论文部分内容阅读
煤灰作为我国产量最大的工业废渣之一,严重影响到生态环境,是雾霾形成的主要原因之一。煤灰的成分决定着锅炉受热面的结渣趋势进而影响着锅炉的安全运行。因此快速准确测定煤灰成分可判断出入炉煤的结渣趋势,有助于煤灰的回收和再利用。激光诱导击穿光谱技术(Laser-induced breakdown spectroscopy, LIBS)是一种新型的基于原子发射的定性定量分析技术,具有无需复杂样品前处理、快速、准确和多元素同时分析等优势,因而在煤炭工业等领域得到了广泛应用。在LIBS测量过程中,由于受到复杂环境、基体效应等的影响,采集的光谱存在大量的干扰信息,严重影响了LIBS技术定性定量分析的准确度。借助化学计量学方法可有效提取特征信息和优化光谱数据,是提高LIBS定性定量分析精度的有效途径之一。本论文从煤灰回收和再利用的实际问题出发,将LIBS技术与化学计量学方法相结合,构建了不同的预测模型对煤灰的成分进行了定量分析以及其种类进行了判别分析。该研究丰富了LIBS技术的应用,为煤炭工业分析提供新方法和技术支撑。全文分为四章,主要研究内容如下：首先,我们研究了基于线性回归的建模--偏最小二乘(Partial least squares,PLS),基于K-S法对样本进行了校正集和预测集的筛选,且通过主成分分析与马氏距离相结合的方法对样本中的异常光谱进行了剔除。利用构建的PLS模型对煤灰中的七种主要成分进行分析,得到较好的预测结果(相关系数R>0.9000),且相比传统的PLS模型,经剔除异常光谱后构建的模型预测精度更高。其次研究了非线性建模--小波神经网络(Wavelet neural network,WNN)。对模型的输入变量进行了不同方法的筛选,且优化了模型的各个参数。分别构建了WNN与人工神经网络模型(ANN)对煤灰的主要成分进行同时分析,基于均方根误差和相关系数两个评估参数得出,相比于ANN, WNN模型表现出更优异的预测性能且预测精度提高。最后研究了多种煤灰的分类方法。采用独立成分分析方法对光谱特征信息进行了提取,分别构建了小波神经网络模型和误差反向传播神经网络模型。结果显示两种模型都能将样本分类(分类精度达到95%以上),但相比于传统的误差反向传播神经网络,基于独立成分的小波神经网络的分类效果更好且分类精度更高。