精煤發熱量的近紅外光譜檢測方法研究

寧石茂

(山西焦煤西山煤電集團有限公司 屯蘭礦選煤廠，山西 古交 030206)

煤炭的發熱量是指單位質量的煤燃燒后產生的熱量，是衡量煤炭質量的重要指標，也是煤炭計價的重要依據[1-2]。我國在能源資源的利用過程中大多以煤炭的低位發熱量作為計算基礎，煤炭的發熱量越高，燃燒越旺盛，其經濟價值愈大。目前，工業上對煤發熱量的主要測定方法有絕熱式熱量計法[3]和氧彈熱量計法[4]，但二者在測定過程中容易受到儀器、人為因素的影響，且存在檢測速度慢、分析周期長等缺陷[5]。

近紅外漫反射光譜分析技術[6-7]作為快速、無損檢測的新方法，能夠利用紅外光發射器將光源照射在煤樣上，并將漫反射光反饋給檢測探頭，傳遞給數據采集系統，進而分析出煤質內部成分信息。雷萌[8]等2013年利用KPCA建立了煤炭發熱量的定量分析模型，并提取了前10個主成分的累積貢獻率，能夠準確地判斷異常樣品，輸出的變量相關性良好，模型的準確性高。張林[9]等2013年分別采用偏最小二乘法和主成分分析法建立了煤發熱量的定量模型，并分析了不同光譜預處理下模型的好壞，結果顯示5點平滑去噪處理后建立的主成分分析模型最優。

本研究采取工業檢測方法測定煤炭低位發熱量，通過剔除異常樣品后建立了基于主成分分析[10](PCA)算法的近紅外定量數學模型，對光譜數據進行了壓縮和信息提取，并與工業上的檢測結果進行了對比分析。

1 試驗

1.1 煤樣來源

本次試驗的150個精煤煤樣全部由西山煤電集團屯蘭礦選煤廠提供，經過破碎、篩分、混合和縮分[11-12]等步驟后制成，粒度為0.5～0 mm，每個樣品的低位發熱量工業方法檢測結果如圖1所示。由圖1可以看出，煤樣整體呈現正態分布，發熱量主要集中在18.90～21.00 MJ/kg區間，共有99個樣品。

圖1 精煤低位發熱量的樣品分布圖Fig.1 Distribution of net calorific values of clean coal samples

1.2 光譜采集

使用Spectrastar 2500XL近紅外光譜儀對精煤的漫反射光譜進行數據采集。該儀器波長范圍為800～2 500 nm，分辨率為16 cm-1，光源為平均無故障率為10 000 h的鹵鎢燈，采用高性能超級制冷InGaAS檢測器。試驗時，對每個光譜采集三次，取其平均值作為原始光譜。

1.3 評價指標

將采集的150個煤樣分成校正集和驗證集兩組，校正集為120個樣品，剩余30個樣品作為驗證集，用來驗證模型的穩定性。模型的好壞通過相關系數(R2)、校正集的均方根誤差(RMSEC)和交叉驗證均方根誤差(RMSECV)來評價，相關系數越大，RMSEC和RMSECV越低且接近，說明模型精度越高，預測能力越好。

2 結果分析

2.1 光譜分析

圖2為部分煤樣的平均原始光譜圖。由圖2可以看出：在1 000 nm附近，煤樣有較強的吸收峰，很可能是O—H基團的相關信息，在1 400、1 700、2 300 nm處有較小的波峰，可能與C—O的合頻吸收譜帶相關。每個光譜信息大致相同，特征峰值不完全重合，具體的信息需要建模后做進一步分析。

圖2 部分煤樣的平均原始光譜

2.2 異常樣品剔除

在試驗過程中，由于受環境、人為等因素的影響，會產生一些噪聲，進而影響光譜的質量，故利用TQ Analyst軟件中的Spectrum Outlier功能來檢驗精煤樣品的異常光譜，將馬氏距離從低到高依次排列，如圖3所示，虛線右側的光譜(79#、35#、128#、31#、72#)被判定為異常光譜，在建模過程中應予以剔除。

圖3 精煤樣品的馬氏距離檢測結果

2.3 光譜預處理

近紅外光譜的預處理能夠濾除高頻噪聲產生的干擾，提取出有效的光譜數據，優化光譜的范圍等。采用一階微分、15點平滑和多元散射校正(MSC)分別建立主成分分析的回歸模型，發現一階微分處理后的效果最差，校正集的相關系數僅為0.208；經過多元散射校正處理后的模型效果最優，相關系數達到0.909，校正集均方根誤差為0.001 31，交叉驗證均方根誤差為0.001 62，最佳建模結果如圖4所示，與工業檢測結果接近。

圖4 多元散射校正后的PCA建模結果

2.4 主成分分析

主成分分析能夠準確地壓縮光譜數據，較好地處理好線性問題，是一種常用的多元線性分析方法。經剔除異常樣品后建立的主成分分析模型結果如圖5所示。不難看出，前三個主成分累計方差貢獻率達到了93.786%，模型的方差顯示了足夠好的效果，說明精煤低位發熱量之間的相關性較強。

圖5 煤發熱量的主成分累積貢獻率

3 結論

研究采用主成分分析算法結合近紅外光譜分析技術分析了精煤的低位發熱量，通過馬氏距離剔除異常樣品，建立了基于不同光譜預處理后的PCA定量模型，可得出以下結論：

(1)經過多元散射校正處理后的模型效果最優，相關系數達到0.909，校正集均方根誤差為0.001 31，交叉驗證均方根誤差為0.001 62。

(2)進一步分析發熱量的定量模型，結果顯示，前三個主成分累計方差貢獻率達到了93.786%，說明精煤低位發熱量之間的相關性較強，模型具有較強的預測能力。

(3)由于目前工業上主要測定方法在測定過程中容易受到儀器、人為因素的影響，存在檢測速度慢、分析周期長等缺陷，該研究為精煤發熱量的檢測提供了一個新方法。

[1] 劉曉國，趙志根，黃文輝. 汝箕溝煤礦煤發熱量的回歸分析研究[J]. 潔凈煤技術，2011(4): 51-53.

[2] 陳開玲，郝 俊. 基于多元線性回歸的洗混煤低位發熱量數學模型研究[J]. 選煤技術，2014(3): 1-3.

[3] Jan Leys, Patricia Losada Perez, Eli Slenders, et al. Investigation of the melting behavior of the reference materials biphenyl and phenyl salicylate by a new type adiabatic scanning calorimeter [J]. Thermochimical Acta, 2014, 582(4): 68-76.

[4] GB/T 213-2008 煤的發熱量測定方法[S].

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

[6] 嚴衍祿，陳 斌，朱大洲，等. 近紅外光譜分析的原理、技術與應用[M]. 北京：中國輕工業出版社，2013: 1-16.

[7] 周孟然. 煤礦瓦斯的激光光譜檢測技術研究[M]. 合肥：合肥工業大學出版社，2012:57-66.

[8] 雷 萌，李 明. 采用KPCA特征提取的近紅外煤炭發熱量預測模型[J]. 化工學報，2012, 63(12): 3991-3995.

[9] 張 林，陸輝山，閆宏偉，等. 煤粉發熱量近紅外光譜檢測的預處理方法研究[J]. 光譜學與光譜分析，2013, 33(12): 3212-3215.

[10] 李彥周，閔順耕，劉 霞. 主成分分析在近紅外定量分析校正集樣本優選中的應用[J]. 分析化學，2007, 35(9): 1331-1334.

[11] 解維偉. 煤化學與煤質分析[M]. 北京：冶金工業出版社，2012: 71-76.

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