基于激光诱导击穿光谱的煤样典型特性研究北大核心CSCD

为了准确检测煤样的各种元素含量、灰分和发热量等工业指标,提出利用激光诱导击穿光谱技术进行煤样的光谱强度信息采集。激光诱导击穿光谱技术作为一种新型的元素分析技术,通过高能脉冲激光聚集在样品表面,分析等离子体释放出的元素谱线信息,得出样品元素含量和组成。而光谱信息采样的延迟时间是光谱检测中一个非常重要的参数,为了研究延迟时间对煤样激光诱导击穿光谱信号强弱的影响,提出了通过连续背景强度变化和相对标准偏差计算来判定测量煤样的最佳延迟时间。本研究选取山东济南众标科技有限公司的三种标准煤样作为研究对象,实验测试使用Nd∶YAG脉冲激光器,波长为1064nm。对于煤质的检测,采用AvaSpec Dual型光纤光谱仪,光谱探测波长范围为两通道195~467nm和615~973nm。延迟时间为247~252μs对三种标准煤样ZBM100、ZBM101、ZBM104的光谱信息进行特征分析,通过光谱信号强度和连续背景强度随延迟时间变化的关系,判断出247~252μs范围内的最佳延迟时间。随着延迟时间的增加,连续背景强度快速衰减,在250μs时,连续背景强度和光谱信号强度分别衰减到延迟时间为247μs时的30和50。其次通过在不同延迟时间下相对标准偏差的计算,判断出标准煤样样本中Al、Si、Fe三种元素最佳延迟时间为247μs、248μs、249μs所对应的标准偏差达到最小值,得到因选用标准煤样对象不同其相对标准偏差对应元素的最佳延迟时间也会有所差异。研究结果表明,三种标准煤样ZBM100、ZBM101、ZBM104的光谱强度在247~252μs的最佳采样延迟时间为250μs。此实验研究结果,为激光诱导击穿光谱技术探测和分析煤质检测的最佳延迟时间提供了依据。     

基于激光诱导击穿光谱技术的煤灰分特征研究

灰分是衡量煤炭质量优劣的关键指标,是衡量煤矿和选煤厂煤炭产品质量的主要指标之一。针对传统煤灰分含量识别效率低、煤样本质量不高的问题,本文基于粒子群优化算法(PSO)和BP神经网络,提出了基于粒子群神经网络的煤炭灰分预测模型。目的是快速识别出煤炭产品中灰分的含量,为煤炭开采提供技术支撑。研究选取了180个标准煤粉样品,1～140号样本数据用于训练集,141～180号样本数据作为测试集。应用PSO BP模型对煤炭灰分特性进行了研究,仿真结果表明:优化后的6维BP神经网络模型,决定系数R2为088501越接近1,表明建立的PSO BP模型具有较好的预测性能,灰分预测值与灰分真值无限逼近。进而表明所构建的灰分预测模型具有较高的预测精度,提升了模型的泛化能力和预测精度,为后续的LIBS术应用于煤炭检测提供一定的理论依据。