利用激光光譜SVM識(shí)別算法對(duì)煤種識(shí)別的研究

張 建，滕 耀，李旭升

(丹東東方測(cè)控技術(shù)股份有限公司，遼寧 丹東 118000)

目前，我國(guó)工業(yè)領(lǐng)域中的主要能源煤炭占比超過(guò)50%.根據(jù)目前煤炭的產(chǎn)量及需求來(lái)看，已經(jīng)處于供大于求的現(xiàn)狀，同時(shí)由于能源行業(yè)的經(jīng)濟(jì)形勢(shì)下滑及人力匱乏，工業(yè)領(lǐng)域?qū)τ谧詣?dòng)化和信息化的需求日益增加。焦化、煤炭等工業(yè)領(lǐng)域?qū)τ诿禾棵悍N的識(shí)別，提高煤炭堆放效率有著迫切的需求。激光元素分析技術(shù)是現(xiàn)階段最佳的煤炭檢測(cè)及分析技術(shù)，其特點(diǎn)是無(wú)放射性、非接觸式快速測(cè)量，可以通過(guò)激光激發(fā)煤炭中不同元素的光譜，并通過(guò)光譜中的元素峰位及峰值強(qiáng)度識(shí)別不同產(chǎn)地的煤炭。

煤炭種類識(shí)別大致有兩種方法，一類是基于定量分析的煤種鑒定方法，此方法通過(guò)化驗(yàn)或其他檢測(cè)手段，對(duì)煤炭進(jìn)行定量分析，得出樣品的化學(xué)組成成分及準(zhǔn)確含量，再通過(guò)與標(biāo)準(zhǔn)煤樣進(jìn)行對(duì)比，確定對(duì)應(yīng)的煤種信息。此方法時(shí)間長(zhǎng)，工作量大，要求高，不符合現(xiàn)場(chǎng)對(duì)于快速檢測(cè)的需求。第二類方法是采用SVM(支持向量機(jī))分類算法[1-3]，對(duì)已知煤種進(jìn)行數(shù)據(jù)采集，通過(guò)提取特征點(diǎn)，建立數(shù)學(xué)模型，再對(duì)模型進(jìn)行優(yōu)化，通過(guò)分類算法建立的模型，驗(yàn)證未知煤樣的數(shù)據(jù)。此分類方法結(jié)合激光元素分析技術(shù)，能夠快速識(shí)別煤種信息并分類。

1 工作原理

圖1 激光元素分析工作原理圖

2 實(shí)驗(yàn)原料準(zhǔn)備

2.1 原始樣品說(shuō)明

對(duì)某焦化廠提供的多個(gè)產(chǎn)地的煤炭樣品，采用激光光譜分析和SVM識(shí)別方法分析其產(chǎn)地來(lái)源，并依照對(duì)應(yīng)的煤炭產(chǎn)地進(jìn)行識(shí)別，將不同產(chǎn)地的煤炭放置于相對(duì)應(yīng)的料倉(cāng)中。

根據(jù)激光光譜分析原理，可以準(zhǔn)確分析煤炭樣品中的元素種類及含量，利用光譜定性分析元素成分，并利用SVM識(shí)別算法，對(duì)煤炭樣品進(jìn)行分類，同時(shí)煤炭中的灰分、水分是由C、H、O、Si、Al、Fe、Ca、K、Na、Ti元素組成，因此對(duì)于激光光譜和識(shí)別分類處理沒(méi)有影響。

另外在識(shí)別煤種的同時(shí)，可以通過(guò)激光光譜對(duì)煤炭進(jìn)行靜態(tài)標(biāo)定，并建立數(shù)據(jù)模型，測(cè)量煤炭中灰分、水分、熱值、全硫等技術(shù)指標(biāo)。本文主要對(duì)煤炭種類識(shí)別進(jìn)行分析，不對(duì)煤質(zhì)工業(yè)指標(biāo)的測(cè)量方法做進(jìn)一步介紹。

2.2 原始樣品預(yù)處理

測(cè)試樣品是某焦化廠提供的21組、11個(gè)產(chǎn)地的煤炭樣品。由于煤樣粒度較大，為保證測(cè)試樣品的均勻性及準(zhǔn)確性，采用人工方法對(duì)現(xiàn)場(chǎng)煤炭進(jìn)行破碎縮分至6 mm.21組煤樣樣品產(chǎn)地及品種見(jiàn)表1.

表1 煤樣樣品產(chǎn)地及特性表

2.3 混合樣品處理

為保證檢測(cè)數(shù)據(jù)分類識(shí)別的準(zhǔn)確性，在原始煤炭樣品的基礎(chǔ)上，將相同產(chǎn)地的煤樣進(jìn)行混配。21組煤樣混配結(jié)果見(jiàn)表2.

表2 混配樣品表

3 檢測(cè)方法

3.1 實(shí)驗(yàn)參數(shù)

1)激光器能量112 mJ，波長(zhǎng)1 064 nm.2)光譜儀檢測(cè)180～850 nm.

3.2 檢測(cè)方法

將每份樣品放置在平行皮帶上，通過(guò)物料平整器，將物料刮平，保證檢測(cè)裝置相對(duì)一致。對(duì)物料進(jìn)行激光打點(diǎn)，每個(gè)樣品打點(diǎn)100次，每次打點(diǎn)可以獲取一張完整的光譜數(shù)據(jù)。為保證數(shù)據(jù)重復(fù)性，每組樣品測(cè)量?jī)纱巍?/p>

3.3 數(shù)據(jù)預(yù)處理

1)對(duì)應(yīng)煤種識(shí)別譜線，進(jìn)行去基底、譜線對(duì)照、自動(dòng)尋峰等預(yù)處理。

尹軍平表示，雖然物流市場(chǎng)的并購(gòu)漸成風(fēng)氣和趨勢(shì)，但是并購(gòu)所面臨的挑戰(zhàn)和風(fēng)險(xiǎn)仍然很大，而且并購(gòu)的玩家依然要只屬于少數(shù)的物流企業(yè)。物流企業(yè)依然從修煉內(nèi)功做起，戰(zhàn)略重心應(yīng)該圍繞性價(jià)比、擴(kuò)流量、業(yè)務(wù)綜合化、國(guó)際化四個(gè)方面展開(kāi)，而且優(yōu)先順序不能顛倒。否則不僅并購(gòu)無(wú)法達(dá)到預(yù)期，而且會(huì)拖累整個(gè)企業(yè)的發(fā)展進(jìn)程。

2)針對(duì)煤種識(shí)別數(shù)據(jù)，通過(guò)人工尋峰找到對(duì)應(yīng)的C、H、O、N、Si、Al、Fe、Ca、K、Na、Ti等122個(gè)峰位。

3)將通過(guò)人工尋峰找到的峰位對(duì)應(yīng)的峰值計(jì)算出來(lái)。

4)對(duì)每張譜線的特征峰位進(jìn)行整體歸一化處理。

5)將每種樣本取不同區(qū)間的平均值進(jìn)行演算，得到最終的分類結(jié)果。

4 分析結(jié)果

4.1 原始煤種測(cè)量結(jié)果

1)將數(shù)據(jù)結(jié)果分成兩類，一類是第一次測(cè)量結(jié)果，第二類是第二次的重復(fù)性數(shù)據(jù)。用第一次的測(cè)量結(jié)果作為訓(xùn)練集，第二次的重復(fù)性數(shù)據(jù)做預(yù)測(cè)集。

2)每個(gè)煤種100張光譜，取每1張的平均值計(jì)算，通過(guò)11組訓(xùn)練樣迭代運(yùn)算得到模型，再利用模型計(jì)算驗(yàn)證樣本，匹配率79%，測(cè)量結(jié)果見(jiàn)圖2.

圖2 原始煤種分類結(jié)果圖

4.2 混合煤種測(cè)量結(jié)果

1)將混合煤種第一次測(cè)量結(jié)果計(jì)算當(dāng)做1號(hào)預(yù)測(cè)集，將第二次的混合煤種重復(fù)性數(shù)據(jù)當(dāng)做2號(hào)預(yù)測(cè)集。

2)使用原始煤種的數(shù)學(xué)模型計(jì)算的79%的模型對(duì)1號(hào)、2號(hào)預(yù)測(cè)集進(jìn)行計(jì)算。

3)每個(gè)煤種100張光譜，取每10張的平均值計(jì)算，通過(guò)11組訓(xùn)練樣迭代運(yùn)算得到模型，再利用模型計(jì)算驗(yàn)證樣本，測(cè)量結(jié)果見(jiàn)圖3，圖4.

圖3 1號(hào)預(yù)測(cè)集計(jì)算結(jié)果圖

圖4 2號(hào)預(yù)測(cè)集計(jì)算結(jié)果圖

5 實(shí)驗(yàn)結(jié)論

1)通過(guò)觀察不同煤種的激光光譜數(shù)據(jù)(圖5)可以看出，21組煤樣的測(cè)量結(jié)果的元素種類分布是一致的。由此可以判定，原始煤樣的產(chǎn)地雖然不同，但是煤種一致。對(duì)于此類樣品分類，如果采用化學(xué)和定量分析方法確定元素種類的區(qū)別或者元素含量，實(shí)現(xiàn)煤種識(shí)別是非常困難的。采用識(shí)別算法分析光譜特征，建立數(shù)學(xué)模型預(yù)測(cè)結(jié)果，是比較準(zhǔn)確的。

圖5 煤炭樣品光譜圖

2)從圖2可知，煤種總體識(shí)別率為79%，但是針對(duì)每一個(gè)煤樣的識(shí)別分析，10個(gè)平均數(shù)據(jù)分類結(jié)果一般超過(guò)5個(gè)就可以認(rèn)定此次的測(cè)量結(jié)果分類準(zhǔn)確。因此從識(shí)別率來(lái)看，相對(duì)識(shí)別率可以達(dá)到90%以上。

3)從混料測(cè)量結(jié)果來(lái)看，煤種識(shí)別率有所下降，這是因?yàn)榻?shù)學(xué)模型的數(shù)據(jù)沒(méi)有覆蓋到混合煤種，根據(jù)現(xiàn)場(chǎng)需求，如果進(jìn)一步提高數(shù)據(jù)量，識(shí)別算法的模型將更加完善。