基于LIBS的燃煤電廠煤質在線智能檢測研究

摘要：常規的煤質在線檢測方法以灼燒稱重的形式為主，經過采樣、化驗等多個環節，影響了煤質分析的準確性。因此，本文設計了基于LIBS的燃煤電廠煤質在線智能檢測方法。提取燃煤電廠煤質光譜特征，分析光譜線上的化學、物理狀態信息。基于LIBS構建燃煤電廠煤質在線智能檢測模型，映射光譜特征與煤質指標之間的關系。使用定標檢測電廠煤質單變量元素，建立LIBS光譜數據定量關系，準確檢測單元素的含量。本文采用對比試驗，試驗結果表明該方法的檢測準確性更高，能夠應用于實際。

關鍵詞：LIBS；燃煤電廠；煤質；在線智能檢測方法

中圖分類號：O657""""""""" 文獻標志碼：A

燃煤電廠是用煤炭作為燃料的電力工廠，煤炭經過輸送、制備、燃燒、發電、廢氣排放和灰渣處理后，完成一次發電步驟，保證電力穩定供應。煤質是煤炭的物理、化學和工藝性質，對煤炭的利用方式、燃燒效率有重要影響。為了提高煤炭燃燒效率，研究人員設計了多種煤質檢測方法。其中，基于便攜式激光誘導擊穿光譜儀的燃煤電廠煤質在線智能檢測方法與基于微服務架構的燃煤電廠煤質在線智能檢測方法應用較為廣泛[1-2]。以上2種方法分別使用了便攜式激光誘導擊穿光譜儀和微服務架構分析煤炭燃燒數據，數據涉及范圍較廣，最終檢測結果有一定誤差[3]。因此，本文結合LIBS的優勢設計了燃煤電廠煤質在線智能檢測方法。

1燃煤電廠煤質在線智能LIBS檢測方法設計

1.1提取燃煤電廠煤質光譜特征

煤炭資源深埋地下，能夠燃燒發電，對電力發展的作用十分重要。煤炭成分較為復雜，化學組成結構較多[4]。在燃煤電廠的煤炭資源以煤粉顆粒的形式存在，煤質成分包括C、H、O、N、S、Si、Al、Fe、Ca、Mg、Ti、K和Na等元素，除了S以外，均能夠利用LIBS技術進行檢測。根據光譜信息獲取有效光譜圖，對煤質各種元素的特征光譜線進行分析，提取光譜線上的化學、物理狀態信息，為后續煤質檢測提供基礎條件。煤質光譜特征譜線見表1。

在提取光譜線信息后，對光譜進行預處理，篩選合適的譜線作為檢測基礎條件，避免檢測失誤。大量測量并計算平均值，能夠結合數理統計，將誤差范圍縮小至允許值之內。當煤質光譜譜線出現異常時，激光發射煤炭樣品表面的光譜數據傳輸量級存在變化。此時，在同樣的條件下，多次測量煤質光譜數據，減少檢測誤差。煤質光譜特征向量的標準偏差如公式（1）所示。

（1）

式中：S為煤質光譜特征向量的標準偏差；xi為第i次測量得到的LIBS數據；x為xi的算術平均數；n為測量次數。當最終得到的光譜數據低于S-0.5或超過S+0.5的閾值時，證明光譜數據為異常狀態，予以剔除。僅留下與S幾乎一致的光譜數據，生成光譜譜線，保證后續煤質檢測的準確性。

1.2基于LIBS構建燃煤電廠煤質在線智能檢測模型

煤質是煤炭的性質，不同煤炭樣品的煤質指標不同，灰分、水分、揮發分和發熱量也存在變化。根據煤質灰分、水分、揮發分和發熱量在光譜數據上的變化特征，映射光譜特征與煤質指標之間的關系[5]。灰分、水分、揮發分和發熱量彼此有統計學意義，分別為礦物質、自由水、氣體混合物和分解釋放能量值。本文利用LIBS技術，得到煤質光譜數據，并采用3種煤質指標與光譜數據混合建模的方案，形成煤質在線智能檢測模型，如圖1所示。

由圖1可知，灰分、水分的含量值與光譜數據在數量級方面有差異，將灰分、水分與光譜數據結合進行分析，能夠得到更加準確的煤質信息。GS法為泛化光譜，能夠將灰分、水分含量組合為光譜數據，檢測發熱量與揮發分情況。GS法輸出的檢測值如公式（2）所示。

式中：x'為GS法輸出的檢測值；j為常數，滿足0＜max（|x'|）＜1的整數。灰分、水分含量值與LIBS光譜數據經過歸一化處理后，首尾拼接為自變量矩陣，得到更加準確的檢測值。MLR-PLS為多元線性回歸與偏最小二乘集成法，能夠將灰分、水分含量作為自變量，直接得到發熱量、揮發分的檢測值，如公式（3）所示。

式中：yMLR為MLR-PLS法輸出的檢測值；β0、β1和β2為MLR回歸參數；Aa、Ma為灰分、水分含量；MR-PLS與非線性多變量回歸有統計學意義，根據灰分、水分含量直接分析發熱量與揮發分，增加灰分與水分的指數項。使用MR-PLS法得到的檢測值如公式（4）所示。

式中：yMR為MR-PLS法得到的檢測值；ω0、ω1、ω2、ω3和ω4為回歸參數；Aa2、Ma2為灰分、水分含量的指數項。當x'≈yMLR≈yMR，三者差值為±0.1時，將三者進行平均數處理，得到的數據就是檢測值。

1.3定標檢測電廠煤質單變量元素

煤炭是一種復雜的天然有機物質，包括豐富的元素，其中碳、氫、氧、氮和硫是其主要成分，還含有多種微量金屬元素。這些元素的含量和比例很大程度地影響了煤炭的性質和用途，因此，準確檢測煤炭中的元素含量是煤質評價的關鍵環節。

LIBS技術是一種快速、無損的元素檢測技術，在煤炭元素分析領域應用前景廣泛。本文基于LIBS光譜信號原理研究影響C原子譜線的各種因素，進一步揭示了煤質檢測中基體效應的來源。

在LIBS檢測過程中，激光與煤炭樣品的相互作用會產生等離子體，等離子體發射的光譜信號包括樣品中所有元素的特征譜線[6]。由于煤炭樣品具有復雜性和多樣性，當激光與不同樣品相互作用時會產生不同的基體效應，因此影響了光譜信號的穩定性和準確性。基體效應的本質是激光與物質在相互作用過程中發生的變化，這些變化可能導致光譜信號增強或減弱，造成檢測誤差。

為了準確檢測煤炭中的單元素含量，須先標定C原子譜線受到光譜信號影響的因素。因素包括激光能量、脈沖頻率和聚焦條件等試驗參數以及煤炭樣品的物理性質和化學組成等樣品特性。優化這些參數和條件可以最大程度地減少基體效應的影響，提高光譜信號的穩定性和準確性。

在煤質基體效應中，物理性質的差異主要體現在煤炭樣品的顆粒度、致密度和黏合性等方面。這些物理性質會影響激光與樣品的相互作用，影響等離子體形成和光譜信號發射[7]。

在選取特征譜線方面，選擇C I_247.86作為代表C元素含量的特征譜線。這條譜線的信號強度與穩定性較好，適合用于定量檢測。根據C I_247.86譜線的信號強度與C元素質量分數建立單變量定量模型，快速、準確地檢測煤炭中C元素的含量。在定標檢測的過程中，將等離子光譜發射公式進行轉換，如公式（5）所示。

式中：Is為光譜發射強度；F為物理約束；gs為主量元素；Es為轉換能量；T為等離子體溫度；K為譜線；Us為光譜信號；h為質量分數；v為燃燒速率；m為燒灼質量。在單變量元素檢測過程中，T、m和xi為變量，其他均為常量。在T、m保持不變的條件下，Is與h成線性關系，根據Us反推單變量元素的煤質信息。采用內標法處理光譜后，譜線與內標譜線的強度不同。在內標元素不變的情況下，Is與T、h有統計學意義，消除了m變化對檢測結果的影響，提高了煤質檢測的準確性。

2試驗

為了驗證本文設計的方法是否滿足燃煤電廠煤質在線智能檢測需求，對上述方法進行試驗。最終試驗結果將文獻[1]基于便攜式激光誘導擊穿光譜儀的方法、文獻[2]基于微服務架構的方法以及本文設計的基于LIBS的燃煤電廠煤質在線智能檢測的方法進行對比。具體的試驗準備過程以及最終試驗結果如下所述。

2.1試驗過程

燃煤電廠使用的設備以直吹式鍋爐為主，煤炭以顆粒的形式流入鍋爐。利用LIBS技術進行煤質在線檢測，須檢測煤粉變化狀態。本文利用LIBS技術搭建1個基礎試驗臺架，其包括給料機、分離器、激光發生器、聚光鏡和光譜儀等設備。試驗臺架如圖2所示。整個試驗裝置是由傳輸裝置、激光源、收光、分光裝置和數據分析儀等元件組成的，能夠進行LIBS數據分析、檢測。為了提高本次試驗數據的準確性，本文將光源分為4個部分，分別為火花、火焰、ICP和激光。火花的激發溫度為10000K，火焰的激發溫度為2000K～3000K，ICP的激發溫度為6000K～8000K，激光的激發溫度為10000K。火花、激光的激發溫度相對較高，溫度變化不同，滿足本次試驗需求。激光器的波長為1064nm，重復頻率為10Hz，滿足本次試驗需求。本次試驗共選取12種工業指標差異較大的煤炭樣品，充分研磨各個煤炭樣品，形成煤粉備用。啟動鼓風機，將煤粉送入分離器，激光由光源發出，向外輻射光譜，獲取煤粉的煤質信息，得到相應的檢測結果。

2.2試驗結果

在上述試驗條件下，本文隨機選取12種質類型，編號為C#01～C#12。并檢測揮發分和發熱量，實際值與檢測值之間的誤差越小，檢測結果越準確。在其他條件均已知的情況下，對比文獻[1]方法的檢測值、文獻[2]方法的檢測值以及本文設計的檢測方法的檢測值。試驗結果見表2。

在煤質樣品C#01～C#04中，揮發分在21wt.%～29wt.%變化，發熱量為21MJ/kg～26MJ/kg。使用文獻[1]方法后，揮發分、發熱量的檢測值與實際值之間誤差為±2，檢測結果不準確，無法滿足煤質檢測需求。使用文獻[2]方法后，揮發分、發熱量的檢測值與實際值之間誤差為±0.2，檢測性能比文獻[1]方法好，但是需要進一步優化。使用本文方法后，揮發分、發熱量的檢測值與實際值之間誤差為±0.01，甚至存在誤差為0的情況，檢測準確性更高，達到本文研究目的。

3結語

燃煤為電力主要供應方式，燃煤電廠的運行效率與安全性均受到廣泛關注。煤質是燃煤電廠運行的關鍵，檢測水分、揮發分、發熱量和灰分等含量，分析燃煤電廠相關設備的運行情況，提高煤質燃燒效率。本文利用LIBS設計了燃煤電廠煤質在線智能檢測方法。從光譜特征、檢測模型和變量定標檢測等方面檢測更加準確的煤質信息。將激光誘導擊穿光譜技術與人工智能技術相結合，快速得到高維度、非線性的煤質信息，提高了煤質檢測的精準度。

參考文獻

[1]竇有權，王慶松，王森，等. 便攜式激光誘導擊穿光譜儀的研制及其在煤質檢測中的應用[J]. 中國無機分析化學，2023，13（9）：993-998.

[2]曹亮. 基于微服務架構的煤質檢測試驗室管控平臺研究與設計[J]. 中國煤炭，2023，49（6）：73-78.

[3]邱詒耿，孟凡亮，李彥文. 基于LIBS的燃煤電廠煤質在線檢測應用場景及入爐煤試驗研究[J]. 自動化應用，2023，64（23）：139-141.

[4]王文毓，弓林娟，王林，等. 基于煤質在線檢測的燃燒優化及自適應協調控制研究[J]. 動力工程學報，2023，43（2）：143-150.

[5]倪浩然，周清，朱秋閣，等. 樣本量對激光誘導擊穿光譜技術在煤質灰分檢測的影響研究[J]. 煤炭加工與綜合利用，2022（12）：86-91.

[6]邱詒耿，孟凡亮，李彥文. 基于LIBS的燃煤電廠煤質在線檢測應用場景及入爐煤試驗研究[J]. 自動化應用，2023

（23）：139-141.

[7]倪明輝，李燕，易鎮鑫，等. 激光誘導擊穿光譜（LIBS）在煤質檢測中的應用現狀[J]. 中國無機分析化學，2022，12（4）：9.