屯蘭選煤廠不同粒度煤的煤質(zhì)定量分析研究

宋 璇

(山西焦煤西山煤電集團(tuán)有限公司 屯蘭礦選煤廠，山西 古交 030206)

屯蘭選煤廠不同粒度煤的煤質(zhì)定量分析研究

宋 璇

(山西焦煤西山煤電集團(tuán)有限公司 屯蘭礦選煤廠，山西 古交 030206)

為了快速檢測(cè)煤炭的灰分和硫分，以屯蘭選煤廠0.42、0.177、0.125 mm三個(gè)粒度等級(jí)煤樣為研究對(duì)象，采集了300個(gè)煤樣的近紅外光譜圖，利用主成分回歸(PCR)算法，建立了基于學(xué)生氏殘差剔除異常樣品后的定量回歸模型，并與標(biāo)準(zhǔn)值進(jìn)行了對(duì)比分析。分析結(jié)果表明：粒度等級(jí)0.42 mm煤樣的灰分模型效果較好，校正集相關(guān)系數(shù)和均方根誤差分別為0.927 0和0.039 9，預(yù)測(cè)集相關(guān)系數(shù)和均方根誤差分別為0.911 1和0.043 9，模型的穩(wěn)定性較高；粒度等級(jí)0.177 mm煤樣的硫分回歸建模效果較好，校正集和預(yù)測(cè)集的相關(guān)系數(shù)均達(dá)到0.96以上，校正集均方根誤差和預(yù)測(cè)集均方根誤差分別為0.019 5和0.016 7，模型具有較強(qiáng)的預(yù)測(cè)能力。該研究為煤質(zhì)內(nèi)部成分的快速檢測(cè)提供了有效的分析方法。

煤質(zhì)分析；近紅外光譜；主成分回歸；粒度；灰分；硫分

煤炭作為我國(guó)的主要能源，在國(guó)民經(jīng)濟(jì)中起著舉足輕重的作用?；曳趾土蚍旨仁敲禾康闹匾|(zhì)量指標(biāo)，也是煤炭計(jì)價(jià)的重要因素[1]?；曳质敲褐械碾s質(zhì)成分，其含量的多少直接影響煤炭的質(zhì)量；硫則是一種有害的元素，硫分高的煤在燃燒、氣化或煉焦使用時(shí)均會(huì)產(chǎn)生很大的危害。工業(yè)上的元素分析[2]是測(cè)定煤質(zhì)內(nèi)部成分的基本方法，其中灰分常用測(cè)定方法是緩慢灰化法[3]，硫分常用測(cè)定方法是重量法[4]和高溫燃燒中和法[5]。但是，這些方法普遍存在著分析時(shí)間長(zhǎng)，檢測(cè)精度低以及破壞煤炭?jī)?nèi)部成分等缺陷[6]。

近紅外光譜檢測(cè)技術(shù)[7-10]能夠彌補(bǔ)上述檢測(cè)方法的不足，可快速無(wú)損地分析出煤炭?jī)?nèi)部成分的元素含量。該技術(shù)利用紅外光發(fā)射器將光源照射在煤樣上，同時(shí)將檢測(cè)探頭收集的漫反射光譜傳遞給數(shù)據(jù)采集系統(tǒng)，進(jìn)而分析出煤質(zhì)內(nèi)部成分信息。丁仁杰[1]等2007年針對(duì)元寶山電廠煤的建模特點(diǎn)，對(duì)水分、灰分、揮發(fā)分和熱值進(jìn)行了快速檢測(cè)，進(jìn)一步介紹了先定性后定量的建模特點(diǎn)。賀成[12]等2011年采用間隔偏最小二乘法( iPLS) 和遺傳算法( GA) 進(jìn)行波長(zhǎng)選擇，建立了秸稈和煤混燃物的定量分析模型，GA-PLS方法獨(dú)立驗(yàn)證集決定系數(shù)為0.89，預(yù)測(cè)標(biāo)準(zhǔn)差為2.87%，相對(duì)分析誤差為3.06，結(jié)果表明：近紅外光譜技術(shù)結(jié)合GA-PLS 建模用于快速檢測(cè)秸稈和煤混燃物中秸稈含量具有可行性。

本研究采用工業(yè)分析方法測(cè)定的不同粒度煤炭?jī)?nèi)部灰分和硫分作為標(biāo)準(zhǔn)值，同時(shí)通過采集不同粒度煤樣的近紅外光譜，建立了基于剔除異常樣品后的主成分回歸算法定量數(shù)學(xué)模型，并將計(jì)算結(jié)果與工業(yè)上的檢測(cè)結(jié)果進(jìn)行對(duì)比分析。

1 試驗(yàn)與方法

1.1 樣品收集與制備

收集的煤樣來自屯蘭選煤廠，將其破碎、篩分[13-14]后制備成粒度等級(jí)為0.420、0.177、0.125 mm的樣品，數(shù)量分別為100個(gè)。

按照緩慢灰化法操作步驟，稱取一定量的煤樣放入馬弗爐中，以一定的速度加熱到815±10 ℃，測(cè)定出殘留物質(zhì)量所占煤樣質(zhì)量百分比，作為本次試驗(yàn)灰分的標(biāo)準(zhǔn)值。同時(shí)，利用高溫燃燒中和法來測(cè)定煤中硫的含量作為標(biāo)準(zhǔn)值，具體結(jié)果見表1。

表1 屯蘭選煤廠煤質(zhì)灰分和硫分的標(biāo)準(zhǔn)值

1.2 光譜采集

FLA6800小型化的便攜式近紅外光譜儀目前已廣泛應(yīng)用于工業(yè)現(xiàn)場(chǎng)的在線測(cè)試，它采用512像素帶TE制冷的銦鎵砷(InGaAs)探測(cè)器，鹵鎢燈光源，可以快速采樣800～2 500 nm波長(zhǎng)范圍的光譜信號(hào)，分辨率為16 cm-1，信噪比為4 000∶1，積分時(shí)間為10 us～1 000 ms。對(duì)每個(gè)光譜采集三次，取其平均值作為原始光譜。

1.3 模型的評(píng)價(jià)指標(biāo)

通過模型的相關(guān)系數(shù)(R)、校正集均方根誤差(RMSEC)、預(yù)測(cè)集均方根誤差(RMSEP)和預(yù)測(cè)誤差平方和(PRESS)來評(píng)價(jià)模型的好壞。模型的相關(guān)系數(shù)(R)越高，說明模型相關(guān)性高，預(yù)測(cè)精度高；PRESS是標(biāo)準(zhǔn)值與預(yù)測(cè)值之差的平方和，該值越大，說明誤差越大，回歸模型的穩(wěn)定性越差。

采用學(xué)生氏殘差[15]方法來判斷異常樣品，計(jì)算方法如下：

(1)

2 結(jié)果分析

2.1 光譜分析

對(duì)不同粒度等級(jí)的煤樣進(jìn)行近紅外光譜采集，分別采集三次取平均值作為煤樣的平均原始光譜圖。

圖1 粒度等級(jí)為0.42、0.177、0.125 mm的煤樣的平均原始光譜

由圖1可以看出，三種粒度的光譜特征峰值不完全重合，每個(gè)光譜的信息大致相近，在1 050 nm附近有較強(qiáng)吸收峰，很可能是O—H基團(tuán)的相關(guān)信息，在1 750、2 300、2 350 nm處分別有較小的波峰。粒度等級(jí)為0.125 mm的煤樣在>1 400 nm的波段范圍吸光度較強(qiáng)，判斷其與S—O的合頻吸收譜帶相關(guān)，而在波段較小位置附近的吸光度減弱，具體的特征信息需要建模后做進(jìn)一步分析。

2.2 異常樣品剔除

利用TQ Analyst軟件中的leverage功能，來計(jì)算煤樣的學(xué)生氏殘差(Studentized Residual)，分析結(jié)果如圖2所示。選取學(xué)生氏殘差1.4作為本次試驗(yàn)的分界線，>1.4的即為異常樣品，將300個(gè)煤樣的學(xué)生氏殘差計(jì)算結(jié)果依次排列，發(fā)現(xiàn)>1.4的煤樣有三個(gè)，分別為煤樣28#、121#和230#，在建模過程中應(yīng)予以剔除。

2.3 定量回歸模型

主成分回歸模型首先需計(jì)算主成分個(gè)數(shù)，對(duì)光譜數(shù)據(jù)進(jìn)行主成分分析，然后對(duì)不同成分的光譜信息進(jìn)行判別。對(duì)煤質(zhì)的灰分和硫分進(jìn)行主成分回歸模型分析，計(jì)算預(yù)測(cè)誤差平方和(PRESS)值，來選取最優(yōu)的主成分個(gè)數(shù)，計(jì)算結(jié)果如圖3所示。

圖2 煤樣的學(xué)生氏殘差計(jì)算結(jié)果

圖3 不同主成分個(gè)數(shù)的灰分和硫分PRESS值計(jì)算結(jié)果

由圖3可知，隨著主成分個(gè)數(shù)的增加，灰分和硫分的PRESS值均有所下降，開始時(shí)下降比較明顯，伴隨著主成分個(gè)數(shù)的繼續(xù)增加，PRESS值基本保持不變?？紤]到增加主成分?jǐn)?shù)后PRESS無(wú)顯著變化，因此不應(yīng)該繼續(xù)增加主成分?jǐn)?shù)。因此，本試驗(yàn)灰分的主成分?jǐn)?shù)選取為5個(gè)，硫分的主成分?jǐn)?shù)選取為8個(gè)。

應(yīng)用近紅外光譜建立了不同粒度(0.42、0.177、0.125 mm)煤樣基于剔除異常樣品(28#、121#、230#)后的主成分回歸定量模型，每種粒度等級(jí)的樣品選取校正集60個(gè)，其余40個(gè)作為預(yù)測(cè)集，來分析灰分和硫分的組成成分，結(jié)果見表2。

由表2可以看出，不同粒度等級(jí)的煤樣定量檢測(cè)結(jié)果有所不同?；曳值慕＝Y(jié)果顯示，粒度等級(jí)0.42 mm的煤樣校正集相關(guān)系數(shù)為0.927 0，預(yù)測(cè)集相關(guān)系數(shù)為0.911 1，校正集均方根誤差(RMSEC)和預(yù)測(cè)集均方根誤差(RMSEP)最小，二者之差僅相差0.004，回歸模型最佳。隨著粒度等級(jí)變大，模型的相關(guān)性有所下降，預(yù)測(cè)精度也有所降低，灰分的PCR最佳建模結(jié)果見圖4。

進(jìn)一步建模分析發(fā)現(xiàn)，粒度等級(jí)0.42 mm煤樣的硫分相關(guān)系數(shù)也達(dá)到0.9左右，但其均方根誤差較高；相比之下，粒度等級(jí)0.177 mm煤樣的回歸建模效果較好，校正集和預(yù)測(cè)集的相關(guān)系數(shù)均達(dá)到0.96以上，RMSEC和RMSEP分別為0.019 5和0.016 7。硫分的PCR最佳建模結(jié)果如圖5所示。

表2 不同粒度煤樣灰分和硫分的定量檢測(cè)結(jié)果

3 結(jié)論

本試驗(yàn)結(jié)合主成分回歸算法，研究了近紅外光譜技術(shù)，分析了不同粒度煤質(zhì)灰分和硫分含量的回歸模型，通過工業(yè)檢測(cè)結(jié)果確定了本次試驗(yàn)煤質(zhì)含量的標(biāo)準(zhǔn)值，并采用學(xué)生氏殘差方法剔除了異常樣品，建立了不同粒度等級(jí)的PCR定量模型，并與標(biāo)準(zhǔn)值進(jìn)行了對(duì)比。結(jié)果表明：

圖4 粒度等級(jí)為0.42 mm煤樣的灰分PCR建模結(jié)果

(1)發(fā)現(xiàn)粒度等級(jí)0.42 mm煤樣的灰分模型效果較好，校正集相關(guān)系數(shù)和均方根誤差分別為0.927 0和0.039 9，預(yù)測(cè)集相關(guān)系數(shù)和均方根誤差分別為0.911 1和0.043 9，模型的穩(wěn)定性較高。

(2)粒度等級(jí)0.177 mm煤樣的硫分回歸建模效果較好，校正集和預(yù)測(cè)集的相關(guān)系數(shù)均達(dá)到0.96以上，RMSEC和RMSEP分別為0.019 5和0.016 7，模型具有較強(qiáng)的預(yù)測(cè)能力。這表明不同粒度等級(jí)的煤樣內(nèi)部成分含量有所不同

(3)本研究表明，利用近紅外光譜對(duì)煤質(zhì)內(nèi)部成分進(jìn)行定量檢測(cè)的方法是可行的，煤灰分和硫分含量的回歸模型從預(yù)測(cè)精度和穩(wěn)定性上具有一定的通用性。該研究為屯蘭選煤廠煤質(zhì)快速無(wú)損檢測(cè)提供了新方法。

[1] 鄭 忠，宋萬(wàn)利. 基于主成分分析的中煤發(fā)熱量的檢測(cè)研究[J]. 煤炭技術(shù)，2014, 33(6): 218-220.

[2] 閆順林，李太興，王俊有，等. 逐步回歸分析在煤質(zhì)元素分析通用計(jì)算模型研究中的應(yīng)用[J]. 選煤技術(shù)，2007(3): 17-19.

[3] GB/T 212-2008 煤的工業(yè)分析方法[S].

[4] C J Webb, E mac A Gray. Analysis of uncertainties in gas uptake measurements using the gravimetric method[J]. International Journal of Hydrogen Energy, 2014, 39(13): 7158-7164.

[5] 張志朋，彭靖愷，鄒志勇. 煤中全硫測(cè)定方法的研究[J]. 潔凈煤技術(shù)，2013, 19(6): 43-46.

[6] 雷 萌，李 翠，王 鑫，等. 基于模糊聚類徑向基神經(jīng)網(wǎng)絡(luò)的煤質(zhì)分析模型[J]. 選煤技術(shù)，2015(4): 10-14.

[7] 閆宏偉，陳鵬強(qiáng)，陸輝山，等. 基于NIRS的煤樣定量檢測(cè)技術(shù)研究[J]. 煤炭技術(shù)，2014, 33(4): 224-226.

[8] 嚴(yán)衍祿，陳 斌，朱大洲，等. 近紅外光譜分析的原理、技術(shù)與應(yīng)用[M]. 北京：中國(guó)輕工業(yè)出版社，2013: 1-16.

[9] Roman M Balabin, Ravilya Z Safieva, Ekaterina I Lomakina.Comparison of linear and nonlinear calibration models based on near infrared (NIR) spectroscopy data for gasoline properties prediction [J]. Chemometr Intell Lab, 2007, 88(2):183-188.

[10] 員文娥. 煤中全水分及灰分的近紅外測(cè)試方法研究[J]. 潔凈煤技術(shù)，2016, 22(3): 26-29.

[11] 丁仁杰，張 笑. 基于近紅外光譜分析的電廠煤質(zhì)分類快速檢測(cè)方法[J]. 電站系統(tǒng)工程，2007, 23(1): 32-34.

[12] 賀 城，楊增玲，黃光群，等. 秸稈和煤混燃物中秸稈含量近紅外光譜測(cè)定[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011, 42(10): 125-128.

[13] 解維偉. 煤化學(xué)與煤質(zhì)分析[M]. 北京：冶金工業(yè)出版社，2012: 71-76.

[14] 孫 剛，方全國(guó)，鄭鳳軒，等. 煤炭采樣重要理論問題的分析[J]. 煤炭學(xué)報(bào)，2013, 38(7): 1283-1286.

[15] 肖 鋒. 基于偏最小二乘的近紅外煤質(zhì)分析[D]. 杭州：浙江大學(xué)，2013.

Quantitative analysis of the properties of different sizes of coal at Tunlan Coal Preparation Plant

SONG Xuan

(Tunlan Coal Preparation Plant, Xishan Coal Electricity (Group) Co., Ltd., Gujiao 030206, Shanxi, China)

For rapid determination of coal internal ash and sulfur contents, test is made with coal samples of 3 sizes (0.42 mm, 0.177 mm and 0.125 mm). On the basis of the near-infrared spectrums of 300 collected coal samples, a student's residual-based quantitative regression model is established after abnormal samples have been rejected, using the principle component regression algorithm (PCR). A comparison with the standard values indicates that a satisfactory modeling result can be expected for the determination of the ash of the 0.42 mm size coal and the sulfur of the 0.177 mm coal. In the former case, the calibrated correlation coefficient and root mean square are respectively 0.927 0 and 0.039 9 as against the predicted figures of 0.911 1 and 0.043 9 while in the latter case, the calibrated correlation coefficient reaches over 0.96 with a root mean square error of 0.019 5 as against the predicted figure of 0.016 7. The model was a high stability and predicative ability. It provides an effective means for analysis and rapid determination of coal internal properties.

analysis of coal property; near-infrared spectrum; principle regression analysis; size; ash; sulfur

1001-3571(2016)04-0015-04

TQ533.4

A

2016-06-19

10.16447/j.cnki.cpt.2016.04.004

宋 璇(1989—)，男，河北省石家莊市人，助理工程師，從事礦物加工工作。

E-mail:songxuan19891989@sina.com Tel：18724593241

宋 璇. 屯蘭選煤廠不同粒度煤的煤質(zhì)定量分析研究[J]. 選煤技術(shù)，2016(4)：15-18.