基于阿達瑪近紅外光譜技術的火電廠煤炭粒徑識別方法

王 帥 張云佳 王雪梅 喬建仙 顧子迪

(中國人民解放軍后勤工程學院化學與材料工程系)

基于阿達瑪近紅外光譜技術的火電廠煤炭粒徑識別方法

王 帥 張云佳 王雪梅 喬建仙 顧子迪

(中國人民解放軍后勤工程學院化學與材料工程系)

針對電力行業煤質分析的需求，基于近紅外光譜煤質分析技術設計HNIS-1G阿達瑪近紅外光譜煤質分析平臺。利用層次聚類算法對煤炭粒徑進行了無管理模式識別，結果表明：系統聚類準確率達95.54%，粒徑識別準確率達94.64%。

煤炭粒徑識別 阿達瑪近紅外光譜技術 煤質分析 層次聚類算法

煤炭作為我國的主要能源，對我國國民經濟的發展起著極其重要的作用。隨著經濟的快速發展，對煤炭的利用和研究也越來越廣泛和深入。火力發電廠的燃煤費用約占其運營成本的70%[1,2]，因此對入廠煤與入爐煤的煤質進行分析直接關系到電廠的安全生產與高效運行[3～7]。傳統的煤質分析采用化學方法，煤樣由人工采集制備，一批煤樣在進入分析流程后，需要等待6～8h才能得到結果，無法滿足電力企業發電廠鍋爐調整的需要[8,9]。由于傳統檢測方法的局限性，使得煤質快速分析檢測需求與數據輸出時間滯后的矛盾日益突出[10,11]。為此，筆者基于近紅外光譜煤質分析技術，設計了一個阿達瑪近紅外煤質分析平臺，并利用層次聚類算法對煤炭粒徑進行了無管理模式識別，以實現煤質快速在線檢測分析的目的。

1 近紅外光譜煤質分析技術

近紅外光譜分析技術可以在不破壞煤樣的基礎上同時對入廠煤或入爐煤的熱值、水分、灰分及揮發分等參數進行檢測，也可以按產地對電煤進行實時模式分類。因此，將近紅外光譜分析技術應用在電煤在線快速檢測上，不僅可以解決傳統化學方法費時、費力的問題，提高檢測效率，而且相對于同類γ射線儀器價格便宜了近十倍，有助于該技術的廣泛推廣[12]。

煤質分析分為元素分析和工業分析兩方面。元素分析是對煤中的硫、碳、氫、氧、氮元素含量進行分析，工業分析是對煤中的灰分、揮發分和水分進行分析[13～15]。近紅外光譜是由分子化學鍵的倍頻與組頻吸收引起的，主要反映了含氫基團(C—H，O—H，S—H，N—H)的特征信息[16]。而根據煤的分子結構可知，煤中碳、氧、硫、氮元素多以X—H的形式存在，因此，可以使用近紅外光譜技術測量煤炭的元素指標[17]。煤炭的工業指標與其元素組成之間存在“構效關系”，采用數據挖掘方法，對煤炭各個組分的含量和性質進行加和，就可以得到煤炭的灰分、揮發分、熱值及密度等工業指標。近紅外光譜技術與煤炭指標的關系如圖1所示。

圖1 近紅外光譜技術與煤炭指標的關系

2 阿達瑪近紅外光譜煤質分析平臺的設計

煤炭屬于固體樣品，因此需要采用漫反射近紅外光譜技術進行煤質檢測。雖然漫反射近紅外光譜技術在制藥、農業及煙草等領域中被廣泛應用，但是在煤質分析這一領域中的應用卻較少。原因主要有以下3個方面：

a. 煤炭屬于深色樣品，對光線的反射較弱，因此分析光攜帶的特征信息量較少，后期數據挖掘難度較大；

b. 煤炭的均勻性較差，也光譜數據離散性較大，不同樣品區域的表面性質不同，反射光不同，光譜數據需要經過積分平均處理，因此譜線的位置波動較大，導致光譜數據特征的提取難度較大；

c. 煤質在線分析不同于普通農產品的檢測，火電廠工況環境較差，要求儀器具備良好的抗振性和防潮性，儀器的光路設計中要盡可能避免引入可動光學部件，然而目前常用的分光技術在這一點上都受到不同程度的制約。

現有的傅里葉紅外光譜儀雖然能夠完成煤炭光譜的采集，但是儀器中含有光學棱鏡部件，抗振性和防潮性較差，也難以在火電廠等惡劣工況下穩定運行。

阿達瑪變換光譜技術是新一代數字變換光譜技術，具有光通量大、光譜信噪比高及掃描速度快等優點，其分光單元的實現方式是DMD數字微鏡芯片，由于是電路設計并采用了芯片封裝，因此整個分光核心具備很高的抗振性和穩定性，可以滿足火電廠煤質分析的需要。目前，國內外商品化的阿達瑪近紅外光譜儀較少，且光路未經優化，只能用于煙草、農產品等淺色樣品的檢測，不適合煤炭等深色粉末樣品的檢測。為了提高原始光譜信號的能量強度和數據特征，筆者設計了一個HNIS-1G阿達瑪近紅外光譜煤質分析平臺，為近紅外光譜煤質分析技術的應用提供保障。

HNIS-1G阿達瑪近紅外光譜煤質分析平臺的最上方為樣品轉臺，用于放置并固定樣品杯，由于平臺內部結構(圖2)復雜，為了簡化電機系統的設計，僅將光路系統(圖3)展示出來。鹵鎢燈紅外光源發出的復色光經透鏡聚焦后到達樣品杯底部，然后反射光進入單色器。轉臺電機負責為樣品轉臺提供動力，使樣品杯旋轉，以得到均勻的紅外光譜數據。平移電機主要為參考背景板(一般為鍍金材質、白色陶瓷或聚四氟乙烯)提供動力，當進行背景掃描時，背景板旋轉到達光路中，當進行樣品掃描時，背景板離開光路，鹵鎢燈光線直射樣品。

圖2 HNIS-1G平臺內部結構示意圖

圖3 煤粉樣品檢測光路示意圖

3 基于層次聚類算法的煤炭粒徑識別

煤質檢測可以分為兩個主要環節：煤炭樣品粒徑的識別和煤炭樣品指標的預測。研究中發現，不同粒徑的煤樣，其光譜譜線整體幅值差異很大(圖4)，即由粒徑因素造成的譜線整體幅值差異會掩蓋譜圖的微觀形貌差異。若不對煤炭的粒徑進行區分，則難以建立定量預測模型，過于離散的數據會帶來明顯的杠桿效應，因此，對煤炭粒徑進行準確識別是后續進行煤炭指標預測的前提。圖5為近紅外光譜煤質分析預測整體思路，可以看出，煤炭粒徑識別是其中必不可少的一個重要環節。

圖4 煤炭阿達瑪原始光譜

圖5 近紅外光譜煤質分析預測整體思路

試驗使用的煤炭樣品是從各地煤礦收集的16種煤，每種煤按照粒徑篩分為50、80、100、120、150、180、200目7種規格，共得到煤樣112個，主要用于考察不同粒徑煤樣共存的條件下，阿達瑪近紅外光譜對煤炭粒徑的區分效果。

3.1 整體思路

經過對光譜數據分析發現，1 680～2 000nm波長區間對煤炭粒徑特征較為敏感，且不與指標特征發生干擾，因此在該波長區間進行模式識別研究。試驗采用層次聚類算法，即從個體點開始，相繼合并兩個最接近的簇，直到剩下一個簇，該方法的偽指令如圖6所示。

試驗中，對112個煤樣進行兩次光譜數據采集，可獲得兩組試驗數據，第1組數據構成訓練集，第2組數據構成測試集。首先對已有的112個訓練集煤樣進行無管理層次聚類(圖7)，考察光譜特征與煤炭粒徑之間的內在關聯性，然后根據聚類結果建立類模型，最后利用模型對測試集中的煤樣進行粒徑識別。

圖6 層次聚類算法的偽指令

圖7 煤炭粒徑無管理層次聚類過程

3.2 建模

對利用HNIS-1G近紅外光譜煤質分析平臺測得的112個煤樣光譜數據進行無管理系統聚類，計算過程采用煤樣能量譜數據(預先經過背景基線校正)。煤樣間的距離計算采用絕對偏差距離方法，類之間的距離計算采用Ward距離方法。層次聚類結果如圖8所示，層次聚類偏差如圖9所示。從圖9中可以看出，當聚類偏差值為200時，曲線出現拐點，聚類誤差增大，因此112個煤樣可以自動聚為7類，剛好對應于7種煤炭粒徑規格。112個煤樣中除了5個煤樣粒徑聚類錯誤外，其余107個煤樣均聚類正確，無管理聚類準確率為95.54%，說明近紅外光譜可以反映煤炭的粒徑信息，這對煤炭指標的定量預測提供了有力保證。

圖8 112個煤樣的粒徑層次聚類結果

圖9 112個煤樣的粒徑層次聚類偏差

為便于看清圖8中的煤樣編號，對樣品集的前28個樣品進行重新聚類，結果如圖10所示，可以清楚地看到各粒徑的煤樣被聚在了一起，前28個煤樣的聚類中沒有異常聚類結果。

圖11為1～5號煤樣典型的近紅外能量譜，可以看出，隨著煤粉顆粒目數的增加，光譜能量呈升高趨勢。

3.3 煤炭粒徑識別

從訓練集中分別挑選具有代表性的煤樣作為標準樣品，用于粒徑建模。圖12中給出了用于建模的50、80、100、120目粒徑標準煤樣的近紅外譜圖。

圖10 樣品集前28個煤樣的粒徑層次聚類結果

圖11 1～5號煤樣典型的近紅外能量譜

采用距離判別方法對測試集煤樣進行粒徑判別，各煤樣與粒徑模型的距離判別結果如圖13所示。112個測試集煤樣中，除6個煤樣未能正確識別外，其余106個煤樣粒徑均正確識別，準確率為94.64%。

4 結束語

針對電力行業對煤質分析的需求，筆者研發了一個HNIS-1G近紅外光譜煤質分析平臺。采集了112個煤樣(7種粒徑規格)的阿達瑪近紅外譜圖進行模式識別研究，考察了阿達瑪近紅外光譜對煤炭粒徑的區分能力，提出了煤炭粒徑識別的特征提取方法和模式識別方法。利用層次聚類算法對煤炭粒徑進行了無管理模式識別，粒徑識別準確率達94.64%，表明阿達瑪近紅外光譜技術具有很好的煤炭粒徑區分能力，為后續開展煤炭質量指標的定量預測并建立穩定準確的煤炭質量指標預測模型提供了保障。同時，阿達瑪近紅外光譜儀具有良好的穩定性、抗振性和經濟性，更加適合惡劣工況下的煤質在線分析檢測，較其他煤質無損分析技術具有一定的優勢和較好的擴展潛力。

圖12 用于建模的標準煤樣近紅外譜圖

圖13 112個測試集煤樣的距離判別結果

[1] 張孝亮.快速煤質分析儀在集裝站煤質管理中的應用[J].煤質技術,2010,(5):42～44.

[2] 劉碩,齊詠生,王林,等.電站鍋爐煤耗與NOx排放混合建模與優化[J].石油化工自動化,2016,52(1):30～34.

[3] 原立志.我國煤質分析儀器發展現狀[J].內蒙古煤炭經濟,2014,(4):2.

[4] 李鳳瑞,肖寶蘭,唐玉國,等.應用近紅外光譜方法在線測定煤中水分[J].電站系統工程,2003,19(6):19～20.

[5] 李鳳瑞,唐玉國,肖寶蘭.應用近紅外光譜分析技術測量煤質發熱量[J].電站系統工程,2004,20(3):19～20.

[6] 肖寶蘭,李鳳瑞.國內外關于燃煤NOx形成、還原及減排措施的研究進展[J].發電設備,2004,18(6):350～352.

[7] 李鳳瑞,唐玉國,肖寶蘭.近紅外光譜分析技術預測煤質揮發分含量模型的研究[J].熱能動力工程,2003,18(6):582～584.

[8] 肖寶蘭,李鳳瑞,唐玉國,等.煤質在線分析技術應用現狀及研究[J].吉林電力,2003,(1):27～29.

[9] 楊麗.煤質分析在煉焦生產中的作用[J].科技創新導報,2010,(31):43.

[10] 王開明,蔡斌.煤質分析在配煤檢測中的作用[J].煤炭加工與綜合利用,2010,(3):28～29.

[11] 王友壯,顧炯,薛偉超.熱電廠煤質在線分析的應用研究[J].煤,2010,19(8):30～32.

[12] 趙丹丹.探討火力發電廠煤質分析的幾點改進[J].科技傳播,2013,(13):119～120.

[13] 周凌軍.淺析化工生產中如何提高煤質分析的準確度[J].中國石油和化工標準與質量,2013,(9):35.

[14] 孫洪賓.淺談如何提高煤質分析的準確度[J].廣東化工,2010,37(7):83～84.

[15] 李淑梅.煤質分析過程中的幾點改進[J].煤炭技術,2012,31(11):208～209.

[16] Xiao F,Rodriguez J,Arnold T C,et al.Near-infrared Spectroscopy:A Tool to Monitor Cerebral Hemodynamic and Metabolic Changes after Cardiac Arrest in Rats[J].Resuscitation,2004,63(2):213～220.

[17] 高楠.論近紅外光譜技術在煤質檢測分析中的應用[J].能源與節能,2016,(2):186～187.

CoalParticleSizeIdentificationMethodinThermalPowerPlantBasedonHadamardNearinfraredSpectroscopyTechnology

WANG Shuai, ZHANG Yun-jia, WANG Xue-mei, QIAO Jian-xian, GU Zi-di
(DepartmentofChemistryandMaterialsEngineering,PLALogisticEngineeringUniversity)

Considering the coal quality analysis required by the power sector, having NIR coal analysis technology based to design a HNIS-1G Hadamard NIR coal analysis platform was implemented. Making use of hierarchical clustering algorithm to identify the coal particle size shows that, the system clustering accuracy can reach 95.54% along with a 94.64% particle recognition accuracy.

coal particle size identification, Hadamard NIR, coal quality analysis, hierarchical clustering algorithm

TQ533.6

A

1000-3932(2017)02-0171-06

2016-08-22，

2016-12-20)

重慶市基礎與前沿研究計劃項目(cstc2015jcyjA100009)；中國人民解放軍后勤工程學院青年基金項目(YQ14-420902)。

王帥(1982-)，講師，從事儀器分析、紅外光譜和快速檢測的研究，ws0411101@163.com。