精煤发热量的近红外光谱检测方法研究

宁石茂

(山西焦煤西山煤电集团有限公司 屯兰矿选煤厂，山西 古交 030206)

煤炭的发热量是指单位质量的煤燃烧后产生的热量，是衡量煤炭质量的重要指标，也是煤炭计价的重要依据[1-2]。我国在能源资源的利用过程中大多以煤炭的低位发热量作为计算基础，煤炭的发热量越高，燃烧越旺盛，其经济价值愈大。目前，工业上对煤发热量的主要测定方法有绝热式热量计法[3]和氧弹热量计法[4]，但二者在测定过程中容易受到仪器、人为因素的影响，且存在检测速度慢、分析周期长等缺陷[5]。

近红外漫反射光谱分析技术[6-7]作为快速、无损检测的新方法，能够利用红外光发射器将光源照射在煤样上，并将漫反射光反馈给检测探头，传递给数据采集系统，进而分析出煤质内部成分信息。雷萌[8]等2013年利用KPCA建立了煤炭发热量的定量分析模型，并提取了前10个主成分的累积贡献率，能够准确地判断异常样品，输出的变量相关性良好，模型的准确性高。张林[9]等2013年分别采用偏最小二乘法和主成分分析法建立了煤发热量的定量模型，并分析了不同光谱预处理下模型的好坏，结果显示5点平滑去噪处理后建立的主成分分析模型最优。

本研究采取工业检测方法测定煤炭低位发热量，通过剔除异常样品后建立了基于主成分分析[10](PCA)算法的近红外定量数学模型，对光谱数据进行了压缩和信息提取，并与工业上的检测结果进行了对比分析。

1 试验

1.1 煤样来源

本次试验的150个精煤煤样全部由西山煤电集团屯兰矿选煤厂提供，经过破碎、筛分、混合和缩分[11-12]等步骤后制成，粒度为0.5～0 mm，每个样品的低位发热量工业方法检测结果如图1所示。由图1可以看出，煤样整体呈现正态分布，发热量主要集中在18.90～21.00 MJ/kg区间，共有99个样品。

图1 精煤低位发热量的样品分布图Fig.1 Distribution of net calorific values of clean coal samples

1.2 光谱采集

使用Spectrastar 2500XL近红外光谱仪对精煤的漫反射光谱进行数据采集。该仪器波长范围为800～2 500 nm，分辨率为16 cm-1，光源为平均无故障率为10 000 h的卤钨灯，采用高性能超级制冷InGaAS检测器。试验时，对每个光谱采集三次，取其平均值作为原始光谱。

1.3 评价指标

将采集的150个煤样分成校正集和验证集两组，校正集为120个样品，剩余30个样品作为验证集，用来验证模型的稳定性。模型的好坏通过相关系数(R2)、校正集的均方根误差(RMSEC)和交叉验证均方根误差(RMSECV)来评价，相关系数越大，RMSEC和RMSECV越低且接近，说明模型精度越高，预测能力越好。

2 结果分析

2.1 光谱分析

图2为部分煤样的平均原始光谱图。由图2可以看出：在1 000 nm附近，煤样有较强的吸收峰，很可能是O—H基团的相关信息，在1 400、1 700、2 300 nm处有较小的波峰，可能与C—O的合频吸收谱带相关。每个光谱信息大致相同，特征峰值不完全重合，具体的信息需要建模后做进一步分析。

图2 部分煤样的平均原始光谱

2.2 异常样品剔除

在试验过程中，由于受环境、人为等因素的影响，会产生一些噪声，进而影响光谱的质量，故利用TQ Analyst软件中的Spectrum Outlier功能来检验精煤样品的异常光谱，将马氏距离从低到高依次排列，如图3所示，虚线右侧的光谱(79#、35#、128#、31#、72#)被判定为异常光谱，在建模过程中应予以剔除。

图3 精煤样品的马氏距离检测结果

2.3 光谱预处理

近红外光谱的预处理能够滤除高频噪声产生的干扰，提取出有效的光谱数据，优化光谱的范围等。采用一阶微分、15点平滑和多元散射校正(MSC)分别建立主成分分析的回归模型，发现一阶微分处理后的效果最差，校正集的相关系数仅为0.208；经过多元散射校正处理后的模型效果最优，相关系数达到0.909，校正集均方根误差为0.001 31，交叉验证均方根误差为0.001 62，最佳建模结果如图4所示，与工业检测结果接近。

图4 多元散射校正后的PCA建模结果

2.4 主成分分析

主成分分析能够准确地压缩光谱数据，较好地处理好线性问题，是一种常用的多元线性分析方法。经剔除异常样品后建立的主成分分析模型结果如图5所示。不难看出，前三个主成分累计方差贡献率达到了93.786%，模型的方差显示了足够好的效果，说明精煤低位发热量之间的相关性较强。

图5 煤发热量的主成分累积贡献率

3 结论

研究采用主成分分析算法结合近红外光谱分析技术分析了精煤的低位发热量，通过马氏距离剔除异常样品，建立了基于不同光谱预处理后的PCA定量模型，可得出以下结论：

(1)经过多元散射校正处理后的模型效果最优，相关系数达到0.909，校正集均方根误差为0.001 31，交叉验证均方根误差为0.001 62。

(2)进一步分析发热量的定量模型，结果显示，前三个主成分累计方差贡献率达到了93.786%，说明精煤低位发热量之间的相关性较强，模型具有较强的预测能力。

(3)由于目前工业上主要测定方法在测定过程中容易受到仪器、人为因素的影响，存在检测速度慢、分析周期长等缺陷，该研究为精煤发热量的检测提供了一个新方法。

[1] 刘晓国，赵志根，黄文辉. 汝箕沟煤矿煤发热量的回归分析研究[J]. 洁净煤技术，2011(4): 51-53.

[2] 陈开玲，郝 俊. 基于多元线性回归的洗混煤低位发热量数学模型研究[J]. 选煤技术，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 煤的发热量测定方法[S].

[5] 闫宏伟，陈鹏强，陆辉山，等. 基于NIRS的煤样定量检测技术研究[J]. 煤炭技术，2014, 33(4): 224-226.

[6] 严衍禄，陈 斌，朱大洲，等. 近红外光谱分析的原理、技术与应用[M]. 北京：中国轻工业出版社，2013: 1-16.

[7] 周孟然. 煤矿瓦斯的激光光谱检测技术研究[M]. 合肥：合肥工业大学出版社，2012:57-66.

[8] 雷 萌，李 明. 采用KPCA特征提取的近红外煤炭发热量预测模型[J]. 化工学报，2012, 63(12): 3991-3995.

[9] 张 林，陆辉山，闫宏伟，等. 煤粉发热量近红外光谱检测的预处理方法研究[J]. 光谱学与光谱分析，2013, 33(12): 3212-3215.

[10] 李彦周，闵顺耕，刘 霞. 主成分分析在近红外定量分析校正集样本优选中的应用[J]. 分析化学，2007, 35(9): 1331-1334.

[11] 解维伟. 煤化学与煤质分析[M]. 北京：冶金工业出版社，2012: 71-76.

[12] 孙 刚，方全国，郑凤轩，等. 煤炭采样重要理论问题的分析[J]. 煤炭学报，2013, 38(7): 1283-1286.