基于阿达玛近红外光谱技术的火电厂煤炭粒径识别方法

王 帅 张云佳 王雪梅 乔建仙 顾子迪

(中国人民解放军后勤工程学院化学与材料工程系)

基于阿达玛近红外光谱技术的火电厂煤炭粒径识别方法

王 帅 张云佳 王雪梅 乔建仙 顾子迪

(中国人民解放军后勤工程学院化学与材料工程系)

针对电力行业煤质分析的需求，基于近红外光谱煤质分析技术设计HNIS-1G阿达玛近红外光谱煤质分析平台。利用层次聚类算法对煤炭粒径进行了无管理模式识别，结果表明：系统聚类准确率达95.54%，粒径识别准确率达94.64%。

煤炭粒径识别 阿达玛近红外光谱技术 煤质分析 层次聚类算法

煤炭作为我国的主要能源，对我国国民经济的发展起着极其重要的作用。随着经济的快速发展，对煤炭的利用和研究也越来越广泛和深入。火力发电厂的燃煤费用约占其运营成本的70%[1,2]，因此对入厂煤与入炉煤的煤质进行分析直接关系到电厂的安全生产与高效运行[3～7]。传统的煤质分析采用化学方法，煤样由人工采集制备，一批煤样在进入分析流程后，需要等待6～8h才能得到结果，无法满足电力企业发电厂锅炉调整的需要[8,9]。由于传统检测方法的局限性，使得煤质快速分析检测需求与数据输出时间滞后的矛盾日益突出[10,11]。为此，笔者基于近红外光谱煤质分析技术，设计了一个阿达玛近红外煤质分析平台，并利用层次聚类算法对煤炭粒径进行了无管理模式识别，以实现煤质快速在线检测分析的目的。

1 近红外光谱煤质分析技术

近红外光谱分析技术可以在不破坏煤样的基础上同时对入厂煤或入炉煤的热值、水分、灰分及挥发分等参数进行检测，也可以按产地对电煤进行实时模式分类。因此，将近红外光谱分析技术应用在电煤在线快速检测上，不仅可以解决传统化学方法费时、费力的问题，提高检测效率，而且相对于同类γ射线仪器价格便宜了近十倍，有助于该技术的广泛推广[12]。

煤质分析分为元素分析和工业分析两方面。元素分析是对煤中的硫、碳、氢、氧、氮元素含量进行分析，工业分析是对煤中的灰分、挥发分和水分进行分析[13～15]。近红外光谱是由分子化学键的倍频与组频吸收引起的，主要反映了含氢基团(C—H，O—H，S—H，N—H)的特征信息[16]。而根据煤的分子结构可知，煤中碳、氧、硫、氮元素多以X—H的形式存在，因此，可以使用近红外光谱技术测量煤炭的元素指标[17]。煤炭的工业指标与其元素组成之间存在“构效关系”，采用数据挖掘方法，对煤炭各个组分的含量和性质进行加和，就可以得到煤炭的灰分、挥发分、热值及密度等工业指标。近红外光谱技术与煤炭指标的关系如图1所示。

图1 近红外光谱技术与煤炭指标的关系

2 阿达玛近红外光谱煤质分析平台的设计

煤炭属于固体样品，因此需要采用漫反射近红外光谱技术进行煤质检测。虽然漫反射近红外光谱技术在制药、农业及烟草等领域中被广泛应用，但是在煤质分析这一领域中的应用却较少。原因主要有以下3个方面：

a. 煤炭属于深色样品，对光线的反射较弱，因此分析光携带的特征信息量较少，后期数据挖掘难度较大；

b. 煤炭的均匀性较差，也光谱数据离散性较大，不同样品区域的表面性质不同，反射光不同，光谱数据需要经过积分平均处理，因此谱线的位置波动较大，导致光谱数据特征的提取难度较大；

c. 煤质在线分析不同于普通农产品的检测，火电厂工况环境较差，要求仪器具备良好的抗振性和防潮性，仪器的光路设计中要尽可能避免引入可动光学部件，然而目前常用的分光技术在这一点上都受到不同程度的制约。

现有的傅里叶红外光谱仪虽然能够完成煤炭光谱的采集，但是仪器中含有光学棱镜部件，抗振性和防潮性较差，也难以在火电厂等恶劣工况下稳定运行。

阿达玛变换光谱技术是新一代数字变换光谱技术，具有光通量大、光谱信噪比高及扫描速度快等优点，其分光单元的实现方式是DMD数字微镜芯片，由于是电路设计并采用了芯片封装，因此整个分光核心具备很高的抗振性和稳定性，可以满足火电厂煤质分析的需要。目前，国内外商品化的阿达玛近红外光谱仪较少，且光路未经优化，只能用于烟草、农产品等浅色样品的检测，不适合煤炭等深色粉末样品的检测。为了提高原始光谱信号的能量强度和数据特征，笔者设计了一个HNIS-1G阿达玛近红外光谱煤质分析平台，为近红外光谱煤质分析技术的应用提供保障。

HNIS-1G阿达玛近红外光谱煤质分析平台的最上方为样品转台，用于放置并固定样品杯，由于平台内部结构(图2)复杂，为了简化电机系统的设计，仅将光路系统(图3)展示出来。卤钨灯红外光源发出的复色光经透镜聚焦后到达样品杯底部，然后反射光进入单色器。转台电机负责为样品转台提供动力，使样品杯旋转，以得到均匀的红外光谱数据。平移电机主要为参考背景板(一般为镀金材质、白色陶瓷或聚四氟乙烯)提供动力，当进行背景扫描时，背景板旋转到达光路中，当进行样品扫描时，背景板离开光路，卤钨灯光线直射样品。

图2 HNIS-1G平台内部结构示意图

图3 煤粉样品检测光路示意图

3 基于层次聚类算法的煤炭粒径识别

煤质检测可以分为两个主要环节：煤炭样品粒径的识别和煤炭样品指标的预测。研究中发现，不同粒径的煤样，其光谱谱线整体幅值差异很大(图4)，即由粒径因素造成的谱线整体幅值差异会掩盖谱图的微观形貌差异。若不对煤炭的粒径进行区分，则难以建立定量预测模型，过于离散的数据会带来明显的杠杆效应，因此，对煤炭粒径进行准确识别是后续进行煤炭指标预测的前提。图5为近红外光谱煤质分析预测整体思路，可以看出，煤炭粒径识别是其中必不可少的一个重要环节。

图4 煤炭阿达玛原始光谱

图5 近红外光谱煤质分析预测整体思路

试验使用的煤炭样品是从各地煤矿收集的16种煤，每种煤按照粒径筛分为50、80、100、120、150、180、200目7种规格，共得到煤样112个，主要用于考察不同粒径煤样共存的条件下，阿达玛近红外光谱对煤炭粒径的区分效果。

3.1 整体思路

经过对光谱数据分析发现，1 680～2 000nm波长区间对煤炭粒径特征较为敏感，且不与指标特征发生干扰，因此在该波长区间进行模式识别研究。试验采用层次聚类算法，即从个体点开始，相继合并两个最接近的簇，直到剩下一个簇，该方法的伪指令如图6所示。

试验中，对112个煤样进行两次光谱数据采集，可获得两组试验数据，第1组数据构成训练集，第2组数据构成测试集。首先对已有的112个训练集煤样进行无管理层次聚类(图7)，考察光谱特征与煤炭粒径之间的内在关联性，然后根据聚类结果建立类模型，最后利用模型对测试集中的煤样进行粒径识别。

图6 层次聚类算法的伪指令

图7 煤炭粒径无管理层次聚类过程

3.2 建模

对利用HNIS-1G近红外光谱煤质分析平台测得的112个煤样光谱数据进行无管理系统聚类，计算过程采用煤样能量谱数据(预先经过背景基线校正)。煤样间的距离计算采用绝对偏差距离方法，类之间的距离计算采用Ward距离方法。层次聚类结果如图8所示，层次聚类偏差如图9所示。从图9中可以看出，当聚类偏差值为200时，曲线出现拐点，聚类误差增大，因此112个煤样可以自动聚为7类，刚好对应于7种煤炭粒径规格。112个煤样中除了5个煤样粒径聚类错误外，其余107个煤样均聚类正确，无管理聚类准确率为95.54%，说明近红外光谱可以反映煤炭的粒径信息，这对煤炭指标的定量预测提供了有力保证。

图8 112个煤样的粒径层次聚类结果

图9 112个煤样的粒径层次聚类偏差

为便于看清图8中的煤样编号，对样品集的前28个样品进行重新聚类，结果如图10所示，可以清楚地看到各粒径的煤样被聚在了一起，前28个煤样的聚类中没有异常聚类结果。

图11为1～5号煤样典型的近红外能量谱，可以看出，随着煤粉颗粒目数的增加，光谱能量呈升高趋势。

3.3 煤炭粒径识别

从训练集中分别挑选具有代表性的煤样作为标准样品，用于粒径建模。图12中给出了用于建模的50、80、100、120目粒径标准煤样的近红外谱图。

图10 样品集前28个煤样的粒径层次聚类结果

图11 1～5号煤样典型的近红外能量谱

采用距离判别方法对测试集煤样进行粒径判别，各煤样与粒径模型的距离判别结果如图13所示。112个测试集煤样中，除6个煤样未能正确识别外，其余106个煤样粒径均正确识别，准确率为94.64%。

4 结束语

针对电力行业对煤质分析的需求，笔者研发了一个HNIS-1G近红外光谱煤质分析平台。采集了112个煤样(7种粒径规格)的阿达玛近红外谱图进行模式识别研究，考察了阿达玛近红外光谱对煤炭粒径的区分能力，提出了煤炭粒径识别的特征提取方法和模式识别方法。利用层次聚类算法对煤炭粒径进行了无管理模式识别，粒径识别准确率达94.64%，表明阿达玛近红外光谱技术具有很好的煤炭粒径区分能力，为后续开展煤炭质量指标的定量预测并建立稳定准确的煤炭质量指标预测模型提供了保障。同时，阿达玛近红外光谱仪具有良好的稳定性、抗振性和经济性，更加适合恶劣工况下的煤质在线分析检测，较其他煤质无损分析技术具有一定的优势和较好的扩展潜力。

图12 用于建模的标准煤样近红外谱图

图13 112个测试集煤样的距离判别结果

[1] 张孝亮.快速煤质分析仪在集装站煤质管理中的应用[J].煤质技术,2010,(5):42～44.

[2] 刘硕,齐咏生,王林,等.电站锅炉煤耗与NOx排放混合建模与优化[J].石油化工自动化,2016,52(1):30～34.

[3] 原立志.我国煤质分析仪器发展现状[J].内蒙古煤炭经济,2014,(4):2.

[4] 李凤瑞,肖宝兰,唐玉国,等.应用近红外光谱方法在线测定煤中水分[J].电站系统工程,2003,19(6):19～20.

[5] 李凤瑞,唐玉国,肖宝兰.应用近红外光谱分析技术测量煤质发热量[J].电站系统工程,2004,20(3):19～20.

[6] 肖宝兰,李凤瑞.国内外关于燃煤NOx形成、还原及减排措施的研究进展[J].发电设备,2004,18(6):350～352.

[7] 李凤瑞,唐玉国,肖宝兰.近红外光谱分析技术预测煤质挥发分含量模型的研究[J].热能动力工程,2003,18(6):582～584.

[8] 肖宝兰,李凤瑞,唐玉国,等.煤质在线分析技术应用现状及研究[J].吉林电力,2003,(1):27～29.

[9] 杨丽.煤质分析在炼焦生产中的作用[J].科技创新导报,2010,(31):43.

[10] 王开明,蔡斌.煤质分析在配煤检测中的作用[J].煤炭加工与综合利用,2010,(3):28～29.

[11] 王友壮,顾炯,薛伟超.热电厂煤质在线分析的应用研究[J].煤,2010,19(8):30～32.

[12] 赵丹丹.探讨火力发电厂煤质分析的几点改进[J].科技传播,2013,(13):119～120.

[13] 周凌军.浅析化工生产中如何提高煤质分析的准确度[J].中国石油和化工标准与质量,2013,(9):35.

[14] 孙洪宾.浅谈如何提高煤质分析的准确度[J].广东化工,2010,37(7):83～84.

[15] 李淑梅.煤质分析过程中的几点改进[J].煤炭技术,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.论近红外光谱技术在煤质检测分析中的应用[J].能源与节能,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)

重庆市基础与前沿研究计划项目(cstc2015jcyjA100009)；中国人民解放军后勤工程学院青年基金项目(YQ14-420902)。

王帅(1982-)，讲师，从事仪器分析、红外光谱和快速检测的研究，ws0411101@163.com。