摘要
煤中水分含量是煤质工业分析的主要指标之一，在煤的生产、运输以及加工利用过程中有着重要的指导意义，直接影响到相关企业的安全生产与经济效益。目前煤质水分传统的检测方法存在着分析耗时过长、重复性差等问题。近红外光谱技术能够实现快速、无损检测煤质的水分含量，有效解决了传统水分检测的问题，可以及时应对因煤质水分变化而带来的负面问题，以实现对煤更好的利用。 本论文介绍了近红外光谱技术的原理、预处理方法、异常数据剔除方法、样本集分类方法、特征波长选择方法以及相关的回归算法等。对13种相异煤样采集了不同含水量的O、M通道光谱各870条，剔除异常数据后，依据样本集分类方法分为校正集和预测集，并对原始光谱进行平滑(Smooth)、一阶求导(1-D)、多元散射校正(MSC)和标准归一化处理(SNV)处理;对原始光谱与各预处理光谱数据分别建立全波段的偏最小二乘(PLS)模型;通过相关系数法、连续投影算法(SPA)选择特征波长，建立对应的PLS、多元线性回归(MLR)模型;最后对原始光谱建立全波段的反向传输(BP)神经网络模型。 基于全波段与相关系数法的建模中，O、M通道的原始光谱PLS建模结果均优于各预处理方法，表明各预处理对该方法的建模没有明显的优化作用;利用SPA特征波长选择法，O通道MLR建模结果最优为原始光谱，M通道中经Smooth处理后光谱信息得到增强，其MLR模型效果最优。对比各建模结果，对O、M通道基于原始光谱的全波段BP神经网络模型评价指标均优于上述方法，O通道中，校正集相关系数(Rc)为0.9789，校正集均方根误差(RMSEC)为2.5820，预测集相关系数(Rp)为0.9723，预测集均方根误差(RMSEP)为3.0556，对应剩余预测残差(RPD)为4.119;M通道中，Rc为0.9822，RMSEC为2.3968，Rp为0.9653，RMSEP为3.3458，对应RPD为3.820。最后，分别利用O、M通道的最优模型对回归建模外的未知煤样光谱数据进行了预测，O通道中，对应相关系数、均方根误差、RPD分别为0.4322、16.0431、0.481;M通道中，对应相关系数、均方根误差、RPD分别为0.5932、7.2964、1.057。
NETL