【技术实现步骤摘要】
本申请涉及煤质检测领域，更具体地说，涉及一种基于近红外光谱法的煤炭取样方法。
技术介绍
1、煤炭是我国重要的基础能源和工业原料。为保证流通领域煤炭质量，需要对商品煤进行准确的质量检测和控制。而煤炭取样是整个煤质检测过程的首要环节，其科学性和代表性直接影响到后续煤质分析结果的准确性。目前，我国商品煤取样主要采用人工采取方法，依据gb/t 475-2008《商品煤样人工采取方法》执行。
2、该标准规定，在开始煤炭人工取样前，需要根据煤炭品质特性参数(一般为干基灰分)确定取样精密度。之后按照标准规定的程序，确定取样单元数和单元子样数，再采用连续采样或间断采样的方式进行采样。为保证取样结果满足精密度要求，标准要求在采样过程中采用双份或多份采样方法，分别制样送检，再通过统计学方法计算取样精密度。然而，这种先考核精密度的取样方法在实际煤炭贸易中存在诸多不足，难以严格执行。
3、理想的商品煤取样方式是能实时计算精密度，并据此动态调整取样方案，但目前尚无相关报道。近年来，近红外光谱、激光诱导击穿光谱、x射线荧光光谱等快速煤质分析技术不断发展。其中，近红外光谱法对实验室煤样分析准确度高，但现场分析准确度仍不理想；激光诱导击穿光谱能快速测定煤质参数，但设备昂贵且需要样品预处理；x射线荧光光谱法能准确分析煤中成灰元素，结合近红外光谱能实现发热量、灰分等的快速检测，但仍存在设备昂贵、需样品预处理、难以现场应用等局限。
技术实现思路
1、1.要解决的技术问题
2、针对现有
3、2.技术方案
4、本申请的目的通过以下技术方案实现。
5、本申请提供一种基于近红外光谱法的煤炭取样方法，包括：获取煤样的近红外光谱图和煤质参数，构建数据集s1；其中，煤质参数包含水分、灰分、挥发分和发热量；对数据集s1进行预处理，得到数据集s2；构建u-net网络模型；利用数据集s2训练u-net网络模型；获取采样现场初始采集的煤样，进行破碎分组，得到多组子样；采用近红外光谱仪测定各子样的近红外光谱图作为输入，利用训练后的u-net网络模型，预测对应的煤质参数；将各组子样进行交叉分组配对称量，计算每对煤样重量差的相对偏差；根据重量差的相对偏差和预测的煤质参数，计算采样精密度；将计算得到的采样精密度与目标精密度进行比较，调整采样方案，根据调整后的采样方案，获得煤炭采样结果。
6、具体的，以u-net语义分割网络为基础构建端到端煤质参数预测模型；输入为近红外光谱图，通过编码器提取多尺度光谱特征，解码器逐步恢复原始分辨率；跳跃连接在编码和解码层之间传递细节信息，保证预测结果的精细程度；模型输出为与光谱图分辨率一致的煤质参数图，每个像素代表对应位置的参数值。将采集的子样光谱图输入训练好的u-net模型，预测得到对应的煤质参数图；对预测结果进行后处理(如平均池化、阈值分割)，得到各子样的煤质参数预测值；基于光谱的快速预测为后续采样精密度计算提供了及时反馈。将子样两两配对，交叉称重，计算配对子样重量差的相对偏差；相对偏差反映了子样间的均匀程度，是评估采样代表性的重要指标。结合子样重量差相对偏差和预测的煤质参数，按照统计学方法计算采样精密度；将实际采样精密度与预设目标值比较，以此判断是否需要调整采样方案；精密度比对结果反映了当前采样方案的可靠性，是动态优化的依据。如果实际采样精密度达标，则以当前方案完成采样；否则启动自适应调整机制；通过检测煤样标称粒度，计算理论最小子样重量，并按照一定比例增加实际采样量；重复迭代更新采样方案，直至精密度满足要求或达到重量调整上限；自适应调整实现了采样过程的闭环优化控制，在保证采样质量的同时提高了效率。
7、进一步的，对数据集s1进行预处理，得到数据集s2，包括：采用savitzky-golay算法对近红外光谱图的每个波长点进行二阶求导，得到二阶导数光谱图；二阶导数处理可放大光谱的细微特征，突出不同煤样之间的煤质差异；设置s-g卷积平滑参数，包括平滑点数为5-15点，多项式阶数为2-3阶；以平滑点数为窗口宽度，在二阶导数光谱图上滑动窗口，使用多项式对窗口内数据进行最小二乘拟合，以窗口中心点的拟合值替代原始值，实现光谱平滑去噪；s-g卷积平滑处理可有效去除二阶导数光谱图中的高频噪声，提高信噪比；对平滑处理后的二阶导数光谱图和对应的煤质参数进行数据增强，得到数据集s2；采用旋转、平移、缩放、翻转等数据增强方法，根据光谱数据的特点，合理设置增强参数，在不改变光谱主要特征的情况下，生成更多的光谱-煤质参数对，扩充数据集；数据增强处理可有效缓解样本不足的问题，提高模型的泛化能力；将数据增强后的二阶导数光谱图及对应煤质参数构成数据集s2。
8、具体的，对原始近红外光谱-煤质参数数据集(s1)进行预处理是十分关键的环节。通过合理的数据预处理操作，可以有效提高光谱数据的信噪比，凸显煤质特征，为后续建模奠定良好基础。savitzky-golay(s-g)二阶导数计算：采用s-g算法对近红外光谱图的每个波长点进行二阶求导，得到对应的二阶导数光谱图；s-g导数是一种基于滑动窗口多项式拟合的平滑求导方法，可有效降低光谱数据中的噪声影响；二阶导数可放大光谱中的特征信息，如吸收峰、拐点等，更加突出煤质参数的差异性。s-g导数计算公式为：其中，f(x)为原始光谱，f”(xi)为二阶导数光谱，xi为第i个波长点，h为波长间隔，m为滑动窗口半宽度，ck为拟合多项式的系数；通过调整滑动窗口宽度和拟合多项式阶数，可平衡平滑效果和特征保留程度。s-g卷积平滑：在得到二阶导数光谱图后，进一步采用s-g卷积对其进行平滑处理；s-g卷积平滑是一种基于局部多项式回归的滤波方法，可去除高频噪声的同时保留有用信号。s-g卷积平滑的数学表达式为：其中，xi为输入序列(即二阶导数光谱)，yi为平滑后的输出序列，m为滑动窗口半宽度，ck为卷积系数；卷积系数ck可根据多项式拟合的最小二乘解析解预先计算得到，存储为卷积核；通过优化卷积核宽度和多项式阶数，可在去噪和保形之间取得平衡，改善光谱数据质量。
9、进一步的，得到数据集s2之后，还包括：采用五折交叉验证方法，将数据集s2等分为五个子集：将数据集s2随机划分为五个互不相交、大小相似的子集，编号为s21,s22,s23,s24,s25；每个子集包含数据集s2的五分之一样本，既有光谱数据，也有对应的煤质参数；遍历子集，进行交叉验证，使用子集s2i作为测试集；使用其余四个子集作为训练集和验证集，其中验证集样本数量为测试集的一半；使用训练集和验证集训练模型，使用测试集评估模型性能；记录模型在测试集上的评估指标，如精度、召回率、f1值等；将五次交叉验证的平均性能指标的算术平均值，作为模型在数据集s2上的整本文档来自技高网...
【技术保护点】
1.一种基于近红外光谱法的煤炭取样方法，包括：
2.根据权利要求1所述的基于近红外光谱法的煤炭取样方法，其特征在于：
3.根据权利要求2所述的基于近红外光谱法的煤炭取样方法，其特征在于：
4.根据权利要求2所述的基于近红外光谱法的煤炭取样方法，其特征在于：
5.根据权利要求4所述的基于近红外光谱法的煤炭取样方法，其特征在于：
6.根据权利要求5所述的基于近红外光谱法的煤炭取样方法，其特征在于：
7.根据权利要求6所述的基于近红外光谱法的煤炭取样方法，其特征在于：
8.根据权利要求7所述的基于近红外光谱法的煤炭取样方法，其特征在于：
9.根据权利要求8所述的基于近红外光谱法的煤炭取样方法，其特征在于：
【技术特征摘要】
1.一种基于近红外光谱法的煤炭取样方法，包括：
2.根据权利要求1所述的基于近红外光谱法的煤炭取样方法，其特征在于：
3.根据权利要求2所述的基于近红外光谱法的煤炭取样方法，其特征在于：
4.根据权利要求2所述的基于近红外光谱法的煤炭取样方法，其特征在于：
5.根据权利要求4所述的基于近红外光谱法的煤炭...
【专利技术属性】
技术研发人员：徐志彬，张晓艳，左玉昊，高文远，
申请(专利权)人：中国检验认证集团河北有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。