李云紅,余天驕,周小計(jì),管今哥,鄭永秋,張成飛,程 博

(1.西安工程大學(xué)電子信息學(xué)院,陜西 西安 710048;2.北京大學(xué)電子學(xué)院,北京 100871;3.中北大學(xué) 省部共建動(dòng)態(tài)測(cè)試技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室,山西 太原 030051;4.內(nèi)蒙航天動(dòng)力機(jī)械測(cè)試所,內(nèi)蒙古 呼和浩特 010076)

1 引 言

在我國(guó)煤炭開采行業(yè)領(lǐng)域中,煤炭檢測(cè)的精度和對(duì)煤炭成份分析不僅影響著煤炭的利用率還影響著煤炭企業(yè)經(jīng)濟(jì)的發(fā)展。而傳統(tǒng)的檢測(cè)分析方法主要是人工煤炭檢測(cè),實(shí)驗(yàn)分析常用設(shè)備有灰分儀和碳硫儀[1-2]等,檢測(cè)速度慢、效率低、實(shí)驗(yàn)儀器操作復(fù)雜、精確度低,隨著科學(xué)技術(shù)的發(fā)展已不能夠滿足大規(guī)模的實(shí)驗(yàn)檢測(cè)分析。為了準(zhǔn)確檢測(cè)煤樣的各種元素含量以及灰分值等關(guān)鍵工業(yè)指標(biāo),利用激光誘導(dǎo)擊穿光譜技術(shù)進(jìn)行煤樣的光譜強(qiáng)度信息采集,這在煤炭檢測(cè)分析中是一種安全、可靠、快速的技術(shù)。

近年來(lái),更多的學(xué)者開展了對(duì)煤炭灰分檢測(cè)的深入研究。Xie G[3]研制了一種基于偽雙能X射線透射的實(shí)時(shí)灰分分析儀,通過(guò)X射線灰分含量與5個(gè)特征參數(shù)的線性關(guān)系,驗(yàn)證了X射線灰分分析儀的可行性。郭西進(jìn)[4]等利用多層神經(jīng)網(wǎng)絡(luò)對(duì)煤泥浮選尾礦灰分進(jìn)行檢測(cè)。然后對(duì)其灰分值進(jìn)行回歸預(yù)測(cè),并與實(shí)際尾礦灰分值進(jìn)行比較分析。建立了基于深度卷積網(wǎng)絡(luò)的灰分檢測(cè)模型,驗(yàn)證其具有較好的實(shí)時(shí)性。郭宇瀟[5]等使用機(jī)器學(xué)習(xí)方法結(jié)合LIBS技術(shù)進(jìn)行定量的分析,提出了一種兩階段的變量選擇方法。研究結(jié)果表明了,該方法在LIBS定量分析中的高效性和普適性。李云紅[6]等通過(guò)搭建激光測(cè)量煤灰分實(shí)驗(yàn)平臺(tái),研究了三種不同標(biāo)準(zhǔn)煤樣在不同厚度下的譜線強(qiáng)度和相對(duì)標(biāo)準(zhǔn)偏差。實(shí)驗(yàn)結(jié)果表明,煤樣的厚度對(duì)煤灰分準(zhǔn)確度的測(cè)量具有較大的影響。王龍龍[7]等利用機(jī)器學(xué)習(xí)從大量數(shù)據(jù)中找到選煤過(guò)程中參數(shù)的規(guī)律,同時(shí)利用機(jī)器視覺(jué)進(jìn)行矸石分揀灰分預(yù)測(cè),提高了選煤廠在選煤過(guò)程中的效率。Ali D等[8]利用隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、自適應(yīng)神經(jīng)模糊推理系統(tǒng)來(lái)預(yù)測(cè)細(xì)粒高灰分煤炭特征。LegnaioliS[9]等利用安裝在發(fā)電廠的激光誘導(dǎo)擊穿光譜技術(shù)實(shí)驗(yàn)裝置,研究了煤炭灰分含量的影響。實(shí)驗(yàn)結(jié)果表明,樣品的選擇應(yīng)考慮LIBS測(cè)量灰分的大小,可以有效的避免燃燒器在運(yùn)行期間結(jié)垢結(jié)渣。ZhaoyuQiu[10]等采用多項(xiàng)式回歸(PR)、特征選擇多項(xiàng)式回歸(PRFS)和粒子群優(yōu)化支持向量機(jī)(PSO-SVM)建立了煤的灰分預(yù)測(cè)模型。Zhang K[11]等提出了一種基于神經(jīng)網(wǎng)絡(luò)回歸的灰分在線測(cè)量方法,用于快速估算煤炭的灰分含量。周濤[12]等利用基于激光誘導(dǎo)擊穿光譜技術(shù)與傳統(tǒng)的激光熔覆分析手段進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果表明激光誘導(dǎo)擊穿光譜技術(shù)能夠有效的克服傳統(tǒng)分析手段所需的復(fù)雜預(yù)處理程序。

由于神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的自適應(yīng)和自學(xué)習(xí)的能力,對(duì)于非線性模型問(wèn)題能夠很好的建模和逼近,為解決非線性模型提供了思路。本文利用激光誘導(dǎo)擊穿光譜技術(shù)進(jìn)行了煤炭灰分特征的快速識(shí)別,結(jié)合了粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的定量分析,利用均方根誤差(RMSE)、平均絕對(duì)百分比誤差(MAPE)、平均絕對(duì)誤差(MAE)作為煤炭灰分預(yù)測(cè)模型的綜合評(píng)價(jià)指標(biāo)。探究了煤炭灰分的特征規(guī)律,建立了一種快速、安全的灰分檢測(cè)識(shí)別方法,此方法對(duì)煤炭的勘探和開發(fā)具有一定參考價(jià)值。

2 實(shí)驗(yàn)原理和測(cè)試流程

激光誘導(dǎo)擊穿光譜(Laser-Induced Breakdown Spectroscopy,LIBS)技術(shù)測(cè)量原理為,脈沖激光經(jīng)過(guò)透鏡和反射鏡聚焦在樣品表面上,在高強(qiáng)度的激光脈沖作用下樣品表面粒子會(huì)吸收激光燒灼能量由固態(tài)燒融狀態(tài)轉(zhuǎn)化為蒸汽狀態(tài),最終形成等離子體。同時(shí)溫度的升高使得等離子體發(fā)生迅速膨脹,煤樣的表面由于熱壓力的產(chǎn)生會(huì)分解為不規(guī)則的小顆粒。在冷卻過(guò)程中處于激發(fā)態(tài)原子、離子發(fā)生能級(jí)躍遷并產(chǎn)生特征譜線,該過(guò)程由光纖收集信號(hào)傳至光譜儀最終由計(jì)算機(jī)分析。

LIBS分析儀測(cè)試流程如圖1所示。首先要進(jìn)行初始化包括程序的初始化和光譜儀的初始化,然后設(shè)置光譜儀相關(guān)參數(shù)包括光譜覆蓋范圍、分辨率、信噪比等,同時(shí)光譜儀會(huì)自動(dòng)進(jìn)行對(duì)暗背景的測(cè)量。其次器件激光器會(huì)自由運(yùn)行并不斷由Q開關(guān)向光譜儀發(fā)送觸發(fā)信號(hào),接收到觸發(fā)信號(hào)的光譜儀經(jīng)過(guò)設(shè)定的延遲時(shí)間開始進(jìn)行光譜測(cè)量。并對(duì)光譜信號(hào)進(jìn)行積分,當(dāng)積分時(shí)間結(jié)束后將光譜數(shù)據(jù)傳輸?shù)诫娔X中判斷是否達(dá)到測(cè)量點(diǎn)數(shù)。如果沒(méi)有達(dá)到,則等待Q開關(guān)的下一次觸發(fā)。如果達(dá)到則復(fù)位平移臺(tái),保存光譜數(shù)據(jù)同時(shí)建立初始煤炭樣本光譜信息數(shù)據(jù)庫(kù),作為測(cè)試模型訓(xùn)練集和測(cè)試集。通過(guò)matlab軟件建立定量分析優(yōu)化灰分預(yù)測(cè)模型,并對(duì)煤炭樣本灰分值預(yù)測(cè)。

圖1 LIBS分析儀測(cè)試流程

3 實(shí)驗(yàn)設(shè)計(jì)

3.1 實(shí)驗(yàn)裝置

LIBS的實(shí)驗(yàn)裝置,如圖2所示。實(shí)驗(yàn)環(huán)境在北京大學(xué)電子學(xué)院量子電子所冷原子與精密測(cè)量實(shí)驗(yàn)室,采用調(diào)Q的Nd∶YAG脈沖激光器作為激發(fā)光源,脈沖激光器波長(zhǎng)為1064 nm,脈沖寬度10 ns,頻率為1 Hz。在激光誘導(dǎo)擊穿光譜的煤質(zhì)檢測(cè)應(yīng)用場(chǎng)景下,要求光譜儀不但有較廣的光譜探測(cè)范圍200～950 nm,還要求有較高的分辨率,因此光譜數(shù)據(jù)的采集使用AVANTES公司的AvaSpec-Dual型光纖光譜儀,焦距為10 nm,光學(xué)的分辨率為1150。實(shí)驗(yàn)中的光譜信號(hào)由光纖收集后傳至光纖光譜儀進(jìn)行分光探測(cè),并通過(guò)光譜數(shù)據(jù)傳輸至計(jì)算機(jī)分析。同時(shí)在實(shí)驗(yàn)檢測(cè)中使用195 nm～467 nm的單通道可以檢測(cè)到Si、Al、Fe、K等煤質(zhì)灰分值檢測(cè)所需的元素特征譜線。

圖2 LIBS實(shí)驗(yàn)系統(tǒng)框圖和實(shí)物圖

3.2 樣品制備

實(shí)驗(yàn)樣品為濟(jì)南眾標(biāo)科技有限公司銷售的標(biāo)準(zhǔn)煤粉樣品,并以此建立了表1相應(yīng)煤灰分值的數(shù)據(jù)庫(kù)初始樣本。實(shí)驗(yàn)中煤粉樣品的顆粒小于0.5 mm,將標(biāo)準(zhǔn)的煤粉樣品放在模具中,通過(guò)自動(dòng)壓餅機(jī)在20 t壓力下壓制成餅狀的煤樣,防止煤粉在實(shí)驗(yàn)過(guò)程中飛濺造成實(shí)驗(yàn)環(huán)境的污染。煤餅的直徑為4 cm,厚度為0.7 cm,并進(jìn)行統(tǒng)一樣品編號(hào)。

表1 數(shù)據(jù)庫(kù)初始樣本

3.3 實(shí)驗(yàn)測(cè)量

將壓好的煤餅樣品固定在LIBS測(cè)量系統(tǒng)的電動(dòng)平臺(tái)上測(cè)量。每個(gè)煤餅表面選定不同測(cè)量位置,經(jīng)過(guò)100 μs左右的延遲時(shí)間收集光譜信號(hào)。每次激光脈沖擊打樣品表面后,產(chǎn)生在樣品表面的浮塵,會(huì)吸收激光能量利用吸塵器除塵。在處理基底噪聲方面,通過(guò)增加光譜儀的延遲來(lái)消除噪聲。在實(shí)驗(yàn)進(jìn)行前,開機(jī)LIBS儀器15 min,能夠更好地提高激光器穩(wěn)定性。

LIBS測(cè)量過(guò)程中由于硬件設(shè)備產(chǎn)生的波動(dòng)以及煤餅制樣過(guò)程中存在的不均勻性,每條光譜數(shù)據(jù)的特征向量會(huì)不同。通過(guò)多條光譜數(shù)據(jù)的平均處理來(lái)削弱測(cè)量產(chǎn)生的波動(dòng),并對(duì)煤樣光譜數(shù)據(jù)模型的訓(xùn)練集和測(cè)試集的合理劃分。

4 PSO-BP神經(jīng)網(wǎng)絡(luò)的灰分預(yù)測(cè)

4.1 主成分分析(PCA)算法

在光譜數(shù)據(jù)預(yù)處理之前,經(jīng)常會(huì)遇到維度較高的數(shù)組,并且變量與變量之間存在著很多相互的關(guān)系,造成數(shù)據(jù)在處理過(guò)程中很難抓住主要特征信息。主成分分析算法的核心是通過(guò)數(shù)值的變化將多維的特征變量轉(zhuǎn)換為維度較小的不相關(guān)變量。同時(shí)這些變量盡可能反映出數(shù)據(jù)預(yù)處理之前的相關(guān)信息。利用主成分分析算法分析光譜數(shù)據(jù)的響應(yīng)特征,將原始數(shù)據(jù)的變量轉(zhuǎn)化為相對(duì)獨(dú)立的數(shù)據(jù)變量。同時(shí)數(shù)據(jù)在降維的過(guò)程中能夠排除數(shù)據(jù)的異常點(diǎn),簡(jiǎn)化數(shù)據(jù)的結(jié)構(gòu)。降維往往作為預(yù)處理步驟,在數(shù)據(jù)應(yīng)用到其他算法之前對(duì)其清洗。在利用主成分分析方法之前對(duì)輸入光譜數(shù)據(jù)先進(jìn)行歸一化處理,可以降低光譜的不確定性,提高光譜與元素濃度之間的相關(guān)性。

設(shè)x1,x2,…xp為P個(gè)原始特征變量,數(shù)據(jù)樣本個(gè)數(shù)為n,構(gòu)成n×p維矩陣X:

(1)

對(duì)矩陣X進(jìn)行主成分分析主要步驟如下[13-15]:

(1)為了避免數(shù)據(jù)受到量綱的影響,對(duì)光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。并計(jì)算出P×P維的協(xié)方差矩陣A。

cov(xi,xj)=E[(xi-E(xi))(xj-E(xj))]

(2)

(3)

(2)計(jì)算出特征值對(duì)應(yīng)的特征向量。用特征值分解方法求協(xié)方差矩陣A的特征值,得到λ1,λ2,…λp特征值。對(duì)應(yīng)特征值的大小λ1≥λ2≥…λp,此時(shí)對(duì)應(yīng)的最大特征值λi特征向量為:

(4)

4.2 BP神經(jīng)網(wǎng)絡(luò)

BP算法(Back Propagation)是一種多層前饋神經(jīng)網(wǎng)絡(luò),是由輸入層、隱含層、輸出層三部分組成,如圖3所示。BP神經(jīng)網(wǎng)絡(luò)算法的傳播方向包括,正向傳播與反向傳播。正向傳播,是從輸入層x1經(jīng)過(guò)LR傳輸至輸出層y1。若輸出值y1與期望輸出預(yù)測(cè)結(jié)果存在一定的誤差,則進(jìn)行反向傳播。通過(guò)神經(jīng)網(wǎng)絡(luò)的反復(fù)學(xué)習(xí)訓(xùn)練后,梯度下降不斷修正參數(shù)使得實(shí)際輸出值與期望值不斷地接近。BP神經(jīng)網(wǎng)絡(luò)根據(jù)梯度下降法,不斷更新調(diào)整網(wǎng)絡(luò)各層的輸入層和隱含層之間權(quán)值和閾值,而隱含層和輸出層之間閾值容易使得BP神經(jīng)網(wǎng)路獲得局部最優(yōu)解,這會(huì)使得灰分預(yù)測(cè)值和灰分實(shí)際真值相差甚遠(yuǎn),最終導(dǎo)致模型預(yù)測(cè)精度降低。

圖3 BP神經(jīng)網(wǎng)絡(luò)模型

其中,隱含層的節(jié)點(diǎn)數(shù)公式如下[16]:

(5)

式中,s表示的是神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù);m與n分別代表的是BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)和輸出層的節(jié)點(diǎn)個(gè)數(shù);λ代表是常量取值范圍為λ∈(1～10)。

使用激活函數(shù)為非負(fù)的Sigmoid函數(shù):

(6)

式中,e是納皮爾常數(shù)2.7182…,Sigmoid函數(shù)作為激活函數(shù),進(jìn)行信號(hào)轉(zhuǎn)換,轉(zhuǎn)換后的信號(hào)被傳送至下一個(gè)神經(jīng)元。隱含層選取Sigmoid函數(shù),該函數(shù)的梯度隨著x增大或減小均趨于0,在反向傳播時(shí)會(huì)造成“梯度消失”現(xiàn)象。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的步驟如下:

令樣本x={x1,x2,…,xn}為輸入向量,y={y1,y2,…,yk}為輸出向量,xn為輸入層個(gè)數(shù),LR為隱含層個(gè)數(shù),yk為輸出層個(gè)數(shù),Wij和Wjk分別為輸入層到隱含層和隱含層到輸出層的連接權(quán)值。

4.3 粒子群算法

粒子群算法(Particle Swarm Optimization,PSO)是一種模擬鳥群覓食行為的智能搜索算法。通過(guò)群體中的個(gè)體相互協(xié)作和信息共享來(lái)尋找最優(yōu)的解。其基本思想是模擬鳥群搜尋食物的路徑找到食物最多的地點(diǎn),即根據(jù)局部的最優(yōu)解尋找全局最優(yōu)解。粒子群算法對(duì)于解決高維光譜數(shù)據(jù)優(yōu)化問(wèn)題具有一定的優(yōu)勢(shì)。

粒子群算法優(yōu)化主要包括兩方面:第一,對(duì)于BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的優(yōu)化。第二,對(duì)權(quán)值和閾值進(jìn)行優(yōu)化。粒子群算法的關(guān)鍵是粒子位置和速度,邏輯步驟如下:

(1)初始化規(guī)模為N粒子群中每個(gè)粒子的位置和速度。

(2)計(jì)算粒子群中每個(gè)粒子的適應(yīng)值。

(3)若某個(gè)粒子當(dāng)前的適應(yīng)值相比于之前記錄該粒子的最優(yōu)解pbest更好,則更新此時(shí)的最優(yōu)解pbest。

(4)若某個(gè)粒子當(dāng)前的適應(yīng)值相比于之前記錄的全局最優(yōu)解gbest更好,則更新此時(shí)的最優(yōu)解gbest。

(5)更新后的最優(yōu)解gbest符合要求,則結(jié)束程序。反之更新粒子的速度和位置:

v(k+1)=wv(k)+c1r1(pbest(k)-present(k))+c2r2(gbest(k)-present(k))

(7)

present(k+1)=present(k)+v(k+1)

(8)

其中,w代表慣性權(quán)重;c1和c2代表是學(xué)習(xí)因子;r1和r2代表伯努利分布的0到1的隨機(jī)數(shù);v(k)代表是某個(gè)粒子在k時(shí)刻的速度;present(k)代表是某個(gè)粒子在k時(shí)刻的位置。

(6)繼續(xù)循環(huán)到步驟(2)中。

4.4 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練流程圖如圖4所示。整個(gè)模型的訓(xùn)練學(xué)習(xí)過(guò)程包括粒子群算法和BP神經(jīng)網(wǎng)絡(luò)。而粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型,通過(guò)對(duì)各層神經(jīng)元權(quán)值和閾值的不斷修正,使得誤差函數(shù)沿梯度方向下降。當(dāng)誤差平方和小于目標(biāo)誤差時(shí)滿足實(shí)驗(yàn)條件,輸出最優(yōu)權(quán)值、閾值。同時(shí)對(duì)模型的最優(yōu)參數(shù)進(jìn)行訓(xùn)練輸出預(yù)測(cè)結(jié)果。

圖4 粒子群優(yōu)化流程

5 模型評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)選取均方根誤差(Root Mean Square Error,RMSE)、平均絕對(duì)百分比誤差(Mean Absolute Percentage Error,MAPE)、平均絕對(duì)誤差(Mean Absolute Error,MAE)來(lái)評(píng)估模型的性能。即RMSE、MAPE、MAE越接近于0,表明模型預(yù)測(cè)具有較好的精度。其指標(biāo)評(píng)價(jià)的計(jì)算公式如下:

(9)

(10)

(11)

6 結(jié)果與討論

實(shí)驗(yàn)?zāi)Ｐ鸵?80組激光誘導(dǎo)擊穿光譜實(shí)驗(yàn)測(cè)試光譜數(shù)據(jù)為基礎(chǔ),分別用BP神經(jīng)網(wǎng)絡(luò)模型和PSO-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試。在表1編號(hào)中1～140樣本數(shù)據(jù)用于訓(xùn)練集,141～180號(hào)樣本數(shù)據(jù)作為測(cè)試集。在實(shí)驗(yàn)過(guò)程中,由于測(cè)得的原始光譜數(shù)據(jù)是4096的高維向量,數(shù)據(jù)樣本量過(guò)大。同時(shí)存在一種元素對(duì)應(yīng)多條特征譜線的情況,多出來(lái)的特征譜線反應(yīng)都是同一元素的特征,而過(guò)多的參數(shù)數(shù)量在模型訓(xùn)練的過(guò)程中更容易出現(xiàn)過(guò)擬合等負(fù)面的影響。因此通過(guò)主成分分析特征提取,提取后每條數(shù)據(jù)的向量維度為27維,分別對(duì)應(yīng)著樣本煤主要元素成分Si,Al,Fe,Ca等元素。

通過(guò)建立BP神經(jīng)網(wǎng)絡(luò),設(shè)置輸入層神經(jīng)元個(gè)數(shù)為6,隱含層神經(jīng)元個(gè)數(shù)為15,輸出層神經(jīng)元個(gè)數(shù)為1。先后對(duì)比了1到27不同維度下,BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值和灰分實(shí)際真值,同時(shí)以RMSE、MAPE、MAE為評(píng)價(jià)預(yù)測(cè)模型分析的指標(biāo)。表2所示為不同維度訓(xùn)練模型BP網(wǎng)絡(luò)訓(xùn)練結(jié)束后得到預(yù)測(cè)值,通過(guò)主成分分析技術(shù)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理之后,6維訓(xùn)練效果明顯好于其他維度。因此先后比較了27維、7維、6維和5維,對(duì)應(yīng)的均方根誤差、決定系數(shù)、平均絕對(duì)誤差大小。而6維BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果較為準(zhǔn)確,對(duì)應(yīng)的均方根誤差、決定系數(shù)、平均絕對(duì)誤差較低,效果明顯好于相鄰維度的大小,則選擇6維BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行模型優(yōu)化。

表2 不同維度BP網(wǎng)絡(luò)模型訓(xùn)練結(jié)果

如圖5所示BP神經(jīng)網(wǎng)絡(luò)模型算法下,27維、7維、6維和5維下的預(yù)測(cè)結(jié)果輸出值和實(shí)際真值結(jié)果分析比較。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果

為了避免BP神經(jīng)網(wǎng)絡(luò)陷入局部極小值,提高預(yù)測(cè)模型的精度,建立PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型。優(yōu)化后的6維BP神經(jīng)網(wǎng)絡(luò)模型,決定系數(shù)R2為0.88501更接近于1,表明建立的模型具有較好的預(yù)測(cè)性能。平均絕對(duì)誤差MAE為0.43882,均方根誤差RMSE為0.51984,平均絕對(duì)百分比MAPE為2.83 %。在6維PSO-BPNN實(shí)驗(yàn)中使用MATLAB仿真軟件對(duì)180組光譜數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè),模型訓(xùn)練之前對(duì)光譜數(shù)據(jù)進(jìn)行歸一化處理。設(shè)置輸入層節(jié)點(diǎn)數(shù)為6,隱含層節(jié)點(diǎn)數(shù)為15為,輸出層節(jié)點(diǎn)數(shù)為1,粒子群初始粒子數(shù)量為50,期望誤差設(shè)置為0.001。采用PSO-BPNN方法預(yù)測(cè)灰分值的適應(yīng)度函數(shù)值變化過(guò)程如圖6所示,從圖6的實(shí)驗(yàn)結(jié)果可以看出PSO算法能避免BP神經(jīng)網(wǎng)絡(luò)陷入局部極小值。初始迭代時(shí)獲取的適應(yīng)度函數(shù)值大于4.0,隨著迭代次數(shù)的迅速下降當(dāng)?shù)螖?shù)增加至10次時(shí),適應(yīng)度函數(shù)值的變換逐漸的在變緩。當(dāng)?shù)螖?shù)到達(dá)20次時(shí),訓(xùn)練樣本的均方誤差到達(dá)最優(yōu)狀態(tài),灰分預(yù)測(cè)值與灰分真值無(wú)限逼近。此實(shí)驗(yàn)結(jié)果灰分值預(yù)測(cè)具有較少的迭代次數(shù),有效的驗(yàn)證了,基于粒子群算法優(yōu)化結(jié)合BP神經(jīng)網(wǎng)絡(luò)方法,能夠更好地提升灰分值預(yù)測(cè)的精度同時(shí)具有較好的收斂效果。

圖6 PSO-BPNN網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果和迭代次數(shù)

7 結(jié) 論

(1)為了快速識(shí)別煤炭灰分特征,提出了基于粒子群優(yōu)化的BP的煤炭灰分優(yōu)化識(shí)別方法。發(fā)現(xiàn)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型,能夠更好的克服在尋優(yōu)過(guò)程中容易陷入局部最優(yōu)缺陷,提升了模型的泛化能力和預(yù)測(cè)精度,同時(shí)削弱了神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)的局限。

(2)對(duì)比了27維、7維、6維和5維預(yù)測(cè)模型的分析指標(biāo)。優(yōu)化后的6維BP神經(jīng)網(wǎng)絡(luò)模型,決定系數(shù)R2為0.88501更接近于1,表明建立的PSO-BP模型具有較好的預(yù)測(cè)性能,此時(shí)的灰分預(yù)測(cè)值與灰分實(shí)際真值無(wú)限逼近。

(3)通過(guò)對(duì)煤炭灰分特性研究,對(duì)模擬分析的結(jié)果進(jìn)行綜合評(píng)價(jià)。實(shí)驗(yàn)驗(yàn)證了,本文提出煤炭灰分值參數(shù)的預(yù)測(cè)優(yōu)化算法的有效性,為后續(xù)的LIBS術(shù)應(yīng)用于煤炭檢測(cè)提供一定的理論依據(jù)。由于煤炭成分的相對(duì)復(fù)雜性,本次研究未對(duì)預(yù)測(cè)模型的魯棒性進(jìn)行考慮,未來(lái)研究還將進(jìn)一步改進(jìn),以提高設(shè)計(jì)模型預(yù)測(cè)的準(zhǔn)確性。