CN111965121B - 一种基于光谱分析技术的煤炭焦渣的快速分类检测方法 - Google Patents

Abstract

本发明公开了一种基于光谱分析技术的煤炭焦渣快速分类检测方法，具体涉及煤炭检测技术领域，本发明在对煤炭焦渣进行分类检测时，通过光谱信息采集模块中的高光谱仪进行光谱信息采集，通过平滑滤波单元和基线校正单元对采集到的光谱信息进行预处理，通过SG平滑滤波和二阶导数操作减小噪声和漂移信号的影响。采用连续投影算法对预处理后的光谱数据进行特征提取，去除冗余信息提高并分类模型的建模速度和稳定性。采用支持向量机法建立分类模型，通过遗传算法对模型参数进行优化，得到最优的惩罚因子和核函数参数并利用最优参数对模型进行训练，最后应用训练好的分类模型对煤炭焦渣进行分类。

Description

一种基于光谱分析技术的煤炭焦渣的快速分类检测方法

技术领域

本发明涉及煤炭检测技术领域，更具体地说，本发明涉及一种基于光谱分析技术的煤炭焦渣的快速分类检测方法。

背景技术

煤炭是现在社会最主要的能源之一，对于热力公司供暖和电力公司发电都是至关重要的燃料。然而不同种类的煤炭在测定挥发分后所产生的焦渣特征是不同的。在测定挥发分时，挥发分逸出后遗留的焦渣表示煤在骤热下的黏结性能，对锅炉用煤的选择具有积极参考意义。不同特征等级的焦渣会对锅炉造成不同程度的影响，因此煤炭焦渣的等级可作为煤炭选择的重要指标。

粉末状焦渣的煤容易被空气吹走导致煤燃烧不充分，造成发热量损失。黏结性强的煤炭焦渣会黏附在锅炉内，增加煤层的阻力，妨碍通风。以上情况都会导致锅炉的效率降低，使达到生产指标所需要的煤炭增加，增加了一次性能源的消耗，降低了热力公司的经济效益。因此，煤炭焦渣的类型对于供暖锅炉用煤的选取具有重要意义，有着实际应用价值。

按照GB212标准，可将煤炭焦渣的特征分为以下八个等级：

1、粉末性，焦渣都为粉末状，没有相互粘着的颗粒。

2、粘着度，手指轻轻碰即为粉末或基本上是粉末状，其中较大的团块轻轻一碰即成粉末。

3、弱粘性，用手指轻轻压即成小块。

4、不熔融粘结，用手指用力压才会裂成小块，且焦渣的表面无光泽，下表面稍微有银白色光泽。

5、不膨胀熔融粘结，焦渣形成扁平的块，煤粒之间的界限不易分清。焦渣上表面有明显的银白色金属光泽，但是焦渣表面有较小的膨胀泡。

6、微膨胀熔融粘结，用手指压不碎，焦渣的上、下表面均有银白色金属光泽，明显膨胀，但高度不超过15mm。

7、膨胀熔融粘结，焦渣上、下表面均有银白色金属光泽，明显膨胀，但高度不超过15mm。

8、强膨胀熔融粘结，焦渣的上、下表面有银白色金属光泽且焦渣高度大于15mm。

目前，在煤炭检测方面，基本上都是对煤炭本身的灰分、水分、挥发分检测，以及对煤炭中所含的元素进行检测，很少有对煤炭的焦渣进行分类检测。本发明方法采用高光谱分析技术，通过对煤炭焦渣样本进行光谱信息采集，经过一系列处理分析，实现对煤炭焦渣的快速分类。通过快速地对煤炭焦渣进行分析，为热力公司的煤炭选取提供有力指导，具有实际应用价值。

发明内容

为了克服现有技术的缺陷，本发明提供了一种基于光谱分析技术的煤炭焦渣的快速分类检测方法。通过对煤炭焦渣样本的光谱信息采集、光谱数据预处理得到样本光谱信息，并通过支持向量机算法建立分类模型，得到具体的分类结果。

本发明通过以下技术方案来实现：

一种基于光谱分析技术的煤炭焦渣特征的快速分类检测方法，包括煤炭焦渣的光谱信息采集模块，通过高光谱仪进行煤炭焦渣的光谱信息采集操作。将采集到的原始光谱数据传输到光谱数据预处理模块中进行预处理，通过SG平滑算法进行平滑滤波处理，减小噪声的影响，优化信噪比。通过二阶导数处理，增加光谱的分辨率，使某些未分辨开的光谱分辨开来，从而提高光谱的信噪比。对光谱数据预处理完成后，通过连续投影法进行特征选取，从光谱信息中寻找含有最低冗余信息的变量组，使得变量之间的共线性达到最小，同时保留原始数据的绝大部分特征，得到最优的特征波长组合，有效地提高建模的速度以及模型的稳定性，再将经特征选择后的光谱信息传输到建立好的分类模型中得到分类结果。

所述光谱信息实时采集模块包括高光谱仪，将煤炭焦渣全部按照标准制作成待检测样本，采用高光谱仪对样本的光谱信息进行采集。

所述预处理模块主要包括基线校正单元和平滑滤波单元。通过基线校正单元对采集到的光谱信号进行求导运算，增加光谱的分辨率，在本发明方法中对采集到的光谱信号进行二阶导处理，消除基线漂移的影响。通过平滑滤波单元对光谱信号进行滤波处理，减小噪声的影响，优化信噪比。

所述特征提取模块对预处理后的光谱数据进行特征提取，本发明方法采用连续投影法(SPA)进行处理，从一个波长开始，每次循环计算它在未选入的波长上的投影，将投影向量最大的波长引入到波长组合，直到循环需要选出的波长数的次数，每一个新选入的波长都与前一个线性关系最小。

所述模型建立模块通过建立分类模型对处理后的光谱信息进行识别分类。本发明方法采用支持向量机(SVM)对不同特征的煤炭焦渣的光谱数据进行分类，通过核函数将样本数据映射到高维特征空间中，在高维特征空间构建一个分类超平面作为决策面，由此可将煤炭焦渣样本进行正确分类，且使分类间隔距离最大。其中核函数采用径向基函数。在建立好分类模型后，还需要对模型的参数进行优化。本发明方法中采用遗传算法(GA)对分类模型的参数进行优化，通过随机选择、交叉、变异等步骤寻找最优的参数值，从而提高支持向量机分类模型的精确度和效率。

一种基于光谱分析技术的煤炭焦渣特征的快速分类检测方法，具体包括以下步骤：

A、根据标准制作100个煤炭焦渣样本，通过光谱信息采集模块中的高光谱仪对制作好的样本进行光谱信息采集。

B、将步骤A中采集到的煤炭焦渣样本的原始光谱传输到光谱数据预处理模块中进行预处理。

进一步地，对原始光谱数据通过以下步骤进行处理:

(1)通过平滑滤波单元对光谱数据进行去噪处理，采用13点SG卷积平滑算法进行处理。

(2)通过基线校正单元对经过SG平滑滤波之后的光谱数据进行处理，扣除仪器背景或漂移信号对信号的影响，采用二阶导数对数据进行处理。

C、在建立分类模型前，通过连续投影算法(SPA)对光谱信息进行特征提取，从一个波长开始，每次循环计算它在未选入的波长上的投影，将投影向量最大的波长引入到波长组合，直到循环需要选出的波长数的次数，每一个新选入的波长都与前一个线性关系最小。

D、建立分类模型，采用支持向量机(SVM)法对特征提取后的光谱信息进行分类检测。核函数的选择决定了支持向量机特征空间的结构，对于支持向量机的分类性能影响显著，本方法采用常用的径向基核函数。

采用遗传算法对模型参数进行优化，对惩罚函数C和核函数参数g进行编码，然后解码种群中的染色体并计算适应度函数，得到最优的惩罚函数和核函数参数。利用得到的最优参数对分类模型进行训练，并达到精度要求。

E、在分类完成后，通过分类结果显示模块将分类结果显示出来。

本发明的有益效果：

本发明方法采用高光谱分析技术对煤炭焦渣进行分类，通过高光谱仪进行光谱数据采集，经过一系列预处理，并对预处理后的光谱数据进行特征提取，去除冗余信息，通过支持向量机法建立分类模型进行分类识别，可快速准确地实现煤炭焦渣的分类操作，减小了人为操作造成的影响，相比于传统的人工分类更加简单高效，准确率更高，对于煤炭选择具有重要指导意义。

附图说明

图1为整体流程示意图。

图2为各模块内单元示意图。

图3为煤炭焦渣GA-SVM分类模型训练流程图。

1-光谱信息采集；2-光谱数据预处理；3-特征提取；4-分类模型建立；5-分类结果显示；11-高光谱仪、21-基线校正、22-平滑滤波、41-模型建立、42-模型参数优化。

具体实施方式

如图1和图2所示，一种基于光谱分析技术的煤炭焦渣特征快速分类检测方法，通过光谱采集模块1中的高光谱仪11对煤炭焦渣样本进行光谱数据采集；通过预处理模块2中的基线校正单元21和平滑滤波单元22对原始光谱数据进行预处理，消除背景和噪声的影响，优化光谱信噪比。通过特征提取模块3采用连续投影法进行特征选择，提取含有最低冗余信息的变量组同时保留绝大部分特征，提高建模速度和模型的稳定性。通过分类模型建立模块4中的SVM支持向量机单元41建立分类模型，通过模型参数优化单元42对模型采用遗传算法进行参数优化，并通过优化后得到的最优参数进行模型训练。通过分类结果显示模块5将分类结果显示出来。

一种基于光谱分析技术的煤炭焦渣特征快速分类检测方法具体包括以下步骤：

A、根据标准制作100个煤炭焦渣样本，通过光谱信息采集模块1中的高光谱仪11对制作好的样本进行光谱信息采集。

B、将步骤A中采集到的煤炭焦渣样本的原始光谱传输到光谱数据预处理模块2中进行预处理。

进一步地，对原始光谱数据通过以下步骤进行处理:

(1)通过平滑单元22对光谱数据进行去噪处理，采用13点SG卷积平滑算法进行处理，其核心求解算法为：

其中，

为以λ为中心波长点、m为波长点间隔范围的光谱数据的向量，本发明方法中取m＝6；k为该样本的编号；S_k,λ为平滑矩阵；x_k,λ为光谱数据拟合后的光谱向量。

(2)通过基线校正单元21对经过SG平滑滤波之后的光谱数据进行处理，扣除仪器背景或漂移信号对信号的影响，采用二阶导数对数据进行处理，依据公式

式中，x_k为第k个样本的光谱，g为差分宽度。

C、在建立分类模型前，通过特征提取模块3进行光谱特征提取。

通过连续投影算法(SPA)对光谱信息进行特征提取，步骤如下：

(1)在开始迭代之前，任意选取光谱矩阵的第i列，将原始光谱矩阵的第i列x_i赋值给x_k(0)；

(2)将其他的未被选择的光谱矩阵中的列向量位置的集合记为s；

(3)计算当前所选变量x_k(n-1)对剩下的原始光谱列向量x_i的投影，其中i∈s；

(4)提取出投影最大值的波长变量序号；

k(n)＝arg[max(||Px_i||)]

(5)令x_i＝Px_i，i∈s；

(6)n＝n+1，如果n＜N，则回到步骤(2)循环计算，最后提取的特征

波长变量为{x_k(n)，n＝0,…,N-1}

D、建立分类模型并进行模型参数优化。

(1)通过分类模型建立模块4中的模型建立单元41采用支持向量机(SVM)法对特征提取后的光谱信息进行分类。核函数的选择决定了支持向量机的特征空间的结构，对于支持向量机的分类性能影响显著，本方法采用常用的径向基核函数，其形式如下：

K(x·x_i)＝exp(-g||x-x_i||²)，g＞0

其中，g为核函数参数。

(2)通过分类模型建立模块4中的模型参数优化单元42通过遗传算法(GA)对分类器的参数进行优化，进一步地，优化步骤为：

a、对光谱数据进行归一化处理，消除变量之间的量纲差异。

b、种群初始值编码，构建一定数量的初始种群，对惩罚函数C和核函数参数g进行编码。c、解码种群中的染色体，获取最优惩罚函数C和g，并利用最优参数进行模型训练，通过测试样本的预测精度计算适应度函数。

d、判断是否满足遗传算法的中止条件。若满足，则选择出最优参数组合，进行下一步；若不满足，则进行交叉变异产生新一代种群，开始新的遗传。

e、将获得的最优参数代入到SVM模型中进行训练。

f、判断是否满足训练精度。若满足，则应用该模型进行分类并显示分类结果；若不满足则重新进行选择。

E、在分类完成后，通过分类结果显示模块5将分类结果显示出来。分类结果见表1。

表1：100个煤炭焦渣样本的分类结果

本发明工作原理：

通过对分类方法的整体设计，由光谱信息采集模块1中的高光谱仪11对煤炭焦渣的光谱信息进行采集，传输到光谱数据预处理模块2中进行预处理。通过光谱数据预处理模块2中的平滑滤波单元22进行SG平滑滤波操作减少噪声影响，通过基线校正单元21进行二阶导数操作去除背景或漂移信号的影响。通过特征提取模块3进行特征波长提取，寻找最低冗余信息共线性最小的变量，保留大部分特征。通过分类模型建立模块4中的模型建立单元41采用支持向量机法建立分类模型，通过模型参数优化单元42采用遗传算法对分类模型的参数进行优化，获得最优的惩罚函数C和核函数参数g，并利用得到的最优参数组合对模型进行训练，应用训练好的模型得到样本的分类结果。通过分类结果显示模块5将分类结果显示出来。

最后应说明的几点是：

首先，在本发明方法的描述中，需要说明的是，在没有特殊说明或者特殊规定的情况下，术语“模块”、“单元”应做广义理解，连接方式可以是机械连接或者电连接，也可以是两个原件内部的连通，其可以是一个实体部件，也可以是某一个处理步骤的表征。其次，本发明公开实施例附图中，只涉及到与本发明公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突的情况下，本发明同一实施例及不同实施例可以相互组合。

Claims (1)

1.一种基于光谱分析技术的煤炭焦渣特征快速分类检测方法，其特征在于：通过光谱采集模块（1）中的高光谱仪（11）对煤炭焦渣样本进行光谱数据采集；通过预处理模块（2）中的基线校正单元（21）和平滑滤波单元（22）对原始光谱数据进行预处理，消除背景和噪声的影响，优化光谱信噪比；通过特征提取模块（3）采用连续投影法进行特征选择，提取含有最低冗余信息的变量组同时保留绝大部分特征，提高建模速度和模型的稳定性；通过分类模型建立模块（4）中的SVM支持向量机单元（41）建立分类模型，通过模型参数优化单元（42）对模型采用遗传算法进行参数优化，并通过优化后得到的最优参数进行模型训练；通过分类结果显示模块（5）将分类结果显示出来；

通过以下几个步骤将待检测的煤炭焦渣样本进行正确分类：

A、根据国家标准制作100个煤炭焦渣样本，通过光谱采集模块中的高光谱仪对制作好的样本进行光谱信息采集；

B、将步骤A中采集到的煤炭焦渣样本的原始光谱传输到预处理模块中进行原始光谱数据预处理；

所述的原始光谱数据预处理通过以下步骤进行处理：

（1）通过平滑滤波单元对光谱数据进行去噪处理，采用13点SG卷积平滑滤波算法进行处理；

（2）通过基线校正单元对经过SG卷积平滑滤波之后的光谱数据进行处理，扣除仪器背景或漂移信号对信号的影响，采用二阶导数对数据进行处理；

C、在建立分类模型前，通过连续投影算法SPA对光谱信息进行特征提取，从一个波长开始，每次循环计算它在未选入的波长上的投影，将投影向量最大的波长引入到波长组合，直到循环需要选出的波长数的次数，每一个新选入的波长都与前一个线性关系最小；

D、建立分类模型，采用支持向量机SVM法对特征提取后的光谱信息进行分类检测；核函数的选择决定了支持向量机特征空间的结构，对于支持向量机的分类性能影响显著，本方法采用常用的径向基核函数；

采用遗传算法对模型参数进行优化，对惩罚函数C和核函数参数g进行编码，然后解码种群中的染色体并计算适应度函数，得到最优的惩罚函数和核函数参数；利用得到的最优参数对分类模型进行训练，达到精度要求；

E、在分类完成后，通过分类结果显示模块将分类结果显示出来。

Images