基于LIBS的燃煤电厂煤质在线智能检测研究

摘要：常规的煤质在线检测方法以灼烧称重的形式为主，经过采样、化验等多个环节，影响了煤质分析的准确性。因此，本文设计了基于LIBS的燃煤电厂煤质在线智能检测方法。提取燃煤电厂煤质光谱特征，分析光谱线上的化学、物理状态信息。基于LIBS构建燃煤电厂煤质在线智能检测模型，映射光谱特征与煤质指标之间的关系。使用定标检测电厂煤质单变量元素，建立LIBS光谱数据定量关系，准确检测单元素的含量。本文采用对比试验，试验结果表明该方法的检测准确性更高，能够应用于实际。

关键词：LIBS；燃煤电厂；煤质；在线智能检测方法

中图分类号：O657""""""""" 文献标志码：A

燃煤电厂是用煤炭作为燃料的电力工厂，煤炭经过输送、制备、燃烧、发电、废气排放和灰渣处理后，完成一次发电步骤，保证电力稳定供应。煤质是煤炭的物理、化学和工艺性质，对煤炭的利用方式、燃烧效率有重要影响。为了提高煤炭燃烧效率，研究人员设计了多种煤质检测方法。其中，基于便携式激光诱导击穿光谱仪的燃煤电厂煤质在线智能检测方法与基于微服务架构的燃煤电厂煤质在线智能检测方法应用较为广泛[1-2]。以上2种方法分别使用了便携式激光诱导击穿光谱仪和微服务架构分析煤炭燃烧数据，数据涉及范围较广，最终检测结果有一定误差[3]。因此，本文结合LIBS的优势设计了燃煤电厂煤质在线智能检测方法。

1燃煤电厂煤质在线智能LIBS检测方法设计

1.1提取燃煤电厂煤质光谱特征

煤炭资源深埋地下，能够燃烧发电，对电力发展的作用十分重要。煤炭成分较为复杂，化学组成结构较多[4]。在燃煤电厂的煤炭资源以煤粉颗粒的形式存在，煤质成分包括C、H、O、N、S、Si、Al、Fe、Ca、Mg、Ti、K和Na等元素，除了S以外，均能够利用LIBS技术进行检测。根据光谱信息获取有效光谱图，对煤质各种元素的特征光谱线进行分析，提取光谱线上的化学、物理状态信息，为后续煤质检测提供基础条件。煤质光谱特征谱线见表1。

在提取光谱线信息后，对光谱进行预处理，筛选合适的谱线作为检测基础条件，避免检测失误。大量测量并计算平均值，能够结合数理统计，将误差范围缩小至允许值之内。当煤质光谱谱线出现异常时，激光发射煤炭样品表面的光谱数据传输量级存在变化。此时，在同样的条件下，多次测量煤质光谱数据，减少检测误差。煤质光谱特征向量的标准偏差如公式（1）所示。

（1）

式中：S为煤质光谱特征向量的标准偏差；xi为第i次测量得到的LIBS数据；x为xi的算术平均数；n为测量次数。当最终得到的光谱数据低于S-0.5或超过S+0.5的阈值时，证明光谱数据为异常状态，予以剔除。仅留下与S几乎一致的光谱数据，生成光谱谱线，保证后续煤质检测的准确性。

1.2基于LIBS构建燃煤电厂煤质在线智能检测模型

煤质是煤炭的性质，不同煤炭样品的煤质指标不同，灰分、水分、挥发分和发热量也存在变化。根据煤质灰分、水分、挥发分和发热量在光谱数据上的变化特征，映射光谱特征与煤质指标之间的关系[5]。灰分、水分、挥发分和发热量彼此有统计学意义，分别为矿物质、自由水、气体混合物和分解释放能量值。本文利用LIBS技术，得到煤质光谱数据，并采用3种煤质指标与光谱数据混合建模的方案，形成煤质在线智能检测模型，如图1所示。

由图1可知，灰分、水分的含量值与光谱数据在数量级方面有差异，将灰分、水分与光谱数据结合进行分析，能够得到更加准确的煤质信息。GS法为泛化光谱，能够将灰分、水分含量组合为光谱数据，检测发热量与挥发分情况。GS法输出的检测值如公式（2）所示。

式中：x'为GS法输出的检测值；j为常数，满足0＜max（|x'|）＜1的整数。灰分、水分含量值与LIBS光谱数据经过归一化处理后，首尾拼接为自变量矩阵，得到更加准确的检测值。MLR-PLS为多元线性回归与偏最小二乘集成法，能够将灰分、水分含量作为自变量，直接得到发热量、挥发分的检测值，如公式（3）所示。

式中：yMLR为MLR-PLS法输出的检测值；β0、β1和β2为MLR回归参数；Aa、Ma为灰分、水分含量；MR-PLS与非线性多变量回归有统计学意义，根据灰分、水分含量直接分析发热量与挥发分，增加灰分与水分的指数项。使用MR-PLS法得到的检测值如公式（4）所示。

式中：yMR为MR-PLS法得到的检测值；ω0、ω1、ω2、ω3和ω4为回归参数；Aa2、Ma2为灰分、水分含量的指数项。当x'≈yMLR≈yMR，三者差值为±0.1时，将三者进行平均数处理，得到的数据就是检测值。

1.3定标检测电厂煤质单变量元素

煤炭是一种复杂的天然有机物质，包括丰富的元素，其中碳、氢、氧、氮和硫是其主要成分，还含有多种微量金属元素。这些元素的含量和比例很大程度地影响了煤炭的性质和用途，因此，准确检测煤炭中的元素含量是煤质评价的关键环节。

LIBS技术是一种快速、无损的元素检测技术，在煤炭元素分析领域应用前景广泛。本文基于LIBS光谱信号原理研究影响C原子谱线的各种因素，进一步揭示了煤质检测中基体效应的来源。

在LIBS检测过程中，激光与煤炭样品的相互作用会产生等离子体，等离子体发射的光谱信号包括样品中所有元素的特征谱线[6]。由于煤炭样品具有复杂性和多样性，当激光与不同样品相互作用时会产生不同的基体效应，因此影响了光谱信号的稳定性和准确性。基体效应的本质是激光与物质在相互作用过程中发生的变化，这些变化可能导致光谱信号增强或减弱，造成检测误差。

为了准确检测煤炭中的单元素含量，须先标定C原子谱线受到光谱信号影响的因素。因素包括激光能量、脉冲频率和聚焦条件等试验参数以及煤炭样品的物理性质和化学组成等样品特性。优化这些参数和条件可以最大程度地减少基体效应的影响，提高光谱信号的稳定性和准确性。

在煤质基体效应中，物理性质的差异主要体现在煤炭样品的颗粒度、致密度和黏合性等方面。这些物理性质会影响激光与样品的相互作用，影响等离子体形成和光谱信号发射[7]。

在选取特征谱线方面，选择C I_247.86作为代表C元素含量的特征谱线。这条谱线的信号强度与稳定性较好，适合用于定量检测。根据C I_247.86谱线的信号强度与C元素质量分数建立单变量定量模型，快速、准确地检测煤炭中C元素的含量。在定标检测的过程中，将等离子光谱发射公式进行转换，如公式（5）所示。

式中：Is为光谱发射强度；F为物理约束；gs为主量元素；Es为转换能量；T为等离子体温度；K为谱线；Us为光谱信号；h为质量分数；v为燃烧速率；m为烧灼质量。在单变量元素检测过程中，T、m和xi为变量，其他均为常量。在T、m保持不变的条件下，Is与h成线性关系，根据Us反推单变量元素的煤质信息。采用内标法处理光谱后，谱线与内标谱线的强度不同。在内标元素不变的情况下，Is与T、h有统计学意义，消除了m变化对检测结果的影响，提高了煤质检测的准确性。

2试验

为了验证本文设计的方法是否满足燃煤电厂煤质在线智能检测需求，对上述方法进行试验。最终试验结果将文献[1]基于便携式激光诱导击穿光谱仪的方法、文献[2]基于微服务架构的方法以及本文设计的基于LIBS的燃煤电厂煤质在线智能检测的方法进行对比。具体的试验准备过程以及最终试验结果如下所述。

2.1试验过程

燃煤电厂使用的设备以直吹式锅炉为主，煤炭以颗粒的形式流入锅炉。利用LIBS技术进行煤质在线检测，须检测煤粉变化状态。本文利用LIBS技术搭建1个基础试验台架，其包括给料机、分离器、激光发生器、聚光镜和光谱仪等设备。试验台架如图2所示。整个试验装置是由传输装置、激光源、收光、分光装置和数据分析仪等元件组成的，能够进行LIBS数据分析、检测。为了提高本次试验数据的准确性，本文将光源分为4个部分，分别为火花、火焰、ICP和激光。火花的激发温度为10000K，火焰的激发温度为2000K～3000K，ICP的激发温度为6000K～8000K，激光的激发温度为10000K。火花、激光的激发温度相对较高，温度变化不同，满足本次试验需求。激光器的波长为1064nm，重复频率为10Hz，满足本次试验需求。本次试验共选取12种工业指标差异较大的煤炭样品，充分研磨各个煤炭样品，形成煤粉备用。启动鼓风机，将煤粉送入分离器，激光由光源发出，向外辐射光谱，获取煤粉的煤质信息，得到相应的检测结果。

2.2试验结果

在上述试验条件下，本文随机选取12种质类型，编号为C#01～C#12。并检测挥发分和发热量，实际值与检测值之间的误差越小，检测结果越准确。在其他条件均已知的情况下，对比文献[1]方法的检测值、文献[2]方法的检测值以及本文设计的检测方法的检测值。试验结果见表2。

在煤质样品C#01～C#04中，挥发分在21wt.%～29wt.%变化，发热量为21MJ/kg～26MJ/kg。使用文献[1]方法后，挥发分、发热量的检测值与实际值之间误差为±2，检测结果不准确，无法满足煤质检测需求。使用文献[2]方法后，挥发分、发热量的检测值与实际值之间误差为±0.2，检测性能比文献[1]方法好，但是需要进一步优化。使用本文方法后，挥发分、发热量的检测值与实际值之间误差为±0.01，甚至存在误差为0的情况，检测准确性更高，达到本文研究目的。

3结语

燃煤为电力主要供应方式，燃煤电厂的运行效率与安全性均受到广泛关注。煤质是燃煤电厂运行的关键，检测水分、挥发分、发热量和灰分等含量，分析燃煤电厂相关设备的运行情况，提高煤质燃烧效率。本文利用LIBS设计了燃煤电厂煤质在线智能检测方法。从光谱特征、检测模型和变量定标检测等方面检测更加准确的煤质信息。将激光诱导击穿光谱技术与人工智能技术相结合，快速得到高维度、非线性的煤质信息，提高了煤质检测的精准度。

参考文献

[1]窦有权，王庆松，王森，等. 便携式激光诱导击穿光谱仪的研制及其在煤质检测中的应用[J]. 中国无机分析化学，2023，13（9）：993-998.

[2]曹亮. 基于微服务架构的煤质检测试验室管控平台研究与设计[J]. 中国煤炭，2023，49（6）：73-78.

[3]邱诒耿，孟凡亮，李彦文. 基于LIBS的燃煤电厂煤质在线检测应用场景及入炉煤试验研究[J]. 自动化应用，2023，64（23）：139-141.

[4]王文毓，弓林娟，王林，等. 基于煤质在线检测的燃烧优化及自适应协调控制研究[J]. 动力工程学报，2023，43（2）：143-150.

[5]倪浩然，周清，朱秋阁，等. 样本量对激光诱导击穿光谱技术在煤质灰分检测的影响研究[J]. 煤炭加工与综合利用，2022（12）：86-91.

[6]邱诒耿，孟凡亮，李彦文. 基于LIBS的燃煤电厂煤质在线检测应用场景及入炉煤试验研究[J]. 自动化应用，2023

（23）：139-141.

[7]倪明辉，李燕，易镇鑫，等. 激光诱导击穿光谱（LIBS）在煤质检测中的应用现状[J]. 中国无机分析化学，2022，12（4）：9.