一种基于高斯过程的近红外光谱煤灰分快速检测方法
一种基于高斯过程的近红外光谱煤灰分快速检测方法
【技术领域】
[0001] 本发明设及煤碳工业化验领域W及近红外光谱技术分析领域，具体设及一种基于 高斯过程的近红外光谱煤灰分快速检测方法。
【背景技术】
[0002] 煤中的灰分不是煤的固有成分，而是煤中所有可燃物质完全燃烧W及煤中矿物质 在一定溫度下产生一系列分解、化合等复杂反应剩下的残渣。灰分常称为灰分产率，用百分 比表示。精煤的灰分是表征精煤质量的一项重要指标:在洗选生产过程中用来判定洗选精 煤质量和洗选质量效率;在炼焦工业中用来测定计算煤的灰分量来预计焦炭中的灰分;在 煤炭采样和制样设备和方法研究中用作偏倚和精密度的评定参数;灰分是煤炭贸易计价的 主要指标，也是现阶段我国制定煤炭出厂价格的基本依据。因此，它的快速检测对于精煤的 生产、销售和应用均具有重要的意义。
[0003] 目前，煤质灰分的工业检测方法基本按照国家标准人工采样，实验室化验，从采样 到化验结束操作过程复杂繁琐，需要消耗大量的人力物力，获得一个样本的各煤质参数分 析值需要数小时。另外，现有的基于X射线巧光中子活化的分析方法虽然能够实现在线分析 的目的，但需要用到放射源，运在使用与管理中都具有一定的安全风险，不易实际推广应 用。近红外光谱的分析可W实现全自动，在线，安全，快捷的多参数在线实时分析。
[0004] 可用于近红外光谱建模分析的方法有多种，如偏最小二乘回归(PLSR)、多元线性 回归等线性回归算法，W及人工神经网络(ANN)、支持向量机(SVM)等非线性回归算法。前者 对于建模对象的线性要求比较高，在解决一些非线性问题时效果不够理想；后者则存在模 型复杂、计算成本高、需要比较繁琐的调参过程等不足。高斯过程作为非参数学习方法，理 论上能够对任意输入的函数进行逼近，因此具有泛化能力强等特点，并且能够同时适应线 性和非线性预测的要求，非常适合小样本、高维度特征数据的建模。同时，基于高斯过程可 W预测未知样本的概率分布，能够对预测值的非确定性进行量化。运在煤质成分预测及指 标控制方面非常有实用价值。本发明意在利用近红外光谱数据并基于高斯过程建模，实现 对精煤灰分的安全、在线、快速的检测。
【发明内容】
[0005] 本发明主要是解决现有煤灰分检测方法过程繁琐、实时性差、存在安全风险等技 术问题，通过自动采样、预处理煤样本并用近红外光谱仪进行实时光谱数据获取，光谱数据 传入计算机经过基于高斯过程的模型计算得到具体的煤灰分参数。
[0006] 本发明是通过W下技术方案实现的：一种基于高斯过程的近红外光谱煤灰分快速 检测方法，包括用于实时采集分析样本的煤样采样模块，用于处理原始煤样本至符合近红 外光谱分析条件的煤样预处理模块，用于获取煤样光谱数据的光谱采集模块W及进行煤样 灰分值预测分析的建模分析模块。
[0007] 所述的采样模块主要包括采样设备，由机械化采样系统构成，可W是二级采样或 者Ξ级采样设备，实现定时采样和缩分。固定时间间隔地从煤碳生产线或运输线上上采集 煤样并进行充分混合与缩分，采样设备的采样时间间隔与采样量可进行调整，保证检测传 送带上的煤样不间断。
[0008] 所述的煤样预处理模块主要包括破碎设备、传送带装置和匀料器。破碎设备由不 同的破碎机组成，可W是不同级别的破碎机组成多级破碎，将由采样机得到的缩分煤样进 行充分破碎至合适的颗粒大小。传送带装置由传送带和驱动传送带运行的电机组成的，破 碎得到的煤样落入传送带中，要求能够平稳慢速地运输，保证光谱采集时稳定不振动。传送 带采用皮带式，通过驱动电机带动，将传送带维持在运行状态，要求传送带能够低速平稳运 行，可W配W合适的差速器和变频器来对电机进行速度控制。匀料器由若干平板叶片轮与 驱动叶轮的电机组成，叶轮安装于传送带上方，破碎设备出料口后方，通过旋转把煤样表面 摊平，保证在光谱采集时表面煤样本表面较为平整。同时要求叶轮高度可调，W得到适于光 谱扫描分析的煤层厚度。
[0009] 所述的光谱采集模块为近红外光谱仪，其光源位于传送带上方，匀料器后方，对摊 平的煤样进行从上到下的垂直式照射，得到实时的近红外光谱并将数据传输至计算机。近 红外光谱仪可采用分光式或者傅利叶式漫反射光谱仪，可调整扫描时间和扫描次数，W获 得更具代表性的光谱数据。
[0010] 所述的建模分析模块包括可用于对煤灰分值进行建模预测分析的计算机。所用模 型主要基于高斯过程，并可进行相关的优化拓展。本发明中使用的基于高斯过程的建模分 析方法有Ξ种:方法一为基本的高斯过程(GP)预测模型;方法二为由主成分分析(PCA)和高 斯过程融合的PCA-GP预测模型;方法Ξ为基于模式分类的融合高斯过程(PC-PCA-GP)预测 模型。
[0011] 本发明中，光谱数据的扫描获取方法包括W下步骤：
[0012] (1)固定时间间隔地从煤碳生产线或运输线上采集煤样并进行充分混合与缩分得 到适量一级煤样，进入破碎设备；
[0013] (2)将步骤(1)中所得一级煤样经由破碎设备充分破碎至合适的颗粒大小，得到的 二级煤样进入传送带中。作为优选，所述的二级煤样的颗粒直径在6mmW下；
[0014] (3)调整传送带速度，使其能够低速平稳运行，运行速度可调，将步骤(2)中所得二 级煤样运至匀料器处。作为优选，所述的传送带的运行速度不宜超过Im/min;
[0015] (4)调整匀料器叶轮高度，步骤(3)中的煤样经匀料器旋转使其表面摊平，进而得 到厚度适于后续光谱扫描的、表面较为平整的煤层(Ξ级煤样），后经传送带运送至光谱仪。 作为优选，所述的Ξ级煤样的煤层厚度在8mm-l 2mm为宜。
[0016] (5)调整近红外光谱仪的光源位置及扫描时间、扫描次数来调整其扫描面积，对步 骤(4)中所得的Ξ级煤样进行扫描，并通过求平均光谱的方法确保得到光谱能够代表整个 样本。作为优选，所述的光谱扫描的谱段为l〇〇〇-2500nm，每条谱扫描平均60次，每个煤样W 5秒间隔共采谱15次，取15条光谱的最终平均光谱作为该样本光谱数据。
[0017] 本发明中，利用近红外光谱数据并基于高斯过程进行煤灰分建模预测分析的方法 包括W下步骤：
[0018] (1)通过前述光谱扫描方法扫描煤样得到每个样本的光谱数据，W之作为样本的 原始光谱SO用于算法的后续步骤。对于建模样本，还需用化验法测得其灰分值作为标定值 ΥΟ;
[0019] (2)对于步骤（1)中所述的原始光谱通过有效波长识别、光谱变换处理、离群点检 测等方法进行提取优化，得到处理后的光谱S1。作为优选，在对煤灰分建模时，所述的光谱 S1经由如下预处理得到:提取有效波段范围在1350nm-2400皿区间的光谱;进行Salvitzky-Golay平滑，平滑窗口大小为13个样本点，回归函数选用二次多项式;基于GP模型，根据对每 个单独样本点给出的预测值和方差，进行离群点检测剔除；
[0020] (3)对于标准的高斯过程模型，确定高斯过程核函数，也即该高斯过程的协方差函 数。作为优选，取平方指数协方差函数作为煤样光谱分析模型的高斯过程内核，平方指数协 方差函数(SE)表示为：
[0021]
[0022] 其中，Sf和1为高斯内核中的参数；
[0023] (4)对于步骤(3)中确定内核的高斯过程，基于步骤(2)中所得的预处理后光谱S1 和定标值Y0进行核函数参数寻优计算，进而得到相应的高斯过程模型GP。作为优选，参数寻 优的方法采取两轮网格捜索；
[0024] (5)对于步骤(4)中所得的高斯过程模型GP，在进行实际未知煤样预测分析之前， 还需对模型进行评价验证。作为优选，模型的评价指标选取校正均方根误差(RMSEC)、预测 均方根误差(RMSEP)、Pearson相关系数RW及变异系数CV。在样本较少的情况下，又可用留 一法交叉验证均方根误差(RMSECV)代替RMSEP。
[00巧]校正均方根误差(MSEC)可表示为：
[0026]
[0027] 其中：η为训练样本数，V,为模型对训练集数据样本i的预测值(校验值），yi为训练 集数据样本i的标定值，标定值通过化验方法得到。
[002引预测均方根误差(RMSEP)可表示为： [0029]
[0030] 其中:m为测试集预测样本数，y*i为模型对测试集数据样本i的预测值，yi为测试集 数据样本i的标定值。
[0031] 交叉验证均方根误差(RMSECV)可表示为：
[0032]
[0033] 其中：η为总共的样本数，y*i为留一法交叉验证时模型对外部样本i的预测结果，yi 为外部样本i的标定值。
[0034] Pearson相关系数R可表示为：
[0035]
[00%]其中：Cov(yi,y*i)为预测值与标定值的协方差，Va;r(yi)和Va;r(y*i)分别为标定值 与预测值的方差，y*i为模型对样本i的预测值，yi为样本i的标定值。
[0037]变异系数CV可表示为：
[00；3 引
[0039] 其中：RMSE为均方根误差(考察模型对内部样本预测效果时使用RMSEC，考察对外 部样本预测效果时使用RMSECV)，Mean为所有样本标定值的均值；
[0040] (6)对于步骤(4)中所得模型，经步骤巧)进行各参数评价验证之后，若满足实际预 测要求，则确定为最终灰分预测模型AshGP，用于未知样本的灰分参数预测。若不满足要求， 则返回步骤(2)调整相关参数，直至步骤(5)的验证结果达标；
[0041] (7)对于新进未知煤样，通过前述光谱扫描方法扫描煤样得到该样本的光谱数据， 并进行与建模过程中相同的预处理，得到未知煤样最终光谱S;
[0042] (8)将步骤(7)中所得的未知煤样最终光谱S作为步骤(6)中所得最终灰分预测模 型AskP的输入，即可通过模型计算得到未知煤样的灰分参数。
[0043] 步骤(1)~(8)为基于基本高斯过程(GP)的方法一的具体步骤。对于方法二中由主 成分分析(PCA)和高斯过程融合的PCA-GP预测模型，在进行步骤(3)之前还需对S1进行PCA 降维处理，得到S2。并WS2代替S1用于步骤（3)~（6)，此时得到的最终灰分预测模型为 AshpCA-GP。相应地，在预测时，步骤(7)所述的未知煤样最终光谱S也应由与此时建模过程相 同的处理得到，并在步骤(8)中WAshpcA-GP代替Askp来计算得到未知煤样的灰分参数。作为 优选，在用PCA降维时选用基于贡献率并在一定范围内的捜索结合RMSECV来确定最优主成 分数。
[0044] 对方法Ξ中基于模式分类的融合高斯过程(PC-PCA-GP)预测模型，在步骤（1)得到 SO和Y0之后，需首先进行PCA降维，然后结合模式分类方法建立分类模型进行样本预分类， 得到相应的类别标签k和每类的原始光谱SiO及标定值YiO,所述的分类模型标记为CM。作为 优选，煤样本预分类所用的模式分类方法选择支持向量机(SVM)，若为多分类问题则转化为 二分类问题再进行分类。作为优选，将多分类转化为二分类时化e-vs-化e思路，并采用最大 分类概率决定样本所属类别；
[0045] 对于方法步骤(10)中所得的每类的原始光谱SiO及标定值YiO
[0046] 代替步骤(1)中的SO和Y0按照方法二进行步骤(2)~(9)，即可对每一类i的样本得 到一个PCA-GP模型，称为i类最终灰分预测模型AshpG-PGA-GP(i);
[0047] 对于方法Ξ，在预测时，（7)中所述的的未知煤样最终光谱S也应先经步骤（10)所 述的模式分类器CM预分类，并经与步骤(11)中该类别建模过程相同的处理得到；
[0048] 根据步骤(12)所得的未知样本预分类类别以，选择相对应的该类别最终灰分预测 模型AshpG-PGA-GP (i)，并在步骤(8)中W AshpG-PGA-GP (i)代替AshGP来计算得到未知煤样的灰分 参数。
[0049] 本发明的有益效果是:通过机械电气设备完成煤的自动采样、制样，实现煤样光谱 的不间断采集，结合基于高斯过程的数学模型对光谱进行计算，可W在短时间内得到煤质 灰分参数并给出相应的预测值置信区间。相比于化学方法检测，全自动、方便、快捷;相比于 射线分析法更安全。
【附图说明】
[0050] 图1为本发明的系统工作流程图。
[0051] 图2为本发明的检测系统立体示意图。
[0052] 图中：1采样设备，2破碎设备，3破碎后煤颗粒，4煤样传送带，5传送带驱动电机，6 平板叶片软匀料器，7匀料器驱动电机，8近红外光谱仪，9计算机。
[0053] 图3为本发明的计算机端利用近红外光谱数据进行建模预测煤灰分的算法框图。
[0054] 图4为本发明的一实施例PCA-GP模型所得置信水平为99.74%的灰分预测结果。
【具体实施方式】
[0055] 下面通过实施例并结合附图，对本发明的技术方案作进一步具体的说明。
[0056] 本实施例中，近红外光谱煤灰分快速检测方法的整个系统的工作流程图如图1所 示，包括用于实时采集分析样本的煤样采样模块，用于处理原始煤样本至符合近红外光谱 分析条件的煤样预处理模块，用于获取煤样光谱数据的光谱采集模块W及进行煤样灰分值 预测分析的建模分析模块。对应地，检测系统的示意图如图2所示。
[0057] 采样模块主要包括采样设备1，由机械化采样系统构成，可W是二级采样或者Ξ级 采样设备，实现定时采样和缩分。固定时间间隔地从煤碳生产线或运输线上上采集煤样并 进行充分混合与缩分，采样设备的采样时间间隔与采样量可进行调整，保证检测传送带上 的煤样不间断。
[0058] 煤样预处理模块主要包括破碎设备2、传送带装置和匀料器。破碎设备2由不同的 破碎机组成，可W是不同级别的破碎机组成多级破碎，例如可由键式破碎机组成第一级破 碎，得到颗粒直径lOmmW下的粗煤粒，再由对漉式破碎机组成第二级破碎，得到颗粒直径 3mmW下的细煤粒，破碎粒级可根据实际情况进行调整。破碎后得到的煤粒3进入传送带中。 传送带装置由传送带4和驱动传送带运行的电机5组成的，破碎得到的煤样落入传送带中， 要求能够平稳慢速地运输，保证光谱采集时稳定不振动。传送带4采用皮带式，通过驱动电 机5带动，将传送带维持在运行状态，要求传送带能够低速平稳运行，可W配W合适的差速 器和变频器来对电机进行速度控制。匀料器6由若干平板叶片轮与驱动叶轮的电机7组成， 叶轮安装于传送带上方，破碎设备出料口后方，通过旋转把煤样表面摊平，保证在光谱采集 时表面煤样本表面较为平整。同时要求叶轮高度可调，W得到适于光谱扫描分析的煤层厚 度。
[0059] 光谱采集模块为近红外光谱仪8，其光源位于传送带上方，匀料器后方，对摊平的 煤样进行从上到下的垂直式照射，得到实时的近红外光谱并将数据传输至计算机9。近红外 光谱仪可采用分光式或者傅利叶式漫反射光谱仪，可调整扫描时间和扫描次数，W获得更 具代表性的光谱数据。
[0060] 建模分析模块包括可用于对煤灰分值进行建模预测分析的计算机9。所用模型主 要基于高斯过程，并可进行相关的优化拓展。本实施例中使用的基于高斯过程的建模分析 方法有Ξ种:方法一为基本的高斯过程(GP)预测模型;方法二为由主成分分析(PCA)和高斯 过程融合的PCA-GP预测模型;方法Ξ为基于模式分类的融合高斯过程(PC-PCA-GP)预测模 型，具体所用模式分类算法为支持向量机(SVM)，使用化e-vs-One思路将多分类转化为二分 类，并采用最大分类概率决定样本所属类别。所用模型的算法框图如图3所示。
[0061] 本实施例中所使用的建模数据，来自山西东曲、河东、马兰、屯兰等16座煤矿，共4 种煤种，包括焦煤、肥煤、瘦煤、贫瘦煤。为保证数据均衡性与模型可靠性，四种煤样本数保 持一致，运里焦煤、肥煤、贫瘦煤各50个样本，瘦煤由于有一个样本采样化验污染，作无效样 本处理，共49个样本。在扫描获取光谱数据时，固定时间间隔地从煤碳生产线或运输线上采 集煤样并进行充分混合与缩分得到适量一级煤样，进入破碎设备2;将所得一级煤样经由破 碎设备2充分破碎至3mmW下的细煤粒，得到的二级煤样进入传送带4中；二级煤样的颗粒直 径在6mm W下；调整传送带速度，使其能够低速平稳运行，运行速度0.6m/min;调整匀料器叶 轮高度，所经煤样由匀料器旋转使其表面摊平，进而得到厚度为10mm的适于后续光谱扫描 的、表面较为平整的 煤层(Ξ级煤样），后经传送带3运送至光谱仪8;调整近红外光谱仪的光 源至合适位置，光谱扫描的谱段为1000-2500nm，每条谱扫描平均60次，每个煤样W5秒间隔 共采谱15次，取15条光谱的最终平均光谱作为该样本光谱数据，W此最终获得共199个样 本。
[0062] 将所得199个样本分别用基于高斯过程Ξ种方法进行的建模分析:方法一为基本 的高斯过程(GP)预测模型;方法二为由主成分分析(PCA)和高斯过程融合的PCA-GP预测模 型;方法Ξ为基于模式分类的融合高斯过程(PC-PCA-GP)预测模型。建模过程所设及的光谱 预处理方法为：提取有效波段范围在1350皿-2400皿区间的光谱;进行Salvitzky-Golay平 滑，平滑窗口大小为13个样本点，回归函数选用二次多项式;基于GP模型进行离群点检测剔 除。所设及的高斯过程核函数为平方指数协方差函数(SE)。所设及的高斯过程参数估计采 用两轮网格法捜索寻优。方法二所设及的PCA降维过程经基于贡献率并捜索寻优得到，最终 确定主成分数为10个。所得模型根据W校正均方根误差(MSEC)、留一法交叉验证均方根误 差(RMSECV)Jearson相关系数RW及变异系数CV为指标综合评价。
[0063] 图4所示为对样本点经方法二PCA-GP用留一法交叉验证后输出的预测结果，可见 该方法不但较为准确地给出了灰分值的预测值，而且给出了预测值的Ξ倍标准差置信区 间，对应的置信水平为99.74%，方法还可根据实际需求调整置信水平。
[0064] 表1基于近红外光谱的煤灰分建模方法对比
[00 化]
[0066]为具体评估本发明中基于高斯过程的灰分预测模型的建模效果，将用方法一 (GP) 和方法二(PCA-GP)同常用的近红外光谱建模方法偏最小二乘回归(PLSR)针对本例样本做 建模对比，采用相同方法得出的评价指标，所有方法的结果均为综合优化后的最佳结果，见 表1。可W看出，在与PCA融合之后，基于高斯过程的预测模型RMSEC(0.61--〉0.20)、RMSECV (0.90--〉0.45)和〇^8.41--〉4.16)都显著下降，表明模型融合大大改善了模型对内部样本 的拟合精度和外部样本的预测精度，同时相关系数R(〇.62--〉0.89)显著增大，表明融合方 法对模型相关程度的提高也大有帮助。相比于目前应用最广的化SR，PCA-GP方法也同样在 预测精度W及模型相关程度上有明显优势（RM沈C: 0.20VS. 0.45，RMSECV: 0.45VS . 0.64，R: 0.89vs.0.77,CV:4.16vs.4.97)〇
[0067]表2基于SVM分类的PCA-GP对煤灰分的建模效果
[006引
[0069] 为评估方法Ξ基于SVM分类的PCA-GP方法的灰分预测模型的建模效果，将用方法 二(PCA-GP)和方法S(SVM-PCA-GP)经分类后不同煤种针对本例样本做建模对比，主要对比 变异系数CV，所有方法的结果均为综合优化后的最佳结果，见表2。可W看出，除了对瘦煤的 灰分预测精度发生下降W外，对于每种煤的灰分的预测精度均得到改善。
[0070] 上面所描述的具体实施例仅仅是对本发明的优选实施方式进行描述，并非对本发 明的范围进行限定，在不脱离本发明设计精神的前神下，本领域相关技术人员对本发明的 各种变形和改进，均应扩如本发明权利要求书所确定的保护范围内。
[0071] 尽管本文较多地使用了均方根误差、变异系数等术语，但并不排除使用其它术语 的可能性。使用运些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任 何一种附加的限制都是与本发明精神相违背的。
【主权项】
1. 一种基于高斯过程的近红外光谱煤灰分快速检测方法，其特征在于，包括以下步骤： 1) 利用近红外光谱仪，扫描煤样得到每个样本的光谱数据S0,并以煤样的灰分值作为 标定值YO; 2) 对所述的光谱数据SO进行预处理，得到处理后的光谱SI; 3) 确定高斯过程核函数，并根据所述的光谱Sl和标定值YO进行参数寻优计算，得到相 应的高斯过程模型GP; 4) 采集未知煤样的光谱数据，并重复步骤2)中的操作，得到未知煤样的光谱S; 5) 以光谱S作为所述高斯过程模型GP的输入，得到所述未知煤样的灰分参数。2. 如权利要求1所述的近红外光谱煤灰分快速检测方法，其特征在于，所述的预处理包 括依次进行的有效波长识别、光谱变换处理和离群点检测。3. 如权利要求2所述的近红外光谱煤灰分快速检测方法，其特征在于，所述的有效波长 识别为提取有效波段范围在1350nm-2400nm区间的光谱，所述的光谱变换处理为进行 Salvitzky-Go lay平滑。4. 如权利要求1所述的近红外光谱煤灰分快速检测方法，其特征在于，在步骤3)中，以 平方指数协方差函数SE为所述的高斯过程核函数，其表示为：其中，X1, ^为分别表示两个变量，k为协方差函数，定义了两个变量之间的近似度， 1为高斯内核中的参数。5. 如权利要求1所述的近红外光谱煤灰分快速检测方法，其特征在于，在步骤3)中，得 到所述的高斯过程模型GP后需对模型进行评价验证，评价指标包括校正均方根误差、留一 法交叉验证均方根误差或预测均方根误差、Pearson相关系数R以及变异系数CV。6. -种基于高斯过程的近红外光谱煤灰分快速检测方法，其特征在于，包括以下步骤： 1) 利用近红外光谱仪，扫描煤样得到每个样本的光谱数据S0,并以煤样的灰分值作为 标定值Y0; 2) 对所述的光谱数据SO进行预处理，得到处理后的光谱SI; 3) 对所述的光谱S1进行PCA降维处理，得到光谱S2; 4) 确定高斯过程核函数，并根据所述的光谱S2和标定值YO进行参数寻优计算，得到相 应的高斯过程模型GP; 5) 采集未知煤样的光谱数据，并重复步骤2)和步骤3)中的操作，得到未知煤样的光谱 S； 6) 以光谱S作为所述高斯过程模型GP的输入，得到所述未知煤样的灰分参数。7. 如权利要求6所述的近红外光谱煤灰分快速检测方法，其特征在于，进行PCA降维处 理时，选用基于贡献率并限定范围内的搜索结合RMSECV来确定最优主成分数。8. -种基于高斯过程的近红外光谱煤灰分快速检测方法，其特征在于，包括以下步骤： 1) 利用近红外光谱仪，扫描煤样得到每个样本的光谱数据S0,并以煤样的灰分值作为 标定值Y0; 2) 对所述的光谱数据SO进行PCA降维处理，并对煤样样本进行样本预分类，得到相应的 类别标签L1和每类的原始光谱S 1O及标定值^。； 3) 确定高斯过程核函数，并根据所述的原始光谱S1O和标定值YO进行参数寻优计算，得 到该类i样本的高斯过程模型GP; 4) 采集未知煤样的光谱数据，并重复步骤2)中的操作，得到未知煤样的光谱S; 5) 以光谱S作为对应类的高斯过程模型GP的输入，得到所述未知煤样的灰分参数。9. 如权利要求8所述的近红外光谱煤灰分快速检测方法，其特征在于，在步骤2)中，采 用模式分类方法进行样本预分类。10. 如权利要求9所述的近红外光谱煤灰分快速检测方法，其特征在于，所述的模式分 类方法为支持向量机，若为多分类问题则转化为二分类问题再进行分类。
【专利摘要】本发明公开了一种基于高斯过程的近红外光谱煤灰分快速检测方法，包括以下步骤：1)利用近红外光谱仪，扫描煤样得到每个样本的光谱数据S0，并以煤样的灰分值作为标定值Y0；2)对所述的光谱数据S0进行预处理，得到处理后的光谱S1；3)确定高斯过程核函数，并根据所述的光谱S1和标定值Y0进行参数寻优计算，得到相应的高斯过程模型GP；4)采集未知煤样的光谱数据，并重复步骤2)中的操作，得到未知煤样的光谱S；5)以光谱S作为所述高斯过程模型GP的输入，得到所述未知煤样的灰分参数。本发明通过采集煤样光谱，结合基于高斯过程的数学模型对光谱进行计算，可以在短时间内得到煤质灰分参数并给出相应的预测值置信区间。
【IPC分类】G01N21/359, G01N21/3563
【公开号】CN105486661
【申请号】CN201610058289
【发明人】郝峻青
【申请人】山西汾西矿业（集团）有限责任公司, 浙江大学
【公开日】2016年4月13日
【申请日】2016年1月28日
【技术领域】
[0001] 本发明设及煤碳工业化验领域W及近红外光谱技术分析领域，具体设及一种基于 高斯过程的近红外光谱煤灰分快速检测方法。
【背景技术】
[0002] 煤中的灰分不是煤的固有成分，而是煤中所有可燃物质完全燃烧W及煤中矿物质 在一定溫度下产生一系列分解、化合等复杂反应剩下的残渣。灰分常称为灰分产率，用百分 比表示。精煤的灰分是表征精煤质量的一项重要指标:在洗选生产过程中用来判定洗选精 煤质量和洗选质量效率;在炼焦工业中用来测定计算煤的灰分量来预计焦炭中的灰分;在 煤炭采样和制样设备和方法研究中用作偏倚和精密度的评定参数;灰分是煤炭贸易计价的 主要指标，也是现阶段我国制定煤炭出厂价格的基本依据。因此，它的快速检测对于精煤的 生产、销售和应用均具有重要的意义。
[0003] 目前，煤质灰分的工业检测方法基本按照国家标准人工采样，实验室化验，从采样 到化验结束操作过程复杂繁琐，需要消耗大量的人力物力，获得一个样本的各煤质参数分 析值需要数小时。另外，现有的基于X射线巧光中子活化的分析方法虽然能够实现在线分析 的目的，但需要用到放射源，运在使用与管理中都具有一定的安全风险，不易实际推广应 用。近红外光谱的分析可W实现全自动，在线，安全，快捷的多参数在线实时分析。
[0004] 可用于近红外光谱建模分析的方法有多种，如偏最小二乘回归(PLSR)、多元线性 回归等线性回归算法，W及人工神经网络(ANN)、支持向量机(SVM)等非线性回归算法。前者 对于建模对象的线性要求比较高，在解决一些非线性问题时效果不够理想；后者则存在模 型复杂、计算成本高、需要比较繁琐的调参过程等不足。高斯过程作为非参数学习方法，理 论上能够对任意输入的函数进行逼近，因此具有泛化能力强等特点，并且能够同时适应线 性和非线性预测的要求，非常适合小样本、高维度特征数据的建模。同时，基于高斯过程可 W预测未知样本的概率分布，能够对预测值的非确定性进行量化。运在煤质成分预测及指 标控制方面非常有实用价值。本发明意在利用近红外光谱数据并基于高斯过程建模，实现 对精煤灰分的安全、在线、快速的检测。
【发明内容】
[0005] 本发明主要是解决现有煤灰分检测方法过程繁琐、实时性差、存在安全风险等技 术问题，通过自动采样、预处理煤样本并用近红外光谱仪进行实时光谱数据获取，光谱数据 传入计算机经过基于高斯过程的模型计算得到具体的煤灰分参数。
[0006] 本发明是通过W下技术方案实现的：一种基于高斯过程的近红外光谱煤灰分快速 检测方法，包括用于实时采集分析样本的煤样采样模块，用于处理原始煤样本至符合近红 外光谱分析条件的煤样预处理模块，用于获取煤样光谱数据的光谱采集模块W及进行煤样 灰分值预测分析的建模分析模块。
[0007] 所述的采样模块主要包括采样设备，由机械化采样系统构成，可W是二级采样或 者Ξ级采样设备，实现定时采样和缩分。固定时间间隔地从煤碳生产线或运输线上上采集 煤样并进行充分混合与缩分，采样设备的采样时间间隔与采样量可进行调整，保证检测传 送带上的煤样不间断。
[0008] 所述的煤样预处理模块主要包括破碎设备、传送带装置和匀料器。破碎设备由不 同的破碎机组成，可W是不同级别的破碎机组成多级破碎，将由采样机得到的缩分煤样进 行充分破碎至合适的颗粒大小。传送带装置由传送带和驱动传送带运行的电机组成的，破 碎得到的煤样落入传送带中，要求能够平稳慢速地运输，保证光谱采集时稳定不振动。传送 带采用皮带式，通过驱动电机带动，将传送带维持在运行状态，要求传送带能够低速平稳运 行，可W配W合适的差速器和变频器来对电机进行速度控制。匀料器由若干平板叶片轮与 驱动叶轮的电机组成，叶轮安装于传送带上方，破碎设备出料口后方，通过旋转把煤样表面 摊平，保证在光谱采集时表面煤样本表面较为平整。同时要求叶轮高度可调，W得到适于光 谱扫描分析的煤层厚度。
[0009] 所述的光谱采集模块为近红外光谱仪，其光源位于传送带上方，匀料器后方，对摊 平的煤样进行从上到下的垂直式照射，得到实时的近红外光谱并将数据传输至计算机。近 红外光谱仪可采用分光式或者傅利叶式漫反射光谱仪，可调整扫描时间和扫描次数，W获 得更具代表性的光谱数据。
[0010] 所述的建模分析模块包括可用于对煤灰分值进行建模预测分析的计算机。所用模 型主要基于高斯过程，并可进行相关的优化拓展。本发明中使用的基于高斯过程的建模分 析方法有Ξ种:方法一为基本的高斯过程(GP)预测模型;方法二为由主成分分析(PCA)和高 斯过程融合的PCA-GP预测模型;方法Ξ为基于模式分类的融合高斯过程(PC-PCA-GP)预测 模型。
[0011] 本发明中，光谱数据的扫描获取方法包括W下步骤：
[0012] (1)固定时间间隔地从煤碳生产线或运输线上采集煤样并进行充分混合与缩分得 到适量一级煤样，进入破碎设备；
[0013] (2)将步骤(1)中所得一级煤样经由破碎设备充分破碎至合适的颗粒大小，得到的 二级煤样进入传送带中。作为优选，所述的二级煤样的颗粒直径在6mmW下；
[0014] (3)调整传送带速度，使其能够低速平稳运行，运行速度可调，将步骤(2)中所得二 级煤样运至匀料器处。作为优选，所述的传送带的运行速度不宜超过Im/min;
[0015] (4)调整匀料器叶轮高度，步骤(3)中的煤样经匀料器旋转使其表面摊平，进而得 到厚度适于后续光谱扫描的、表面较为平整的煤层(Ξ级煤样），后经传送带运送至光谱仪。 作为优选，所述的Ξ级煤样的煤层厚度在8mm-l 2mm为宜。
[0016] (5)调整近红外光谱仪的光源位置及扫描时间、扫描次数来调整其扫描面积，对步 骤(4)中所得的Ξ级煤样进行扫描，并通过求平均光谱的方法确保得到光谱能够代表整个 样本。作为优选，所述的光谱扫描的谱段为l〇〇〇-2500nm，每条谱扫描平均60次，每个煤样W 5秒间隔共采谱15次，取15条光谱的最终平均光谱作为该样本光谱数据。
[0017] 本发明中，利用近红外光谱数据并基于高斯过程进行煤灰分建模预测分析的方法 包括W下步骤：
[0018] (1)通过前述光谱扫描方法扫描煤样得到每个样本的光谱数据，W之作为样本的 原始光谱SO用于算法的后续步骤。对于建模样本，还需用化验法测得其灰分值作为标定值 ΥΟ;
[0019] (2)对于步骤（1)中所述的原始光谱通过有效波长识别、光谱变换处理、离群点检 测等方法进行提取优化，得到处理后的光谱S1。作为优选，在对煤灰分建模时，所述的光谱 S1经由如下预处理得到:提取有效波段范围在1350nm-2400皿区间的光谱;进行Salvitzky-Golay平滑，平滑窗口大小为13个样本点，回归函数选用二次多项式;基于GP模型，根据对每 个单独样本点给出的预测值和方差，进行离群点检测剔除；
[0020] (3)对于标准的高斯过程模型，确定高斯过程核函数，也即该高斯过程的协方差函 数。作为优选，取平方指数协方差函数作为煤样光谱分析模型的高斯过程内核，平方指数协 方差函数(SE)表示为：
[0021]
[0022] 其中，Sf和1为高斯内核中的参数；
[0023] (4)对于步骤(3)中确定内核的高斯过程，基于步骤(2)中所得的预处理后光谱S1 和定标值Y0进行核函数参数寻优计算，进而得到相应的高斯过程模型GP。作为优选，参数寻 优的方法采取两轮网格捜索；
[0024] (5)对于步骤(4)中所得的高斯过程模型GP，在进行实际未知煤样预测分析之前， 还需对模型进行评价验证。作为优选，模型的评价指标选取校正均方根误差(RMSEC)、预测 均方根误差(RMSEP)、Pearson相关系数RW及变异系数CV。在样本较少的情况下，又可用留 一法交叉验证均方根误差(RMSECV)代替RMSEP。
[00巧]校正均方根误差(MSEC)可表示为：
[0026]
[0027] 其中：η为训练样本数，V,为模型对训练集数据样本i的预测值(校验值），yi为训练 集数据样本i的标定值，标定值通过化验方法得到。
[002引预测均方根误差(RMSEP)可表示为： [0029]
[0030] 其中:m为测试集预测样本数，y*i为模型对测试集数据样本i的预测值，yi为测试集 数据样本i的标定值。
[0031] 交叉验证均方根误差(RMSECV)可表示为：
[0032]
[0033] 其中：η为总共的样本数，y*i为留一法交叉验证时模型对外部样本i的预测结果，yi 为外部样本i的标定值。
[0034] Pearson相关系数R可表示为：
[0035]
[00%]其中：Cov(yi,y*i)为预测值与标定值的协方差，Va;r(yi)和Va;r(y*i)分别为标定值 与预测值的方差，y*i为模型对样本i的预测值，yi为样本i的标定值。
[0037]变异系数CV可表示为：
[00；3 引
[0039] 其中：RMSE为均方根误差(考察模型对内部样本预测效果时使用RMSEC，考察对外 部样本预测效果时使用RMSECV)，Mean为所有样本标定值的均值；
[0040] (6)对于步骤(4)中所得模型，经步骤巧)进行各参数评价验证之后，若满足实际预 测要求，则确定为最终灰分预测模型AshGP，用于未知样本的灰分参数预测。若不满足要求， 则返回步骤(2)调整相关参数，直至步骤(5)的验证结果达标；
[0041] (7)对于新进未知煤样，通过前述光谱扫描方法扫描煤样得到该样本的光谱数据， 并进行与建模过程中相同的预处理，得到未知煤样最终光谱S;
[0042] (8)将步骤(7)中所得的未知煤样最终光谱S作为步骤(6)中所得最终灰分预测模 型AskP的输入，即可通过模型计算得到未知煤样的灰分参数。
[0043] 步骤(1)~(8)为基于基本高斯过程(GP)的方法一的具体步骤。对于方法二中由主 成分分析(PCA)和高斯过程融合的PCA-GP预测模型，在进行步骤(3)之前还需对S1进行PCA 降维处理，得到S2。并WS2代替S1用于步骤（3)~（6)，此时得到的最终灰分预测模型为 AshpCA-GP。相应地，在预测时，步骤(7)所述的未知煤样最终光谱S也应由与此时建模过程相 同的处理得到，并在步骤(8)中WAshpcA-GP代替Askp来计算得到未知煤样的灰分参数。作为 优选，在用PCA降维时选用基于贡献率并在一定范围内的捜索结合RMSECV来确定最优主成 分数。
[0044] 对方法Ξ中基于模式分类的融合高斯过程(PC-PCA-GP)预测模型，在步骤（1)得到 SO和Y0之后，需首先进行PCA降维，然后结合模式分类方法建立分类模型进行样本预分类， 得到相应的类别标签k和每类的原始光谱SiO及标定值YiO,所述的分类模型标记为CM。作为 优选，煤样本预分类所用的模式分类方法选择支持向量机(SVM)，若为多分类问题则转化为 二分类问题再进行分类。作为优选，将多分类转化为二分类时化e-vs-化e思路，并采用最大 分类概率决定样本所属类别；
[0045] 对于方法步骤(10)中所得的每类的原始光谱SiO及标定值YiO
[0046] 代替步骤(1)中的SO和Y0按照方法二进行步骤(2)~(9)，即可对每一类i的样本得 到一个PCA-GP模型，称为i类最终灰分预测模型AshpG-PGA-GP(i);
[0047] 对于方法Ξ，在预测时，（7)中所述的的未知煤样最终光谱S也应先经步骤（10)所 述的模式分类器CM预分类，并经与步骤(11)中该类别建模过程相同的处理得到；
[0048] 根据步骤(12)所得的未知样本预分类类别以，选择相对应的该类别最终灰分预测 模型AshpG-PGA-GP (i)，并在步骤(8)中W AshpG-PGA-GP (i)代替AshGP来计算得到未知煤样的灰分 参数。
[0049] 本发明的有益效果是:通过机械电气设备完成煤的自动采样、制样，实现煤样光谱 的不间断采集，结合基于高斯过程的数学模型对光谱进行计算，可W在短时间内得到煤质 灰分参数并给出相应的预测值置信区间。相比于化学方法检测，全自动、方便、快捷;相比于 射线分析法更安全。
【附图说明】
[0050] 图1为本发明的系统工作流程图。
[0051] 图2为本发明的检测系统立体示意图。
[0052] 图中：1采样设备，2破碎设备，3破碎后煤颗粒，4煤样传送带，5传送带驱动电机，6 平板叶片软匀料器，7匀料器驱动电机，8近红外光谱仪，9计算机。
[0053] 图3为本发明的计算机端利用近红外光谱数据进行建模预测煤灰分的算法框图。
[0054] 图4为本发明的一实施例PCA-GP模型所得置信水平为99.74%的灰分预测结果。
【具体实施方式】
[0055] 下面通过实施例并结合附图，对本发明的技术方案作进一步具体的说明。
[0056] 本实施例中，近红外光谱煤灰分快速检测方法的整个系统的工作流程图如图1所 示，包括用于实时采集分析样本的煤样采样模块，用于处理原始煤样本至符合近红外光谱 分析条件的煤样预处理模块，用于获取煤样光谱数据的光谱采集模块W及进行煤样灰分值 预测分析的建模分析模块。对应地，检测系统的示意图如图2所示。
[0057] 采样模块主要包括采样设备1，由机械化采样系统构成，可W是二级采样或者Ξ级 采样设备，实现定时采样和缩分。固定时间间隔地从煤碳生产线或运输线上上采集煤样并 进行充分混合与缩分，采样设备的采样时间间隔与采样量可进行调整，保证检测传送带上 的煤样不间断。
[0058] 煤样预处理模块主要包括破碎设备2、传送带装置和匀料器。破碎设备2由不同的 破碎机组成，可W是不同级别的破碎机组成多级破碎，例如可由键式破碎机组成第一级破 碎，得到颗粒直径lOmmW下的粗煤粒，再由对漉式破碎机组成第二级破碎，得到颗粒直径 3mmW下的细煤粒，破碎粒级可根据实际情况进行调整。破碎后得到的煤粒3进入传送带中。 传送带装置由传送带4和驱动传送带运行的电机5组成的，破碎得到的煤样落入传送带中， 要求能够平稳慢速地运输，保证光谱采集时稳定不振动。传送带4采用皮带式，通过驱动电 机5带动，将传送带维持在运行状态，要求传送带能够低速平稳运行，可W配W合适的差速 器和变频器来对电机进行速度控制。匀料器6由若干平板叶片轮与驱动叶轮的电机7组成， 叶轮安装于传送带上方，破碎设备出料口后方，通过旋转把煤样表面摊平，保证在光谱采集 时表面煤样本表面较为平整。同时要求叶轮高度可调，W得到适于光谱扫描分析的煤层厚 度。
[0059] 光谱采集模块为近红外光谱仪8，其光源位于传送带上方，匀料器后方，对摊平的 煤样进行从上到下的垂直式照射，得到实时的近红外光谱并将数据传输至计算机9。近红外 光谱仪可采用分光式或者傅利叶式漫反射光谱仪，可调整扫描时间和扫描次数，W获得更 具代表性的光谱数据。
[0060] 建模分析模块包括可用于对煤灰分值进行建模预测分析的计算机9。所用模型主 要基于高斯过程，并可进行相关的优化拓展。本实施例中使用的基于高斯过程的建模分析 方法有Ξ种:方法一为基本的高斯过程(GP)预测模型;方法二为由主成分分析(PCA)和高斯 过程融合的PCA-GP预测模型;方法Ξ为基于模式分类的融合高斯过程(PC-PCA-GP)预测模 型，具体所用模式分类算法为支持向量机(SVM)，使用化e-vs-One思路将多分类转化为二分 类，并采用最大分类概率决定样本所属类别。所用模型的算法框图如图3所示。
[0061] 本实施例中所使用的建模数据，来自山西东曲、河东、马兰、屯兰等16座煤矿，共4 种煤种，包括焦煤、肥煤、瘦煤、贫瘦煤。为保证数据均衡性与模型可靠性，四种煤样本数保 持一致，运里焦煤、肥煤、贫瘦煤各50个样本，瘦煤由于有一个样本采样化验污染，作无效样 本处理，共49个样本。在扫描获取光谱数据时，固定时间间隔地从煤碳生产线或运输线上采 集煤样并进行充分混合与缩分得到适量一级煤样，进入破碎设备2;将所得一级煤样经由破 碎设备2充分破碎至3mmW下的细煤粒，得到的二级煤样进入传送带4中；二级煤样的颗粒直 径在6mm W下；调整传送带速度，使其能够低速平稳运行，运行速度0.6m/min;调整匀料器叶 轮高度，所经煤样由匀料器旋转使其表面摊平，进而得到厚度为10mm的适于后续光谱扫描 的、表面较为平整的 煤层(Ξ级煤样），后经传送带3运送至光谱仪8;调整近红外光谱仪的光 源至合适位置，光谱扫描的谱段为1000-2500nm，每条谱扫描平均60次，每个煤样W5秒间隔 共采谱15次，取15条光谱的最终平均光谱作为该样本光谱数据，W此最终获得共199个样 本。
[0062] 将所得199个样本分别用基于高斯过程Ξ种方法进行的建模分析:方法一为基本 的高斯过程(GP)预测模型;方法二为由主成分分析(PCA)和高斯过程融合的PCA-GP预测模 型;方法Ξ为基于模式分类的融合高斯过程(PC-PCA-GP)预测模型。建模过程所设及的光谱 预处理方法为：提取有效波段范围在1350皿-2400皿区间的光谱;进行Salvitzky-Golay平 滑，平滑窗口大小为13个样本点，回归函数选用二次多项式;基于GP模型进行离群点检测剔 除。所设及的高斯过程核函数为平方指数协方差函数(SE)。所设及的高斯过程参数估计采 用两轮网格法捜索寻优。方法二所设及的PCA降维过程经基于贡献率并捜索寻优得到，最终 确定主成分数为10个。所得模型根据W校正均方根误差(MSEC)、留一法交叉验证均方根误 差(RMSECV)Jearson相关系数RW及变异系数CV为指标综合评价。
[0063] 图4所示为对样本点经方法二PCA-GP用留一法交叉验证后输出的预测结果，可见 该方法不但较为准确地给出了灰分值的预测值，而且给出了预测值的Ξ倍标准差置信区 间，对应的置信水平为99.74%，方法还可根据实际需求调整置信水平。
[0064] 表1基于近红外光谱的煤灰分建模方法对比
[00 化]
[0066]为具体评估本发明中基于高斯过程的灰分预测模型的建模效果，将用方法一 (GP) 和方法二(PCA-GP)同常用的近红外光谱建模方法偏最小二乘回归(PLSR)针对本例样本做 建模对比，采用相同方法得出的评价指标，所有方法的结果均为综合优化后的最佳结果，见 表1。可W看出，在与PCA融合之后，基于高斯过程的预测模型RMSEC(0.61--〉0.20)、RMSECV (0.90--〉0.45)和〇^8.41--〉4.16)都显著下降，表明模型融合大大改善了模型对内部样本 的拟合精度和外部样本的预测精度，同时相关系数R(〇.62--〉0.89)显著增大，表明融合方 法对模型相关程度的提高也大有帮助。相比于目前应用最广的化SR，PCA-GP方法也同样在 预测精度W及模型相关程度上有明显优势（RM沈C: 0.20VS. 0.45，RMSECV: 0.45VS . 0.64，R: 0.89vs.0.77,CV:4.16vs.4.97)〇
[0067]表2基于SVM分类的PCA-GP对煤灰分的建模效果
[006引
[0069] 为评估方法Ξ基于SVM分类的PCA-GP方法的灰分预测模型的建模效果，将用方法 二(PCA-GP)和方法S(SVM-PCA-GP)经分类后不同煤种针对本例样本做建模对比，主要对比 变异系数CV，所有方法的结果均为综合优化后的最佳结果，见表2。可W看出，除了对瘦煤的 灰分预测精度发生下降W外，对于每种煤的灰分的预测精度均得到改善。
[0070] 上面所描述的具体实施例仅仅是对本发明的优选实施方式进行描述，并非对本发 明的范围进行限定，在不脱离本发明设计精神的前神下，本领域相关技术人员对本发明的 各种变形和改进，均应扩如本发明权利要求书所确定的保护范围内。
[0071] 尽管本文较多地使用了均方根误差、变异系数等术语，但并不排除使用其它术语 的可能性。使用运些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任 何一种附加的限制都是与本发明精神相违背的。
【主权项】
1. 一种基于高斯过程的近红外光谱煤灰分快速检测方法，其特征在于，包括以下步骤： 1) 利用近红外光谱仪，扫描煤样得到每个样本的光谱数据S0,并以煤样的灰分值作为 标定值YO; 2) 对所述的光谱数据SO进行预处理，得到处理后的光谱SI; 3) 确定高斯过程核函数，并根据所述的光谱Sl和标定值YO进行参数寻优计算，得到相 应的高斯过程模型GP; 4) 采集未知煤样的光谱数据，并重复步骤2)中的操作，得到未知煤样的光谱S; 5) 以光谱S作为所述高斯过程模型GP的输入，得到所述未知煤样的灰分参数。2. 如权利要求1所述的近红外光谱煤灰分快速检测方法，其特征在于，所述的预处理包 括依次进行的有效波长识别、光谱变换处理和离群点检测。3. 如权利要求2所述的近红外光谱煤灰分快速检测方法，其特征在于，所述的有效波长 识别为提取有效波段范围在1350nm-2400nm区间的光谱，所述的光谱变换处理为进行 Salvitzky-Go lay平滑。4. 如权利要求1所述的近红外光谱煤灰分快速检测方法，其特征在于，在步骤3)中，以 平方指数协方差函数SE为所述的高斯过程核函数，其表示为：其中，X1, ^为分别表示两个变量，k为协方差函数，定义了两个变量之间的近似度， 1为高斯内核中的参数。5. 如权利要求1所述的近红外光谱煤灰分快速检测方法，其特征在于，在步骤3)中，得 到所述的高斯过程模型GP后需对模型进行评价验证，评价指标包括校正均方根误差、留一 法交叉验证均方根误差或预测均方根误差、Pearson相关系数R以及变异系数CV。6. -种基于高斯过程的近红外光谱煤灰分快速检测方法，其特征在于，包括以下步骤： 1) 利用近红外光谱仪，扫描煤样得到每个样本的光谱数据S0,并以煤样的灰分值作为 标定值Y0; 2) 对所述的光谱数据SO进行预处理，得到处理后的光谱SI; 3) 对所述的光谱S1进行PCA降维处理，得到光谱S2; 4) 确定高斯过程核函数，并根据所述的光谱S2和标定值YO进行参数寻优计算，得到相 应的高斯过程模型GP; 5) 采集未知煤样的光谱数据，并重复步骤2)和步骤3)中的操作，得到未知煤样的光谱 S； 6) 以光谱S作为所述高斯过程模型GP的输入，得到所述未知煤样的灰分参数。7. 如权利要求6所述的近红外光谱煤灰分快速检测方法，其特征在于，进行PCA降维处 理时，选用基于贡献率并限定范围内的搜索结合RMSECV来确定最优主成分数。8. -种基于高斯过程的近红外光谱煤灰分快速检测方法，其特征在于，包括以下步骤： 1) 利用近红外光谱仪，扫描煤样得到每个样本的光谱数据S0,并以煤样的灰分值作为 标定值Y0; 2) 对所述的光谱数据SO进行PCA降维处理，并对煤样样本进行样本预分类，得到相应的 类别标签L1和每类的原始光谱S 1O及标定值^。； 3) 确定高斯过程核函数，并根据所述的原始光谱S1O和标定值YO进行参数寻优计算，得 到该类i样本的高斯过程模型GP; 4) 采集未知煤样的光谱数据，并重复步骤2)中的操作，得到未知煤样的光谱S; 5) 以光谱S作为对应类的高斯过程模型GP的输入，得到所述未知煤样的灰分参数。9. 如权利要求8所述的近红外光谱煤灰分快速检测方法，其特征在于，在步骤2)中，采 用模式分类方法进行样本预分类。10. 如权利要求9所述的近红外光谱煤灰分快速检测方法，其特征在于，所述的模式分 类方法为支持向量机，若为多分类问题则转化为二分类问题再进行分类。
【专利摘要】本发明公开了一种基于高斯过程的近红外光谱煤灰分快速检测方法，包括以下步骤：1)利用近红外光谱仪，扫描煤样得到每个样本的光谱数据S0，并以煤样的灰分值作为标定值Y0；2)对所述的光谱数据S0进行预处理，得到处理后的光谱S1；3)确定高斯过程核函数，并根据所述的光谱S1和标定值Y0进行参数寻优计算，得到相应的高斯过程模型GP；4)采集未知煤样的光谱数据，并重复步骤2)中的操作，得到未知煤样的光谱S；5)以光谱S作为所述高斯过程模型GP的输入，得到所述未知煤样的灰分参数。本发明通过采集煤样光谱，结合基于高斯过程的数学模型对光谱进行计算，可以在短时间内得到煤质灰分参数并给出相应的预测值置信区间。
【IPC分类】G01N21/359, G01N21/3563
【公开号】CN105486661
【申请号】CN201610058289
【发明人】郝峻青
【申请人】山西汾西矿业（集团）有限责任公司, 浙江大学
【公开日】2016年4月13日
【申请日】2016年1月28日
最新回复(0)