一种基于神经网络的煤质特性在线测量方法

摘要

一种基于神经网络的煤质特性在线测量方法，用在激光诱导等离子光谱的煤质检测装置上。先用激光诱导等离子体系统得到定标样品的光谱，用PCA或PLS-DA提取光谱强度矩阵的主成分，在主成分得分图上把定标样品分为不同类别。随后对各类别的定标样品分别建立神经网络模型并进行训练，其中，光谱强度数据作为神经网络的输入，各元素浓度作为输出。对于未知的待测样品，先用PCA或PLS-DA判断其所属类别，然后把待测样品的光谱强度数据输入该类别的训练好的神经网络模型中，即可得到各元素浓度。该方法可实现煤质的多元素测量并减小由于煤的种类不同带来的误差，同时有较强的抗干扰能力和适应性，提高了激光诱导等离子光谱测量的准确度。

主权项

1.一种基于神经网络的煤质特性在线测量方法，其特征在于该方法包括如下步骤：1)首先使用各元素质量浓度已知的一组煤炭样品作为定标样品，利用安装在输煤皮带上方的激光诱导等离子光谱系统对定标样品进行检测，得到该组定标样品的光谱谱线，即得到了每种定标样品中各种元素的激光诱导等离子特征光谱谱线强度，形成谱线强度矩阵E₀，E₀矩阵的结构如下，$E_0=\left(\begin{array}{ccccc}{I}_{{\lambda }_1}^1& I_{{\lambda }_2}^1& I_{{\lambda }_3}^1& L& I_{{\lambda }_m}^1\\ I_{{\lambda }_1}^2& I_{{\lambda }_2}^2& I_{{\lambda }_3}^2& L& I_{{\lambda }_m}^2\\ I_{{\lambda }_1}^3& I_{{\lambda }_2}^3& I_{{\lambda }_3}^3& L& I_{{\lambda }_m}^3\\ M& M& M& O& M\\ I_{{\lambda }_1}^n& I_{{\lambda }_2}^n& I_{{\lambda }_3}^n& L& I_{{\lambda }_m}^n\end{array}\right)---\left(1\right)$其中，表示第i种样品在波长λ_j处对应的谱线强度，i＝1，2，L，n；j＝1，2，L，m；2)利用主成分分析或者偏最小二乘判别分析方法对定标样品进行分类，两种方法都需要先提取主成分；a.主成分分析是从矩阵E₀中提取主成分，首先得到矩阵E₀的协方差矩阵，求取协方差矩阵的特征值，特征值从大到小依次为A₁，A₂，L，A_h；最大特征值λ₁对应的特征向量为第一主轴a₁，第二特征值λ₂对应的特征向量为第二主轴a₂，由此求得第一、第二主成分t₁、t₂，t₁＝E₀a₁                                    (2)t₂＝E₀a₂                                    (3)依次类推可以求得第h个主成分t_h；b.偏最小二乘判别分析法则以矩阵E₀为自变量矩阵，各定标样品的挥发份含量组成因变量矩阵F₀，矩阵F₀的结构如下，F₀＝(V¹  V²  V³  L  Vⁿ)^T                    (4)其中，Vⁱ表示第i种定标样品的挥发份含量，i＝1，2，L，n；从矩阵E₀中提取主成分，使得主成分既能代表E₀的变异信息，又能使E₀与F₀的相关程度达到最大；w₁是对应于矩阵E₀^TF₀F₀^TE₀最大特征值的特征向量，得到E₀的第一主成分为，t₁＝Xw₁(5)实施E₀在t₁上的回归以及F₀在t₁上的回归，即E₀＝t₁p′₁+E₁             (6)F₀＝t₁r₁+F₁               (7)p′₁、r₁为相应的回归系数；E₁、F₁为残差矩阵，w₂是对应于矩阵最大特征值的特征向量，第二主成分为，t₂＝E₁w₂                  (8)依次类推可以求得第h个成分t_h，最后可用交叉有效性确定偏最小二乘回归中成分t_h的提取个数，停止迭代；利用方法a或方法b分别提取第一、第二主成分，两种方法分别做主成分得分图，在图上以每个定标样品对应的主成分的值作为该样本的坐标点，绘出所有坐标点的位置，观察坐标点在二维空间的分布特征和相似性结构；如果二维图的分类效果不明显，则加入第三主成分，观察坐标点在三维空间的分布特征和相似性结构；通过主成分得分图，定标样品被明显分类；3)经过主成分分析或偏最小二乘判别分析法对定标样品分类后，对各类定标样品分别建立神经网络模型，神经网络的输入层为特征谱线强度，输入层节点数目为特征谱线的数目；输出层为各元素浓度，输出层节点数目为需要测定的元素种类数；4)由于定标样品的各元素浓度已知，故用定标样品的特征谱线强度和元素浓度对神经网络模型进行训练，训练结束后则调整隐含层的层数或各层的节点数目，然后重新训练；5)重复步骤4)，直至神经网络模型的训练误差达到最小，即得到最优的神经网络模型；6)对于各元素浓度未知的待测样品，首先通过安装在输送皮带上方的激光诱导等离子光谱系统得到该待测样品的特征谱线强度矩阵；然后按照步骤2)作出该待测样品在主成分得分图上的坐标点，根据该坐标点在得分图上的位置确定该待测样品所属的类别，最后将特征谱线强度数据输入到所属类别的已训练好的最优的神经网络模型中，即求得待测样品中各元素的浓度。