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(fā)熱量是指單位質(zhì)量的煤燃燒后產(chǎn)生的熱量，是衡量煤炭質(zhì)量的重要指標，也是煤炭計價的重要依據(jù)[1-2]。我國在能源資源的利用過程中大多以煤炭的低位發(fā)熱量作為計算基礎(chǔ)，煤炭的發(fā)熱量越高，燃燒越旺盛，其經(jīng)濟價值愈大。目前，工業(yè)上對煤發(fā)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(shù)[6-7]作為快速、無損檢測的新方法，能夠利用紅外光發(fā)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(shù)據(jù)采集系統(tǒng)，進而分析出煤質(zhì)內(nèi)部成分信息。雷萌[8]等2013年利用KPCA建立了煤炭發(fā)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(guān)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(fā)熱量的定量模型，并分析了不同光譜預(yù)處理下模型的好壞，結(jié)果顯示5點平滑去噪處理后建立的主成分分析模型最優(yōu)。

本研究采取工業(yè)檢測方法測定煤炭低位發(fā)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(shù)學模型，對光譜數(shù)據(jù)進行了壓縮和信息提取，并與工業(yè)上的檢測結(jié)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(jīng)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(fā)熱量工業(yè)方法檢測結(jié)果如圖1所示。由圖1可以看出，煤樣整體呈現(xiàn)正態(tài)分布，發(fā)熱量主要集中在18.90～21.00 MJ/kg區(qū)間，共有99個樣品。

圖1 精煤低位發(fā)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(shù)據(jù)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(wěn)定性。模型的好壞通過相關(guān)系數(shù)(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(guān)系數(shù)越大，RMSEC和RMSECV越低且接近，說明模型精度越高，預(yù)測能力越好。

2 結(jié)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(guān)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(guān)。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(huán)境、人為等因素的影響，會產(chǎn)生一些噪聲，進而影響光譜的質(zhì)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(cè)的光譜(79#、35#、128#、31#、72#)被判定為異常光譜，在建模過程中應(yīng)予以剔除。

圖3 精煤樣品的馬氏距離檢測結(jié)果

2.3 光譜預(yù)處理

近紅外光譜的預(yù)處理能夠濾除高頻噪聲產(chǎn)生的干擾，提取出有效的光譜數(shù)據(jù)，優(yōu)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(fā)現(xiàn)一階微分處理后的效果最差，校正集的相關(guān)系數(shù)僅為0.208；經(jīng)過多元散射校正處理后的模型效果最優(yōu)，相關(guān)系數(shù)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(jié)果如圖4所示，與工業(yè)檢測結(jié)果接近。

圖4 多元散射校正后的PCA建模結(jié)果

2.4 主成分分析

主成分分析能夠準確地壓縮光譜數(shù)據(jù)，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(jīng)剔除異常樣品后建立的主成分分析模型結(jié)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(fā)熱量之間的相關(guān)性較強。

圖5 煤發(fā)熱量的主成分累積貢獻率

3 結(jié)論

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

(1)經(jīng)過多元散射校正處理后的模型效果最優(yōu)，相關(guān)系數(shù)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(fā)熱量的定量模型，結(jié)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(fā)熱量之間的相關(guān)性較強，模型具有較強的預(yù)測能力。

(3)由于目前工業(yè)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(fā)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(fā)熱量的回歸分析研究[J]. 潔凈煤技術(shù)，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(fā)熱量數(shù)學模型研究[J]. 選煤技術(shù)，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(fā)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(shù)研究[J]. 煤炭技術(shù)，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(shù)與應(yīng)用[M]. 北京：中國輕工業(yè)出版社，2013: 1-16.

[7] 周孟然. 煤礦瓦斯的激光光譜檢測技術(shù)研究[M]. 合肥：合肥工業(yè)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(fā)熱量預(yù)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(fā)熱量近紅外光譜檢測的預(yù)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(yōu)選中的應(yīng)用[J]. 分析化學，2007, 35(9): 1331-1334.

[11] 解維偉. 煤化學與煤質(zhì)分析[M]. 北京：冶金工業(yè)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.