LS-SVM算法在近紅外光譜煤質(zhì)分析中的應(yīng)用①

王 帥,張云佳,王雪梅,喬建仙

(解放軍后勤工程學(xué)院 化學(xué)與材料工程系,重慶 401331)

LS-SVM算法在近紅外光譜煤質(zhì)分析中的應(yīng)用①

王 帥,張云佳,王雪梅,喬建仙

(解放軍后勤工程學(xué)院 化學(xué)與材料工程系,重慶 401331)

針對目前電力行業(yè)煤質(zhì)分析的需求,提出了基于Hadamard近紅外光譜的煤質(zhì)分析技術(shù),對Hadamard近紅外光譜儀研制、控制分析軟件設(shè)計、煤炭光譜信號采集、指標特征信息提取、定量模型建立五個環(huán)節(jié)綜合考慮,研發(fā)了Hadamard近紅外煤質(zhì)分析系統(tǒng).研究中,對41個不同質(zhì)量指標的標準煤樣進行了定量分析預(yù)測,考察了在相同粒徑的條件下Hadamard近紅外光譜對煤炭指標的預(yù)測能力,提出了基于ICA+LS-SVM算法的的煤炭指標預(yù)測方法,光譜數(shù)據(jù)與煤炭指標具有很好的相關(guān)性,相關(guān)系數(shù)普遍在0.9以上,取得了較好預(yù)測效果.

近紅外光譜;煤質(zhì)分析;Hadamard變換;最小二乘支持向量機;快速檢測

煤炭作為我國的主要能源,對我國國民經(jīng)濟的發(fā)展起著極其重要的作用.隨著經(jīng)濟的發(fā)展和人民生活水平的不斷提高,人們對于煤炭的利用和研究也越來越廣泛和深入.火力發(fā)電在我國電力生產(chǎn)行業(yè)中占主導(dǎo)地位,月發(fā)電量達到4082.60億千瓦時,占總發(fā)電量的83.60%[1,2].而煤電企業(yè)主要原料是煤炭,占到了公司總成本的一半以上,長期以來,火力發(fā)電廠燃煤煤質(zhì)成分的分析一直都是采用實驗室分析的手段,分析一個煤樣需要六個小時以上,遠遠不能滿足燃燒調(diào)整的需要,因此,實現(xiàn)煤質(zhì)的快速分析已成為工業(yè)生產(chǎn)實踐的迫切需要[3].對于火力發(fā)電廠而言,燃煤費用約占其運營成本的70%,因此入場煤與入爐煤的煤質(zhì)監(jiān)理工作顯得十分的重要,直接關(guān)系到電廠的安全生產(chǎn)與運行.全國煤炭市場開放以后,電廠燃煤中,由國家統(tǒng)一配送的比例不斷下降,很多小煤窯成為了電廠燃煤供給的主體,由此帶來了一系列的問題,其中煤質(zhì)多變這一問題顯得尤為突出[4-6].傳統(tǒng)的煤質(zhì)分析方法一般是基于化學(xué)方法,煤樣由人工采集制備,分析速度緩慢,難以滿足電力企業(yè)的需要,一批煤樣在進入分析流程后,需要等待6至8小時才能得到分析結(jié)果,當(dāng)天無法得到煤質(zhì)檢測報告,這樣的檢測效率無法滿足發(fā)電廠鍋爐調(diào)整的需要.由于傳統(tǒng)檢測方式方法的局限,使得煤質(zhì)快速分析檢測需求與檢測數(shù)據(jù)報出時間滯后的矛盾日益突出,所以很有必要研發(fā)一種煤質(zhì)快速在線監(jiān)測分析的新方法[7,8].

近年來,如何更加合理、潔凈、有效地利用煤炭,是目前煤化學(xué)研究領(lǐng)域中所面臨的一個重要問題.由于近紅外光譜分析技術(shù)具有效率高、成本低等自身的優(yōu)點而備受煤化學(xué)工作者的青睞.本文針對目前電力行業(yè)煤質(zhì)分析的需求,提出了基于Hadamard近紅外光譜的煤質(zhì)分析技術(shù),研發(fā)了Hadamard近紅外煤質(zhì)分析系統(tǒng),并進一步考察了在相同粒徑的條件下Hadamard近紅外光譜對煤炭指標的預(yù)測能力,提出了基于ICA+LS-SVM算法的的煤炭指標預(yù)測方法.

1 Hadamard近紅外光譜儀硬件架構(gòu)

煤炭屬于固體樣品,因此需采用漫反射紅外光譜技術(shù)進行檢測.盡管漫反射近紅外光譜在煙草、制藥以及農(nóng)業(yè)領(lǐng)域有廣泛的應(yīng)用,但是在煤質(zhì)分析這一領(lǐng)域的應(yīng)用卻較少,求其原因主要有以下三個方面:(1)煤炭屬于深色樣品,對于光線的反射較弱,因此分析光攜帶的特征信息量較少,為后期數(shù)據(jù)挖掘帶來較大難度.相比較而言,農(nóng)產(chǎn)品、藥材的顏色較淺,更適用漫反射光譜技術(shù).(2)煤炭的均勻性差,光譜數(shù)據(jù)離散性較大,不同樣品區(qū)域的表面性質(zhì)不同,反射光不同,光譜數(shù)據(jù)需要經(jīng)過反復(fù)采集和平均處理,因此譜線的位置波動較大,這也為光譜數(shù)據(jù)特征的提取增加了難度.(3)從儀器實現(xiàn)角度而言,煤質(zhì)分析檢測不同于普通的農(nóng)產(chǎn)品檢測,由于火電廠的工況環(huán)境較差,要求儀器具備良好的抗振性和防潮性,儀器的光路設(shè)計中要盡可能避免引入精密可動光學(xué)部件,目前常用的分光技術(shù)在這一點上都受到不同程度的制約.而Hadamard數(shù)字分光技術(shù)的實現(xiàn)方式是DMD數(shù)字微鏡芯片,由于是電路設(shè)計并采用了芯片封裝,因此整個分光核心具備了很高的抗振性和穩(wěn)定性,可以滿足目前煤質(zhì)分析的需要.

Hadamard近紅外煤質(zhì)分析系統(tǒng)主要可以分為以下幾個模塊:

(1)光路模塊:產(chǎn)生近紅外區(qū)域連續(xù)波長的復(fù)色光,并使用一系列的組合鏡對復(fù)色光進行聚焦,以提高入射光強度,從而適應(yīng)深色物質(zhì)的檢測;

(2)機械模塊:為光譜儀器提供金屬外框架支撐,同時提供儀器系統(tǒng)運轉(zhuǎn)的動力,主要使用步進電機實現(xiàn)儀器系統(tǒng)各個部件的精確定位;

(3)電路控制模塊:主要實現(xiàn)對光路模塊、機械模塊的自動化控制,同時在硬件電路底層實現(xiàn)簡易、基本的檢測信號數(shù)學(xué)變換,獲取原始的光譜檢測數(shù)據(jù).

以上三大模塊相互關(guān)聯(lián)、相互影響,不能絕對隔離開來,只是為了便于對于整個儀器系統(tǒng)的描述,所以才將Hadamard近紅外煤質(zhì)分析系統(tǒng)劃分為三個模塊,具體劃分如圖1所示.

圖1 Hadamard近紅外煤質(zhì)分析系統(tǒng)的模塊劃分

Hadamard近紅外煤質(zhì)分析系統(tǒng)的控制采用“PC+下位機”的控制方式實現(xiàn),一方面便于儀器系統(tǒng)的快速研發(fā)與搭建,另一方面也便于系統(tǒng)的持續(xù)改進與完善,同時光譜數(shù)據(jù)分析、算法設(shè)計也存在大量的未知因素,需要根據(jù)光譜數(shù)據(jù)的特征進行定制開發(fā),因此使用PC控制方式便于引入復(fù)雜分析算法,也讓便于光譜數(shù)據(jù)檢測、分析、預(yù)測的一體化集成.

圖2 反射近紅外光譜儀光路示意圖(后分光型)

儀器的光路采用“斜射反射式”的后分光光路,其原理圖如圖2所示,光源發(fā)射的復(fù)色光以一定角度斜射樣品,而后攜帶特征信息的反射光進入單色器,進行分光數(shù)學(xué)變換,最終由檢測器轉(zhuǎn)換為電信號,經(jīng)A/D電路轉(zhuǎn)換得到數(shù)字光譜.儀器的具體光路設(shè)計見圖3.

圖3 改進后的煤粉檢測光路

圖4 HNID-2G分析平臺原型機實物圖

圖5 光譜儀內(nèi)部機械結(jié)構(gòu)

2 試驗樣品

本組試驗樣品為標準煤樣,所有指標按照國標方法進行標定,所有樣品的粒徑均為80目.主要用于考察在煤粉粒徑相同的前提下,Hadamard近紅外光譜對不同煤樣的指標預(yù)測能力.

試驗樣品集:標準煤樣41個,從國家煤炭質(zhì)量監(jiān)督檢驗中心購買16個,從北京納克分析儀器分析公司購買25個.樣品包含煙煤和無煙煤,指標覆蓋范圍較廣,具有一定的代表性.樣品圖見圖6,樣品指標見表1(樣品的工業(yè)分析指標)、表2(樣品的元素分析指標).

圖6 樣品集煤樣

表1 樣品集的工業(yè)分析指標

表2 樣品集的元素分析指標

3 基于局部最小二乘支持向量機定量分析(LS-SVM)

雖然人工神經(jīng)網(wǎng)絡(luò)由于對非線性函數(shù)可任意逼近而在紅外光譜分析中被廣泛使用,但由于其泛化能力較弱,存在過擬合問題,且由于近紅外光譜儀測得的樣本光譜數(shù)據(jù)通常有幾百甚至上千維,用人工神經(jīng)網(wǎng)絡(luò)方法建立模型,必須對原始光譜數(shù)據(jù)采用特征提取等降維技術(shù)來減小計算量,在實際的應(yīng)用中受到一定的限制[9,10].

支持向量機(Support Vector Machine,SVM)是一種新的機器學(xué)習(xí)方法,其基礎(chǔ)是Vapnik創(chuàng)建的統(tǒng)計學(xué)習(xí)理論(Statistical Learning Theory,SLT).統(tǒng)計學(xué)習(xí)理論采用結(jié)構(gòu)風(fēng)險最小化(Structural Risk Minimization, SRM)準則,在最小化樣本點誤差的同時,最小化結(jié)構(gòu)風(fēng)險,提高了模型的泛化能力,且沒有數(shù)據(jù)維數(shù)的限制,可解決人工神經(jīng)網(wǎng)絡(luò)在煤炭漫反射光譜分析中遇到的問題.由于SVM可進行函數(shù)回歸,因此可應(yīng)用于煤炭的漫反射光譜定量分析中.

LSSVM作為SVM的一種改進技術(shù),在求解過程中將二次規(guī)劃問題轉(zhuǎn)化為一組線性方程的求解,使得計算速度有很大提高[11,12].在通常的光譜分析中,這些應(yīng)用均取得較好結(jié)果,其模型精度好于PLS等線性方法.然而,SVM參數(shù)的確定與樣本間的距離有關(guān),通常其優(yōu)化是全局優(yōu)化,對于局部樣本,未必能得到最優(yōu)的回歸結(jié)果,有時反而會造成個別點誤差較大.為此,研究中使用了一種基于局部LSSVM的光譜分析方法.這種方法克服了局部非線性造成的影響,針對每次建模訓(xùn)練樣本的不同,自動優(yōu)化LSSVM的參數(shù),使得預(yù)測精度有較大的提高.

1)LSSVM的基本原理

LSSVM用于函數(shù)擬合的原理叫簡單描述如下:給定一個有N個樣本數(shù)據(jù)組成的訓(xùn)練集其中輸入數(shù)據(jù)輸出數(shù)據(jù).函數(shù)擬合問題可以描述為以下最優(yōu)化問題:

2)局部LSSVM的算法實現(xiàn)

現(xiàn)定義測試樣本和訓(xùn)練樣本的平均距離AD為:

其中Gain為相對距離增益.

局部LSSVM算法采用式(5)高斯核函數(shù).首先對某一測試樣本根據(jù)歐式距離選取最近的i個訓(xùn)練樣本作為建模樣本集,求得平均距離 AD,最后進行LSSVM建模,并實現(xiàn)對訓(xùn)練樣本的預(yù)測.其核心是減少訓(xùn)練樣本集的數(shù)量,對測試樣本影響微小的訓(xùn)練樣本不參與建模,以提高建模精度.

4 基于LS-SVM算法的指標預(yù)測

使用的ICA+LS-SVM支持向量機算法對煤炭指標進行預(yù)測,將原始光譜信號進行ICA分析,得到混合矩陣,然后使用該混合矩陣代替原始光譜數(shù)據(jù),使用LS-SVM算法進行指標預(yù)測.算法的具體思路見圖7,圖中測試數(shù)據(jù)1和測試數(shù)據(jù)2是煤炭樣品的兩組紅外光譜實驗數(shù)據(jù),針對每一組測試數(shù)據(jù)利用LS-SVM算法預(yù)測煤炭指標,得到相應(yīng)的指標預(yù)測結(jié)果.將指標預(yù)測1與指標預(yù)測2進行比較,考查算法的重復(fù)性,將指標預(yù)測1、指標預(yù)測2與煤炭樣品指標真實值進行比較,考查算法的準確性.

圖7 光譜數(shù)據(jù)分析流程圖

光譜數(shù)據(jù)LS-SVM算法預(yù)測的主要結(jié)果如圖8-圖15所示.

圖8 熱值預(yù)測結(jié)果(R為相關(guān)系數(shù))

圖9 灰分預(yù)測結(jié)果

圖10 揮發(fā)分預(yù)測結(jié)果

圖11 真空相對密度預(yù)測結(jié)果

圖12 全硫預(yù)測結(jié)果

圖13 碳含量預(yù)測結(jié)果

圖14 氫含量預(yù)測結(jié)果

圖15 氮含量預(yù)測結(jié)果

從表3和表4可以看出,使用ICA+LS-SVM預(yù)測算法,可以獲得了較好的預(yù)測效果,對于熱值、灰分、揮發(fā)分、真空相對密度、碳含量、氫含量6個指標的預(yù)測相關(guān)系數(shù)均達到0.90以上;但是對于全硫含量、氮含量的預(yù)測效果相對較差,預(yù)測相關(guān)系數(shù)在0.80～0.90之間.研究中,為了便于比較,同時采用經(jīng)典的MLR(多元線性回歸)算法對煤炭指標進行了預(yù)測,從表3～4可以看出采用MLR算法僅能較好地預(yù)測揮發(fā)分、氫含量、氮含量三個指標,其余指標的預(yù)測相關(guān)系數(shù)在0.40～0.85之間,預(yù)測效果并不理想,預(yù)測結(jié)果的重復(fù)性不好,這主要是由于漫反射光譜數(shù)據(jù)離散性較大,而MLR屬于線性模型,這種數(shù)據(jù)離散性有可能被MLR模型在預(yù)測結(jié)果中放大,表現(xiàn)出來就是預(yù)測結(jié)果的重復(fù)性誤差較大.因此,通過對比可以看出,相對于經(jīng)典MLR算法而言,LS-SVM算法有效解決了漫反射光譜數(shù)據(jù)離散的問題,提高了煤炭指標預(yù)測的準確性和重復(fù)性.

表3 儀器針對各指標預(yù)測結(jié)果的準確性評價

表4 儀器針對各指標預(yù)測結(jié)果的重復(fù)性評價

5 結(jié)論

研究中,對41個不同質(zhì)量指標的標準煤樣進行了定量分析預(yù)測,考察了在相同粒徑的條件下Hadamard近紅外光譜對煤炭指標的預(yù)測能力,取得了良好預(yù)測效果.總的來看,使用Hadamard近紅外光譜技術(shù)進行煤炭指標的快速檢測是一種可行的方法,可以滿足實際工作中煤質(zhì)分析的需要,Hadamard光譜的分辨率問題(分辨率為8nm,相比于傅立葉光譜偏低)并未對指標預(yù)測產(chǎn)生實質(zhì)性影響.基于Hadamard變換技術(shù)的近紅外光譜儀具有更好的穩(wěn)定性、抗振性和經(jīng)濟性,更加適合惡劣工況條件下的分析檢測,具備在線分析檢測的潛力,在應(yīng)用前景上,較其它煤質(zhì)無損分析技術(shù)具有一定優(yōu)勢.

同時,基于Hadamard變換技術(shù)的下一代光譜儀已處于研發(fā)中,新的光譜分辨率可達到1nm以下,已經(jīng)基本達到傅立葉光譜的分辨率水平,可以獲取更加微觀的光譜細節(jié)信息,使得光譜數(shù)據(jù)的特征性得以進一步提升,有助于得到更好的分析預(yù)測結(jié)果.另外,從技術(shù)的擴展角度而言,HNID-2G煤質(zhì)分析儀器平臺也具有較好的擴展?jié)摿?因為深色物質(zhì)的測量是漫反射光譜檢測的一個難點,如果能夠測好深色物質(zhì),那么檢測淺色物質(zhì)就顯得相對容易.在農(nóng)產(chǎn)品、食品、煙草等質(zhì)量監(jiān)測領(lǐng)域,檢測對象多是淺色物質(zhì),因此可以預(yù)見,將Hadamard近紅外檢測技術(shù)應(yīng)用在這些領(lǐng)域,應(yīng)該會有更好的效果.

1張孝亮.快速煤質(zhì)分析儀在集裝站煤質(zhì)管理中的應(yīng)用.煤質(zhì)技術(shù),2010,(5):42–44.

2伍秀玲.煤質(zhì)工業(yè)分析指標傳統(tǒng)法與全自動工業(yè)分析儀方法的比較.煤質(zhì)技術(shù),2008,(4):35–37.

3李鳳瑞,肖寶蘭,唐玉國,許思傳.應(yīng)用近紅外光譜方法在線測定煤中水分.電站系統(tǒng)工程,2003,19(6):19–20.

4李鳳瑞,唐玉國,肖寶蘭.應(yīng)用近紅外光譜分析技術(shù)測量煤質(zhì)發(fā)熱量.電站系統(tǒng)工程,2004,20(3):19–20.

5肖寶蘭,李鳳瑞.國內(nèi)外關(guān)于燃煤NOx形成、還原及減排措施的研究進展.發(fā)電設(shè)備,2004,18(6):350–352.

6李鳳瑞,唐玉國,肖寶蘭.近紅外光譜分析技術(shù)預(yù)測煤質(zhì)揮發(fā)分含量模型的研究.熱能動力工程,2003,18(6):582–584.

7王開明,蔡斌.煤質(zhì)分析在配煤檢測中的作用.煤炭加工與綜合利用,2010,(3):28–29.

8王友壯,顧炯,薛偉超.熱電廠煤質(zhì)在線分析的應(yīng)用研究.煤,2010,19(8):30–32.

9 Aisa D,Babucci E,Barocchi F,Cunsolo A.The development of the BRISP spectrometer at the Institut Laue-Langevin. Nuclear Instruments and Methods in Physics Research Section A:Accelerators,Spectrometers,Detectorsand Associated Equipment,2005,544(3):620–642.

10 Fu DJ,Walker KA,Sung K.The portable atmospheric research interferometric spectrometerfortheinfrared, PARIS-IR.JournalofQuantitative Spectroscopy and Radiative Transfer,2007,103(2):362–370.

11 Wallrabe U,Solf C,Mohr J,Korvink JG.Miniaturized fourier transform spectrometer for the near infrared wavelength regime incorporating an electromagnetic linear actuator.Sensors and Actuators A:Physical,2005,(123): 459–467.

12 Hsu CC,Chen MC,Chen LS.Intelligent ICA–SVM fault detector for non-Gaussian multivariate process monitoring. Expert Systems withApplications,2010,37(4):3264–327.

Application of LS-SVM Algorithm in Coal Quality Indicators Prediction Using Near-Infrared Spectroscopy

WANG Shuai,ZHANG Yun-Jia,WANG Xue-Mei,QIAO Jian-Xian

(Department of Chemistry and Material Engineering,Logistic Engineering University,Chongqing 401331,China)

In order to meet the demand of coal quality analysis in power industry,this paper proposes a new technology of coal analysis based on Hadamard near infrared spectroscopy.On the basis of comprehensive consideration of five aspects,such as development of near infrared spectrometer,the design of control and analysis software,the acquisition of coal spectral signal,the extraction of characteristic information and the establishment of quantitative model,the Hadamard near infrared coal quality analysis system is developed.In the study,41 standard coal samples with different quality indicators are quantitatively analyzed and predicted.The ability of Hadamard near infrared spectroscopy to predict coal indicators in conditions of same particle size is investigated.Based on LS-SVM algorithm,a coal indicators prediction method is proposed,which has a good correlation with the coal index,and the correlation coefficients is above 0.9.

near infrared spectroscopy;coal analysis;Hadamard transform;ls-svm algorithm;rapid detection

2015重慶市基礎(chǔ)與前沿研究計劃(cstc2015jcyjA100009);2014解放軍后勤工程學(xué)院青年基金

2016-08-11;收到修改稿時間:2016-09-18

10.15888/j.cnki.csa.005726