一种基于煤炭光谱数据的煤炭成分分析方法

摘要

本发明提供一种基于煤炭光谱数据的煤炭成分分析方法，包括：煤炭光谱数据采集；利用煤炭成分分析模型进行煤炭成分预测，该模型的输入是采集的光谱数据，输出是煤炭成分。本发明提供的方法利用光谱数据和煤炭工业分析测定结果，建立煤炭成分分析模型，该模型利用卷积神经网络提取得到光谱特征数据，将光谱特征数据极限学习机输出煤炭工业分析测定得到的与煤炭光谱数据对应的煤炭成分，此预测过程中采用人工蜂群算法优化极限学习机的权值和偏差量，由此得到优化的煤炭成分分析模型。煤炭成分分析模型与光谱技术融合并应用在煤炭工业分析领域，煤提供了一种新的、快速和准确的煤炭成分分析方法。

说明书

技术领域

本发明属于煤炭成分分析技术领域，具体涉及一种基于煤炭光谱数据的煤炭成分分析方法。

背景技术

煤是主要的能源来源。2017年，全球煤矿探明可开采储量大约8500亿吨，储量丰富的国家包括美国(2450亿吨)、俄罗斯(1500亿吨)、中国(1200亿吨)。随着工业的发展，全球对煤品质要求不断提高。高品质的煤对生产效率和环境污染问题有着重大的影响。所以在使用煤前，对煤的工业分析是必不可少的。传统的煤矿分析方法主要利用化学分析方法。虽然其精度较高，但该方法存在成本高、耗时长的缺点。因此，如何快速准确地确定煤的成分是现代工业分析技术必须解决的重要问题。它对降低分析成本和提高分类效率具有重要的意义。

光谱分析技术具有分析速度快、检测成本低、效率高等优点。因此，近些年来光谱分析技术已被广泛应用于矿石分析、品位鉴定和食品检验等领域。对于煤炭而言，很多研究已经证明可以利用光谱特性来测量煤的水分、灰分、挥发分、固定碳、发热量、硫分等。Andreset al.利用近红外光谱测定了煤中的水分、挥发分、灰分等。Dong et al.使用光谱特性进行快速的测量煤中的硫、碳、氮等。Li et al.通过近红外光谱测量了煤中的硫含量。Zhai et al.提出了基于近红外光谱的快速检测煤的灰分的方法。

影响煤的光谱决定因素主要是其中的碳、硫、硅等的氧化物。因此在可见、红外光谱数据中往往包含许多对煤分析影响无关的化学信息。这使得煤的光谱数据呈现数据维数高、冗余量大等特点。所以必须对煤的光谱数据做有效的特征提取。近年来，深度学习的卷积神经网络(CNN)被广泛应用在预测模型中。CNN是一种新的提取特征方法，其中结构包含多层的隐含神经网络。隐含层包括两种：“卷积层和采样层”。CNN的权值共享网络结构使得它更类似于生物神经网络。所以CNN网络降低了模型的复杂度，减少了权值的数量并更好地提取数据的特征。

极限学习机(ELM)是在2006年Huang提出的一种单隐含层前馈神经网络。ELM以训练速度快、泛化性能好、分类精度高等优点得到了广泛的应用。因为CNN网络是一个很好的提取特征器但它并不是一个很好的预测器，而ELM是一个很好的预测器。

发明内容

针对现有技术存在的不足，本发明提供一种基于煤炭光谱数据的煤炭成分分析方法。

本发明的技术方案是这样实现的：

一种基于煤炭光谱数据的煤炭成分分析方法，包括：

煤炭光谱数据采集；

利用煤炭成分分析模型进行煤炭成分预测，该模型的输入是采集的光谱数据，输出是煤炭成分。

所述光谱数据采集的过程如下：

首先对煤炭样品进行清洗处理；然后进行磨粉加工得到煤粉样品片；对各煤粉样品片进行若干次光谱测试，然后取平均值作为该煤粉样品片的光谱数据。

所述煤炭成分分析模型的建立方法如下：

煤炭光谱数据采集；

煤炭工业分析测定，得到与煤炭光谱数据对应的煤炭成分；

将光谱数据输入到卷积神经网络，进行特征提取，得到光谱特征数据；

极限学习机训练，极限学习机的输入为光谱特征数据，输出为煤炭成分；

利用极限学习机对煤炭成分预测，并采用人工蜂群算法优化极限学习机的权值和偏差量，得到煤炭成分分析模型，该模型的输入是采集的光谱数据，输出是煤炭成分。

所述卷积神经网络结构选择为2层卷积和2层采样；卷积层选择Sigmoid为激活函数，采样层选择均值采样函数。

所述煤炭工业分析测定采用化学方法得到与煤炭光谱数据对应的煤炭成分，包括水分、挥发分、灰分、固定碳、低位热值和硫含量。

本发明提供的方法利用光谱数据和煤炭工业分析测定结果，建立煤炭成分分析模型，该模型利用卷积神经网络提取得到光谱特征数据，将光谱特征数据极限学习机输出煤炭工业分析测定得到的与煤炭光谱数据对应的煤炭成分，此预测过程中采用人工蜂群算法优化极限学习机的权值和偏差量，由此得到优化的煤炭成分分析模型。煤炭成分分析模型与光谱技术融合并应用在煤炭工业分析领域，煤提供了一种新的、快速和准确的煤炭成分分析方法。

附图说明

图1是本发明具体实施方式的煤中的水分预测结果；

图2是本发明具体实施方式的煤中的灰分的预测结果；

图3是本发明具体实施方式的煤的挥发分的预测结果；

图4是本发明具体实施方式的煤的固定碳预测结果；

图5是本发明具体实施方式的煤的低位热值预测结果；

图6是本发明具体实施方式的煤的硫含量预测结果；

图7是本发明具体实施方式的基于煤炭光谱数据的煤炭成分分析方法流程图；

图8是本发明具体实施方式的煤炭成分分析模型的建立方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

本实施方式提供一种基于煤炭光谱数据的煤炭成分分析方法，如图7所示，包括：

步骤1、煤炭光谱数据采集；

本实施方式采集的煤矿样品来自中国的抚顺、贵州织金、山西大同、河南夹津口、陕西神东、伊敏煤矿区。这些煤矿区分布在中国从南到北的各地区，总共有100个煤样品，包括了无烟煤、烟煤和褐煤。美国Spectra Vista公司的SVC HR-1024便携式地物光谱仪被作为光谱数据采集仪器。该仪器光谱范围：350～2500nm。内置存储器：500scans(扫)。重量：3kg，通道数：1024。光谱分辨率(FWHM≦8.5nm)1000～1850nm。最小积分时间：1毫秒。

所述光谱数据采集的过程如下：

首先对煤炭样品进行清洗处理；然后进行磨粉加工得到煤粉样品片；便携式地物光谱仪扫描时间设置为1秒/次，光谱仪的探头距煤粉样品片表面480mm，并垂直于煤粉样品片表面。卤素灯距煤粉样品片320mm，并且与煤粉样品片表面形成45度的角度。为了减少周围环境对光谱测试的干扰，要求在一个封闭的室内完成，避免太阳和其他光源的照射干扰，且不得走动并穿着深色服装。利用便携式地物光谱仪(SVC HR-1024)对各煤粉样品片进行五次光谱测试，然后取平均值作为该煤粉样品片的光谱数据。

步骤2、利用煤炭成分分析模型进行煤炭成分预测，该模型的输入是采集的光谱数据，输出是煤炭成分。

如图8所示，所述煤炭成分分析模型的建立方法如下：

(1)煤炭光谱数据采集。

(2)煤炭工业分析测定，得到与煤炭光谱数据对应的煤炭成分。

所述煤炭工业分析测定采用化学方法得到与煤炭光谱数据对应的煤炭成分，包括水分、挥发分、灰分、固定碳、低位热值和硫含量。这些指标是判断煤质量的主要依据。化学方法是通过复杂的实验和标准的仪器进行测量，得到煤中的水分、挥发分、灰分、固定碳、低位热值和硫含量等。比如挥发分是将煤炭样品在高温的条件下隔绝空气加热，煤中的有机物质就会发生热解反应，一部分物质生成气体逸出，其余有机质则以固体形式残留下来，逸出物质中减掉水分后就是挥发分。根据化验结果，部分煤炭样品的工业分析如表1所示。

表1部分煤炭样品的工业分析结果

(3)将光谱数据输入到卷积神经网络，进行特征提取，得到光谱特征数据。所述卷积神经网络结构选择为2层卷积(C1，C2)和2层采样(S1，S2)；卷积层选择Sigmoid为激活函数，采样层选择均值采样函数。每个光谱数据有1024个特征，经过卷积神经网络特征提取后，输出特征数据为300个。

所述卷积神经网络以光谱数据为矩阵形式作为输入，隐含层包括卷积层和采样层交替实现，最后输出层是一维网络。如果第l层是卷积层，那么第j个的特征映射为：

其中：M_j是输入数据的集合；f为非线性函数如Sigmoid函数、ReLU函数、Softplus函数等；为l-1层的第i个数据和l层的第j个数据的卷积核；为偏置。

如果第l层是采样层，那么第j个的特征映射为：

其中：DO(·)是采样函数，有很多不同的采样函数方案如随机采样、求均值、最大值等；为权值；为偏置。

如果第l层为输出层，那么对应第j个特征映射为：

其中，v为上一层的输出向量；为权值；为偏置。

(4)极限学习机训练，极限学习机的输入为光谱特征数据，输出为煤炭成分。

所述极限学习机：

对于N任意不同的样本(x_i,t_i)，其中x_i＝[x_i1,x_i2,…,x_in]^T∈Rⁿ,t_i＝[t_i1,t_i2,…,t_im]^T∈R^m,那么标准的L个隐含层神经元的单隐层前馈神经网络为：

其中：a_i＝[a_i1,a_i2,…,a_in]^T∈Rⁿ：表示输入层神经元与隐含层第i个神经元之间的输入权值；β_i为输出权值；b_i为偏置；a_i·x_j：表示a_i和x_j的内积。

则极限学习机的目标函数可以另一种方式表达为：

Hβ＝T (5)

其中：

其中，H是神经网络的隐含层输出的矩阵；T是期望输出。

Huang教授提出的方法^[16]是随机选择输入权值和隐含层偏差值,训练这个网络相当于求线性系统Hβ＝T的最小二乘解

Minimize:||Hβ-T|| (8)

最后计算出线性系统最小二乘解的最小值是：

其中：H⁺为H的Moore-Penrose广义逆矩阵，Hβ＝T的最小二乘解的最小值是唯一的。

(5)利用极限学习机对煤炭成分预测，并采用人工蜂群算法优化极限学习机的权值和偏差量，得到煤炭成分分析模型，该模型的输入是采集的光谱数据，输出是煤炭成分。

从极限学习机的预测结果可以得到人工蜂群算法的适应度值，对这个值进行判断，保存更好的食物源，也就是极限学习机的最优权值和偏差量。循环更新人工蜂群算法的食物源位置，再次使用极限学习机进行训练、预测，并保存最优食物源。直到全部雇佣蜂完成搜索为止。

人工蜂群算法选择食物源个数为100；雇佣蜂、观察蜂和侦查蜂每个为50；可行解D＝R*NE+NE。其中：NE是极限学习机的隐含层节点数，R是每一个输入数据的特征量。极限学习机选择激活函数为Sin函数；隐含层节点数为100个。

所述人工蜂群算法-Artificial Bee Colony Algorithm(ABC)是2005年被提出的一种模仿蜜蜂觅食行为。算法中的蜜蜂可分为3种：雇佣蜂、观察蜂和侦查蜂。花源的位置代表呆优化问题的一组可行解。花蜜量代表优化问题的适应度。每个食物源的位置对应一只雇佣蜂。

假设食物源的个数为SN，第i(i＝1,2,...,SN)个食物源的适应度值为fit_i。雇佣蜂按公式(10)搜索食物源。

式中：v_ij是新的食物源；u_ij是现有的食物源；是[-1,1]之间的随机值；k是[1,SN]之间的随机数，且k#i,1≤i≤SN,1≤j≤D；D为可行解的维度。如果v_ij的适应度值大于u_ij的适应度值时，雇佣蜂会用v_ij取代u_ij，否则保留u_ij。

当所有的雇佣蜂完成搜索后，它们会回到蜂巢与观察蜂分享食物源的信息。观察蜂根据轮盘赌算法选择第i(i＝1,2,...,SN)个食物源。然后，观察蜂在已选择的食物源邻域内进行搜索新的食物源。计算并保留适应度最好的食物源。

当食物源u_ij在limit次循环后，位置信息仍未更新。侦察蜂按公式(11)搜索新的食物源。

u_ij＝u_min,j+rand(0,1)(u_max,j-u_min,j)>

式中，u_min,j和u_max,j分别为可行解D中第j个元素的上下限值。

卷积神经网络(CNN)、人工蜂群算法(ABC)和极限学习机(ELM)的结合：

卷积神经网络是通过卷积层和采样层来提取对象特征，并采用梯度下降法来训练找到网络的最小化全局误差。所以通过卷积神经网络能够提取更有利于预测分析的特征，不过它的最后一层的感知器却不是一个很好的预测器。

极限学习机是一个单隐含层的前馈神经网络。其优点在于训练速度非常快、精度高、泛化性能好。不过极限学习机只有在训练数据有足够多的前提下才能获得高的准确率。并且，在极限学习机中，权值和偏差量是随机赋值的，导致一部分权值和偏差量没有达到最优状态。而人工蜂群算法是一种全新的优化算法，可以很好地对ELM网络进行寻找最优值。

根据这些情况，将卷积神经网络、人工蜂群算法和极限学习机，克服它们各自的缺点，充分利用其优点。

对于煤炭工业分析。使用样本来自中国不同煤矿区的不同煤品种。共有100个样本，选择90个样本作为训练集和校正集，10个样本作为预测集。以验证方法的有效性，采用模型性能评价指标是Coefficient of determination(R2)和Root-mean-square error ofprediction(RMSEP)。

其中，N_test为预测集样本数；y_i为样本的真实值；为真实值的平均值；为模型计算出的预测值。

R2取值范围在(0,1)之间，R2越接近于1以及RMSEP的值越小则表示模型性能越好。

将预测模型应用到测试集，评价方法的有效性：

水分检测：

煤的工业分析中规定测定的水分是空气干燥煤样的水分，即是将煤样破碎至0.2mm以下,分析试样与环境空气达到湿度平衡时所含的水分。由于在实际燃烧过程中，水分并不能燃烧放热，反而水分的气化还要吸收一部分热量，因此水分的存在会对煤的燃烧、热值以及成灰等特性产生影响。所以水分的测定毫无疑问是煤的工业分析中的一项重要内容。

煤中的水分预测结果如图1所示。预测集的水分值覆盖范围从2.4％到12％。可以看到，经过CNN-AELM模型的计算，可以很好地预测出煤中的水分。CNN网络能够很好的提取出水的光谱特征。R2值达到0.9701和RMSEP是0.8318％说明了模型的准确性和稳定性。

灰分检测：

煤的灰分是指煤在规定的条件下完全燃烧后得到的残留物。它的主要成分包括Al₂O₃,CaO,SiO₂,MgO,Fe₂O₃及稀有元素的氧化物等。灰分和发热量有很好的线性关系。灰分增加，发热量降低，煤的密度也随之增大。所以灰分也是评价煤质的重要指标。

图2表示灰分的预测结果。预测集的灰分值覆盖范围从5.9％到35.7％。可以看到，本发明方法准确的预测出煤的灰分值。预测结果的主要误差是由第6个和第10个样本造成。误差大的原因是在训练集中，缺少灰分值临近这些预测值。R2值达到0.9593和RMSEP是1.7461％说明模型有了比较好的稳定性和准确性。

挥发分检测：

煤的挥发分是在规定条件下隔绝空气加热进行水分校正后的质量损失。煤的挥发分和煤的变质程度有很大关系，随煤化程度的增加而挥发分降低。如褐煤的挥发分一般大于38％、烟煤大于10％，无烟煤小于10％。挥发分是煤分类的主要指标。

图3是煤的挥发分的预测结果。预测集的挥发分值覆盖范围从7.4％到39.7％。可以看到，造成误差主要是在第3、6、9个样本。剩余其他样本都有了非常吻合的预测结果。这表明本发明的模型能够很好的预测出煤的挥发分值。R2值达到0.9881和RMSEP是2.2743％说明模型具有很好的预测性能和稳定性。

固定碳检测：

从测定煤样挥发分后的焦渣中减去灰分后的残留物称为固定碳。煤中可燃性固体物是煤燃烧产生热量的主要成分。煤中的固定碳因煤质不同而不同，固定碳含量越高，发热量也越髙，煤质越好。

图4是煤的固定碳预测结果。预测集的固定碳值覆盖范围从38.5％到82％。可以看到，预测值基本都接近于期望值。这表明CNN网络能有效的提取煤中的固定碳光谱特征，能够很好的预测出煤的固定碳值。R2值达到0.9677和RMSEP是3.2570％说明模型具有良好的预测性能以及稳定性。

低位热值检测：

煤的发热值是指单位质量的煤在完全燃烧时所放出的热量。根据实际情况，可以把煤的发热值分为高位发热值和低位发热值。煤的低位发热值是指高位发热值中扣除全部水蒸气的汽化潜热后的发热量。因为低位发热值接近锅炉运行的实际发热量，所以在锅炉设计、试验等计算中均以此作为计算依据。

图5是煤的低位热值预测结果。预测集的低位热值覆盖范围从19.8J/g到27.6J/g。可以看到，除了测试集中的第3个和第8个煤样出现微小的预测误差。剩余的其他煤样，CNN-AELM模型都能准确的预测出煤的低位发热值。R2值达到0.9279和RMSEP是0.6359(J/g)说明模型具有比较好的预测性能。

硫含量检测

硫元素是煤的有害元素之一。煤中硫含量比较高，煤燃烧产生大量的SO₂。燃煤产生的SO₂排放量占总排放量的90％，严重破坏自然环境，并会腐蚀锅炉设备。煤中硫会降低焦炭质量，直接影响钢铁的质量，增加高炉出渣量。所以在使用煤之前，必须对煤中的硫元素进行定量是必不可少的。

图6是煤的硫含量预测结果。预测集的硫含量覆盖范围从0.06％到0.71％。可以看到，CNN-AELM模型准确的预测出煤中的硫元素含量。预测结果的主要误差是由第6个和第10个样本造成。R2值达到0.918和RMSEP是0.0529(％)说明模型具有比较好的预测性能。

各方法的比较：

Successive Projections Algorithm(SPA)是一种重要的特征波长变量提取方法^[23]。它的优势在于提取全波段的几个特征波长，能够消除原始光谱矩阵中冗余的信息。因而它能够降低模型的复杂度并减少计算量，提高模型的速度和效率。该算法经常被使用在光谱特征波长的筛选。

Support Vector Machine(SVM)是Vapnik提出的一种机器学习方法^[25]。其方法以统计学理论为基础，针对有限样本的一种通用学习方法。它能有效解决小样本、高维数、非线性等问题，近年来被广泛应用于许多分类和建模领域。

本实施方式将CNN-ELM方法、CNN-AELM方法、CNN-SVM方法、SPA-ELM方法，SPA-AELM方法和SPA-SVM方法的预测结果进行比较，其分类结果如表2所示。

根据表2可以看出，对于采用CNN提取特征的模型，R2的值都在0.9以上。本发明方法(CNN-AELM)在各项指标的预测总体好于CNN-ELM和CNN-SVM方法。特别是在Volatilematter，本发明方法的R2值达到0.99。相对而言，采用SPA提取特征的模型，模型性能更差。这个结果表明，经过CNN网络提取特征后的数据使模型能够更准确地预测出煤的指标，模型性能总体优于对应的SPA提取特征的模型。该结果也证明了人工蜂群算法能够有效的优化ELM网络，改进后的ELM模型性能要更好。

表2不同煤工业分析模型的比较

表3是对100个煤样本分别采用化学分析方法和本发明方法分析所投资费用和消耗时间的比较。可以看出采用化学方法需要投入大量的费用和时间。并且化学分析方法除了需要购买实验药品之外，一些化学实验仪器投入成本在100万以上。此方法虽然精度高但成本很高，时间长。相对而言，本方法包括光谱仪和计算机的投入成本在35万以内，比化学方法投入更少、分析精度高、耗时更短。

表3不同分析方法的比较

分析方法分析耗时(h)费用(USD)化学分析2405000本发明450

本实施方式提出的方法，首先对100个不同品种的煤样采集光谱数据。采用深度学习CNN网络和ELM算法建立煤炭分析模型。为进一步提高分析精度，用人工蜂群算法以优化CNN-ELM网络模型。结果表明CNN-AELM网络能够很好的预测出煤的工业指标。在与SPA提取特征方法比较，CNN网络能更好地提取煤光谱数据的特征。到目前为止，CNN网络被广泛应用在图像处理和语音识别系统上，而很少研究提到它应用到其他领域。CNN网络能够很好的提取光谱数据的特征。CNN与ELM网络结合，互补两者之间的缺点，构成一个更好的分析模型。与传统的煤炭分析相比，可见、近红外光谱结合深度神经网络方法在经济、速度、准确性具有无可比的优势和重要的实际应用价值。