利用激光光譜SVM識別算法對煤種識別的研究

張 建，滕 耀，李旭升

(丹東東方測控技術股份有限公司，遼寧 丹東 118000)

目前，我國工業領域中的主要能源煤炭占比超過50%.根據目前煤炭的產量及需求來看，已經處于供大于求的現狀，同時由于能源行業的經濟形勢下滑及人力匱乏，工業領域對于自動化和信息化的需求日益增加。焦化、煤炭等工業領域對于煤炭煤種的識別，提高煤炭堆放效率有著迫切的需求。激光元素分析技術是現階段最佳的煤炭檢測及分析技術，其特點是無放射性、非接觸式快速測量，可以通過激光激發煤炭中不同元素的光譜，并通過光譜中的元素峰位及峰值強度識別不同產地的煤炭。

煤炭種類識別大致有兩種方法，一類是基于定量分析的煤種鑒定方法，此方法通過化驗或其他檢測手段，對煤炭進行定量分析，得出樣品的化學組成成分及準確含量，再通過與標準煤樣進行對比，確定對應的煤種信息。此方法時間長，工作量大，要求高，不符合現場對于快速檢測的需求。第二類方法是采用SVM(支持向量機)分類算法[1-3]，對已知煤種進行數據采集，通過提取特征點，建立數學模型，再對模型進行優化，通過分類算法建立的模型，驗證未知煤樣的數據。此分類方法結合激光元素分析技術，能夠快速識別煤種信息并分類。

1 工作原理

圖1 激光元素分析工作原理圖

2 實驗原料準備

2.1 原始樣品說明

對某焦化廠提供的多個產地的煤炭樣品，采用激光光譜分析和SVM識別方法分析其產地來源，并依照對應的煤炭產地進行識別，將不同產地的煤炭放置于相對應的料倉中。

根據激光光譜分析原理，可以準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識別算法，對煤炭樣品進行分類，同時煤炭中的灰分、水分是由C、H、O、Si、Al、Fe、Ca、K、Na、Ti元素組成，因此對于激光光譜和識別分類處理沒有影響。

另外在識別煤種的同時，可以通過激光光譜對煤炭進行靜態標定，并建立數據模型，測量煤炭中灰分、水分、熱值、全硫等技術指標。本文主要對煤炭種類識別進行分析，不對煤質工業指標的測量方法做進一步介紹。

2.2 原始樣品預處理

測試樣品是某焦化廠提供的21組、11個產地的煤炭樣品。由于煤樣粒度較大，為保證測試樣品的均勻性及準確性，采用人工方法對現場煤炭進行破碎縮分至6 mm.21組煤樣樣品產地及品種見表1.

表1 煤樣樣品產地及特性表

2.3 混合樣品處理

為保證檢測數據分類識別的準確性，在原始煤炭樣品的基礎上，將相同產地的煤樣進行混配。21組煤樣混配結果見表2.

表2 混配樣品表

3 檢測方法

3.1 實驗參數

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

3.2 檢測方法

將每份樣品放置在平行皮帶上，通過物料平整器，將物料刮平，保證檢測裝置相對一致。對物料進行激光打點，每個樣品打點100次，每次打點可以獲取一張完整的光譜數據。為保證數據重復性，每組樣品測量兩次。

3.3 數據預處理

1)對應煤種識別譜線，進行去基底、譜線對照、自動尋峰等預處理。

尹軍平表示，雖然物流市場的并購漸成風氣和趨勢，但是并購所面臨的挑戰和風險仍然很大，而且并購的玩家依然要只屬于少數的物流企業。物流企業依然從修煉內功做起，戰略重心應該圍繞性價比、擴流量、業務綜合化、國際化四個方面展開，而且優先順序不能顛倒。否則不僅并購無法達到預期，而且會拖累整個企業的發展進程。

2)針對煤種識別數據，通過人工尋峰找到對應的C、H、O、N、Si、Al、Fe、Ca、K、Na、Ti等122個峰位。

3)將通過人工尋峰找到的峰位對應的峰值計算出來。

4)對每張譜線的特征峰位進行整體歸一化處理。

5)將每種樣本取不同區間的平均值進行演算，得到最終的分類結果。

4 分析結果

4.1 原始煤種測量結果

1)將數據結果分成兩類，一類是第一次測量結果，第二類是第二次的重復性數據。用第一次的測量結果作為訓練集，第二次的重復性數據做預測集。

2)每個煤種100張光譜，取每1張的平均值計算，通過11組訓練樣迭代運算得到模型，再利用模型計算驗證樣本，匹配率79%，測量結果見圖2.

圖2 原始煤種分類結果圖

4.2 混合煤種測量結果

1)將混合煤種第一次測量結果計算當做1號預測集，將第二次的混合煤種重復性數據當做2號預測集。

2)使用原始煤種的數學模型計算的79%的模型對1號、2號預測集進行計算。

3)每個煤種100張光譜，取每10張的平均值計算，通過11組訓練樣迭代運算得到模型，再利用模型計算驗證樣本，測量結果見圖3，圖4.

圖3 1號預測集計算結果圖

圖4 2號預測集計算結果圖

5 實驗結論

1)通過觀察不同煤種的激光光譜數據(圖5)可以看出，21組煤樣的測量結果的元素種類分布是一致的。由此可以判定，原始煤樣的產地雖然不同，但是煤種一致。對于此類樣品分類，如果采用化學和定量分析方法確定元素種類的區別或者元素含量，實現煤種識別是非常困難的。采用識別算法分析光譜特征，建立數學模型預測結果，是比較準確的。

圖5 煤炭樣品光譜圖

2)從圖2可知，煤種總體識別率為79%，但是針對每一個煤樣的識別分析，10個平均數據分類結果一般超過5個就可以認定此次的測量結果分類準確。因此從識別率來看，相對識別率可以達到90%以上。

3)從混料測量結果來看，煤種識別率有所下降，這是因為建立數學模型的數據沒有覆蓋到混合煤種，根據現場需求，如果進一步提高數據量，識別算法的模型將更加完善。