的不同飞灰碳含量表
Figure BDA0002348122730000081
(2)确定相关的特征谱线：考虑到基体效应的影响以及飞灰的种类与元素的种类和元素的含量有关，除了目标碳元素的谱线要被考虑，其它元素的谱线也需要被考虑。选取C、Si、Al等14条元素特征谱线，构成14维向量，选取光谱波长如表2所示；测试集所有飞灰样品多次重复测量得到的14维向量，共同构成训练信号集合I0。
表2特征谱线波长(nm)
Figure BDA0002348122730000091
建立C-SVM分类模型：
(3)C-SVM分类模型输出量：根据训练集样品飞灰来源的不同，将训练集样品飞灰分成3个种类，分别定义其标签为：GYDT、GYED、GYYD，作为C-SVM分类模型训练的输出量；
(4)训练C-SVM分类模型：以步骤(2)中训练集信号集合I0为模型训练的输入量，步骤(3)中确定的飞灰种类标签为模型训练的输出量，对C-SVM分类模型进行训练；C-SVM分类模型引入的目标函数为：
Figure BDA0002348122730000092
其中ξ是松弛因子，C是约束错误范围的正常数，称为惩罚因子，ω分类间距的倒数，N是训练集样品数，N＝540；目标函数通过拉格朗日乘子法变化得到如下形式：
Figure BDA0002348122730000101
xi是训练集中样品i的P维向量，xj是训练集中样品j的P维向量，yi训练集样品i对应的种类标签，yj是训练集样品j对应的种类标签，αi，αj是对应训练集样品i，j训练确定的参数，K是核函数，由于LIBS测量结果多是非线性的，需要在非线性函数空间中转换，考虑到信号强度与元素含量成正相关，使用核函数的形式为q次多项式函数：K(xi,xj)＝(0.03(xi T,xj))3，通过训练确定最佳参数α后，最终得到训练后的C-SVM分类模型；
建立三种飞灰的ε-SVM定量模型：
(5)三种类飞灰的ε-SVM定量模型训练的输入和输出量：将训练集信号集合I0按步骤(3)中飞灰种类的不同分为：＂I0(GYDT)＂,＂I0(GYED)＂,＂I0(GYYD)＂，分别作为对应飞灰种类模型训练的输入量，同种类飞灰独立训练ε-SVM定量模型；训练集中同种类飞灰样品的未燃碳含量作为训练该种类飞灰ε-SVM定量模型的输出量；
(6)训练三种类飞灰的ε-SVM定量模型：以训练集样品中同种类飞灰样品的14条特征谱线强度信号集合I0(x)为模型训练的输入量，同种类飞灰样品未燃碳含量作为模型训练的输出量，训练对应种类的ε-SVM定量模型；ε-SVM定量模型的核函数为q次多项式函数：K(xi,xj)＝(0.03(xi T,xj))3与C-SVM分类模型一致，并且ε-SVM定量模型的具体训练过程与C-SVM相似；由于ε-SVM中需要一个允许的损失参数，其目标函数与C-SVM目标函数的区别在于惩罚因子C改为罚函数的形式：
Figure BDA0002348122730000111
nx是训练集中飞灰种类x的样品数，nx＝180，
Figure BDA0002348122730000112
是训练过程中ε-SVM定量模型计算的训练集样品i的未燃碳含量，yi是训练集样品i对应的未燃碳含量，ε是松弛变量,ε＝0.001；同样通过拉格朗日乘子法转变目标函数形式后，通过训练确定最佳参数α，得到ε-SVM定量模型；根据步骤(3)确定飞灰样品的种类，最终会训练得到GYDT、GYED、GYYD三个ε-SVM定量模型；
C-SVM分类模型与ε-SVM定量模型的级联：
(7)C-SVM分类模型与ε-SVM定量模型的级联：首先使用步骤(4)训练后的C-SVM分类模型进行飞灰种类识别，然后使用步骤(6)训练后的对应种类的ε-SVM定量模型进行未燃碳含量预测，通过这种方式结合得到SVM级联模型；如图3是实施案例中通过两种模型集合得到的SVM级联模型的结构图，测试集样品测量的14维的光谱信号向量首先作为C-SVM分类模型的输入量，C-SVM分类模型的输出是飞灰种类判断标签，根据C-SVM分类模型输出样品种类标签；14维的光谱信号向量再作为对应的ε-SVM定量模型的输入量，得到碳含量预测值。
本实施例中级联SVM模型得到的混合种类飞灰结果，如图4所示。测试集误差均方根RMSEP分别为GYDT：0.0676％、GYED：0.2079％、GYYD：2.5574％。
在传统的模型建立中，不考虑飞灰种类的影响，那么直接使用上述混合飞灰进行ε-SVM定量模型，得到的测试集预测结果如图5所示。测试集误差均方根RMSEP分别为GYDT：2.412％、GYED：1.4739％、GYYD：2.4468％。
通过对比与图5的结果相比，本发明得到的结果图4RMSEP下降，且趋势线的斜率更加趋近于1，可见本发明中提出的级联SVM方法确实可以改善定量测量的正确性。各个点的预测值和真实的误差主要受制于各个样品ε-SVM的精度，还可以通过改变核函数的方法进行改善。

Claims (3)

1.基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，其特征在于，具体步骤如下：
(1)飞灰样品光谱数据的采集：选取来源于不同电厂不同含碳量的多个飞灰样品作为定标样品，将定标样品分为训练集样品和测试集样品，并假设测试集样品中的飞灰为未知种类和含碳量，用于测试所构建SVM级联模型的精度，利用LIBS设备检测所有飞灰样品，获得每个飞灰样品的激光诱导等离子体发射光谱；
(2)确定相关的特征谱线：从每个飞灰样品的光谱数据中选取P条相关种类和含碳量的特征谱线，P>1，构成P维向量，测试集所有飞灰样品多次重复测量得到的P维向量，共同构成训练集信号集合I0；
建立C-SVM分类模型：
(3)C-SVM分类模型输出量：根据训练集样品飞灰基体成份的不同或飞灰来源的不同，将训练集样品飞灰分成X个种类，分别定义其标签为：＂m(1)＂，＂m(2)＂，＂…＂，＂m(X)＂，作为C-SVM分类模型训练的输出量；
(4)训练C-SVM分类模型：以步骤(2)中训练集信号集合I0为模型训练的输入量，步骤(3)中确定的飞灰种类标签为模型训练的输出量，对C-SVM分类模型进行训练；C-SVM分类模型引入的目标函数为：
Figure FDA0002348122720000011
其中ξ是松弛因子，允许错分样本的存在，C是约束错误范围的正常数，称为惩罚因子，||ω||是分类间距倒数的1/2，N是训练集样品数；目标函数通过拉格朗日乘子法变化得到如下形式：
Figure FDA0002348122720000021
xi是训练集中样品i的P维向量，xj是训练集中样品j的P维向量，yi训练集样品i对应的种类标签，yj是训练集样品j对应的种类标签，αi，αj是对应训练集样品i，j训练确定的参数，K是核函数，由于LIBS测量结果多是非线性的，需要在非线性函数空间中转换，考虑到信号强度与元素含量成正相关，使用核函数的形式为q次多项式函数：K(xi,xj)＝(γ(xi T,xj)+r)q，q是多项式函数的次数，γ是输入向量线性内积的系数，r是多项式函数的非齐次常数；通过训练确定最佳参数α后，最终得到训练后的C-SVM分类模型；
建立各种类飞灰的ε-SVM定量模型：
(5)各种类飞灰的ε-SVM定量模型训练的输入和输出量：将训练集信号集合I0按步骤(3)中飞灰种类的不同分为：＂I0(1)＂,＂I0(2)＂,＂…＂，＂I0(X)＂，分别作为对应飞灰种类模型训练的输入量，同种类飞灰独立训练ε-SVM定量模型；训练集中同种类飞灰样品的未燃碳含量作为训练该种类飞灰ε-SVM定量模型的输出量；
(6)训练各种类飞灰的ε-SVM定量模型：以训练集样品中同种类飞灰样品的P条特征谱线强度信号集合I0(x)为模型训练的输入量，同种类飞灰样品的未燃碳含量作为模型训练的输出量，训练对应种类的ε-SVM定量模型；ε-SVM定量模型的核函数为q次多项式函数：K(xi,xj)＝(γ(xi T,xj)+r)q与C-SVM分类模型一致，并且ε-SVM定量模型的具体训练过程与C-SVM分类模型相同；由于ε-SVM定量模型中需要一个允许的损失参数，其目标函数与C-SVM分类模型目标函数的区别在于惩罚因子C的边界条件s.t.改为损失因子的形式：
Figure FDA0002348122720000031
nx是训练集中飞灰种类x的样品数，
Figure FDA0002348122720000032
是训练过程中ε-SVM定量模型计算的训练集样品i的未燃碳含量，yi是训练集样品i对应的未燃碳含量，ε是松弛变量；同样通过拉格朗日乘子法转变目标函数形式后，通过训练确定最佳参数α，得到ε-SVM定量模型；根据步骤(3)确定飞灰样品的种类，最终会训练X个ε-SVM定量模型；
C-SVM分类模型与ε-SVM定量模型的级联：
(7)C-SVM分类模型与ε-SVM定量模型的级联：首先使用步骤(4)训练后的C-SVM分类模型进行飞灰种类识别，然后使用步骤(6)训练后的对应种类的ε-SVM定量模型进行未燃碳含量预测，这样结合两种模型得到SVM级联模型；待测样品测量的P维的光谱信号向量首先作为C-SVM分类模型的输入量，C-SVM分类模型的输出是飞灰种类判断标签，根据C-SVM分类模型输出样品种类标签；P维的光谱信号向量再作为对应的ε-SVM定量模型的输入量，得到碳含量预测值；从模型整体来看，由于已经实现了数据的内部传递，两种模型被封装起来，只需要单次输入待测样品测量的P维的光谱信号向量，便能得到该飞灰的种类和未燃碳含量。
2.根据权利要求1所述的基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，其特征在于：步骤(1)利用LIBS检测设备检测所有飞灰样品，获得每个飞灰的激光诱导等离子体发射光谱，具体过程为：
高能量的脉冲激光经过聚焦透镜,作用在飞灰样品表面处,形成等离子体；通过改变激光与飞灰的作用表面，从而获得同一飞灰样品不同位置的光谱；通过将不同位置的激光诱导等离子体发射光谱进行平均处理，进而得到某一个飞灰样品全面的激光诱导等离子体发射光谱；对不同种类不同含碳量的飞灰样品重复上述操作，得到所有飞灰样品的激光诱导等离子体发射光谱。
3.根据权利要求1所述的基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，其特征在于：步骤(2)考虑到基体效应的影响以及飞灰的种类与元素的种类和含量有关，除了目标碳元素的谱线要被考虑，其它元素的谱线也需要被考虑，因此P>1。
CN201911403910.3A 2019-12-31 2019-12-31 基于svm级联模型的混合种类飞灰未燃碳含量libs测量方法 Active CN111060497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911403910.3A CN111060497B (zh) 2019-12-31 2019-12-31 基于svm级联模型的混合种类飞灰未燃碳含量libs测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911403910.3A CN111060497B (zh) 2019-12-31 2019-12-31 基于svm级联模型的混合种类飞灰未燃碳含量libs测量方法

Publications (2)

Publication Number Publication Date
CN111060497A true CN111060497A (zh) 2020-04-24
CN111060497B CN111060497B (zh) 2020-11-17

Family

ID=70305116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911403910.3A Active CN111060497B (zh) 2019-12-31 2019-12-31 基于svm级联模型的混合种类飞灰未燃碳含量libs测量方法

Country Status (1)

Country Link
CN (1) CN111060497B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113670765A (zh) * 2021-08-16 2021-11-19 江苏乐尔环境科技股份有限公司 一种飞灰含碳量检测装置及其检测方法
CN115728290A (zh) * 2022-11-15 2023-03-03 浙江大学 一种土壤中铬元素的检测方法、系统、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004245702A (ja) * 2003-02-14 2004-09-02 Tohoku Electric Power Co Inc 灰中未燃分計測システム
CN103776777A (zh) * 2014-01-09 2014-05-07 北京中医药大学 一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法
CN105334186A (zh) * 2015-12-10 2016-02-17 山东大学 一种近红外光谱分析方法
CN106770004A (zh) * 2016-11-22 2017-05-31 福建医科大学 基于近红外光谱技术检测乳制品中微生物的种类和含量的方法
CN109521001A (zh) * 2018-11-19 2019-03-26 华南理工大学 一种基于PSO和ε-SVR的飞灰含碳量测量方法
CN110044852A (zh) * 2019-04-23 2019-07-23 华南理工大学 基于激光诱导击穿光谱法的燃煤电厂碳排放在线监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004245702A (ja) * 2003-02-14 2004-09-02 Tohoku Electric Power Co Inc 灰中未燃分計測システム
CN103776777A (zh) * 2014-01-09 2014-05-07 北京中医药大学 一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法
CN105334186A (zh) * 2015-12-10 2016-02-17 山东大学 一种近红外光谱分析方法
CN106770004A (zh) * 2016-11-22 2017-05-31 福建医科大学 基于近红外光谱技术检测乳制品中微生物的种类和含量的方法
CN109521001A (zh) * 2018-11-19 2019-03-26 华南理工大学 一种基于PSO和ε-SVR的飞灰含碳量测量方法
CN110044852A (zh) * 2019-04-23 2019-07-23 华南理工大学 基于激光诱导击穿光谱法的燃煤电厂碳排放在线监测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LONG LIANG等: "Classification of steel materials by laser-induced breakdown spectroscopy coupled with support vector machines", 《APPLIED OPTICS》 *
WANG, ZZ等: "Detection Improvement of Unburned Carbon Content in Fly Ash Flow Using LIBS with a Two-Stage Cyclone Measurement System", 《ENERGY & FUELS》 *
张梅军等编著: "《EEMD方法及其在机械故障诊断中的应用》", 31 October 2015, 国防工业出版社 *
李贵滨: "基于SVM的大豆油脂色泽近红外光谱检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王立琦: "基于近红外光谱分析的大豆油质量检测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *
阮华等: "支持向量机分类与回归联合建模方法及其在拉曼光谱分析中的应用", 《仪器仪表学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113670765A (zh) * 2021-08-16 2021-11-19 江苏乐尔环境科技股份有限公司 一种飞灰含碳量检测装置及其检测方法
CN113670765B (zh) * 2021-08-16 2021-12-24 江苏乐尔环境科技股份有限公司 一种飞灰含碳量检测装置及其检测方法
CN115728290A (zh) * 2022-11-15 2023-03-03 浙江大学 一种土壤中铬元素的检测方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN111060497B (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
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
CN102359953B (zh) 基于激光诱导击穿光谱的普通黄铜全元素分析方法
CN111060497B (zh) 基于svm级联模型的混合种类飞灰未燃碳含量libs测量方法
CN102004088B (zh) 一种基于神经网络的煤质特性在线测量方法
CN102262075B (zh) 基于分光法的激光诱导击穿光谱测量元素浓度的方法
CN105718749B (zh) 一种基于大数据库辨识的煤质特性分析方法
CN107179289B (zh) 基于红外光谱法测定工业烟气中二氧化碳浓度的不确定度分析方法
CN110208252A (zh) 一种基于激光诱导击穿光谱分析的煤灰熔点预测方法
Yang et al. The basicity analysis of sintered ore using laser-induced breakdown spectroscopy (LIBS) combined with random forest regression (RFR)
CN103512858A (zh) 一种生物质燃料中碳氢氮元素含量的测定方法
CN102830096A (zh) 基于人工神经网络的元素浓度测量误差修正方法
Song et al. Validated ensemble variable selection of laser-induced breakdown spectroscopy data for coal property analysis
CN102410992B (zh) 简化的激光诱导等离子体光谱标准化的元素测量方法
CN103792214B (zh) 一种提高钢铁中碳元素含量测量精度的方法
CN105277531B (zh) 一种基于分档的煤质特性测量方法
CN105717094B (zh) 一种基于大数据库辨识的金属元素含量分析方法
CN107941758B (zh) 一种基于光谱预处理的煤质热值测量方法
CN109521001A (zh) 一种基于PSO和ε-SVR的飞灰含碳量测量方法
CN105717093B (zh) 一种基于大数据库辨识的水泥特性分析方法
CN113588597A (zh) 一种提升炉渣分析精度的方法
Zhu et al. Determination of ash content, volatile matter, and calorific value in coal by OLS combined with laser-induced breakdown spectroscopy based on PC recombination
CN109521002B (zh) 一种固体燃料颗粒流的燃料特性测量方法
CN114813635A (zh) 煤炉燃烧参数的优化方法及电子设备
Zhu et al. LIBS analysis of elemental carbon and fixed carbon in coal by dual-cycle regression based on matrix-matched calibration
CN112595706A (zh) 一种激光诱导击穿光谱变量选择方法及系统

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