基于激光诱导击穿光谱的生物质燃料特性分析研究
发布时间：2021-07-27 15:03
生物质颗粒燃料原料的不均匀性以及多样性,导致其生产过程和燃烧过程的质量监管存在一定的难度。生物质颗粒燃料的质量监管和生物质燃烧系统的设计与操作,主要取决于几个重要的生物质燃料特性指标,即高位热值,挥发分以及灰分含量。传统的生物质燃料特性分析试验存在耗时长和步骤繁琐的不足,难以满足实时掌握燃料的信息的需求,而现有的快速测量技术又存在一定的局限性。因此,本文将激光诱导击穿光谱技术（Laser-Induced Breakdown Spectroscopy,LIBS）应用于生物质燃料特性指标分析。由于生物质颗粒燃料的成型参数会随着制造商的不同而有所变化,进而可能会影响生物质燃料所得到的激光诱导等离子体的光谱特性及其特性指标的LIBS测量模型性能。因此,在LIBS技术应用于生物质颗粒燃料特性的测量之前,研究了生物质颗粒生产过程中的四个主要的成型参数（成型压力,成型温度,原料含水率以及原料粒径）各自对生物质颗粒燃料的LIBS光谱的影响。结果表明,在常用的颗粒成型参数范围内,成型压力和原料含水率对LIBS光谱的影响可忽略不计,而成型温度和原料粒径虽然对实验测量得到的LIBS光谱存在一点波动,但是影响...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
LIBS实验系统图
华南理工大学硕士学位论文39集200组光谱。表4-1六种生物质燃料颗粒的工业分析指标值样品水分(Md/%)灰分(Ad/%)挥发分(Vd/%)固定碳(FCd/%)木颗粒A6.841.6381.0410.49木颗粒B7.762.8379.989.43柚木颗粒4.842.5284.188.46云杉颗粒0.361.0284.6813.93花生壳颗粒1.7814.1968.2615.77玉米秸秆颗粒1.9724.3164.599.144.2主成分分析首先，对六种生物质燃料样品得到的LIBS光谱进行主成分分析（PCA）。将每个样品的每20幅光谱平均为1个点，即每个样品分成10个点，6个样品则为60个点。将生物质燃料的LIBS全波段光谱数据作为输入变量，对其进行PCA分析，得到其主成分的贡献率，如图4-1所示。由图4-1可见，PCA分析中前三个主成分的贡献率分别为55.75%、27.99%和9.67%，三个主成分的累积贡献率为93.41%，即能够对93.41%的LIBS光谱数据进行解释，保留了生物质燃料样品的原始光谱中的绝大部分信息，因此选用PCA前三个主成分进行研究。图4-1PCA主成分贡献率图
第四章基于LIBS的生物质燃料种类的定性识别40接着，计算PCA降维压缩LIBS全谱得到的前三个主成分对应的得分值，并将计算的结果在三维空间中展示，如图4-2所示。图4-2中的X、Y、Z轴分别为每个样品对应的PC1、PC2、PC3的值。由图4-2可见，每一类生物质颗粒的点都显示出汇聚现象，说明对于同一类生物质颗粒而言，多次测量的LIBS光谱具有较好的稳定性。此外，以木颗粒A、木颗粒B、柚木颗粒、云杉颗粒为代表的木本类生物质颗粒和以花生壳颗粒、玉米秸秆颗粒为代表的草本类生物质颗粒能够较好地被区分开。然而对于草本类生物质中的不同种类，其样品点靠得较近，甚至出现交叉现象，这是因为它们的性质和基体较为相似。同样地，木本类生物质中的不同种类也存在相似的现象。综上所述，仅利用PCA前三个主成分无法对生物质燃料的种类进行准确的判别，因此需要采用有监督的分类算法对其进行进一步的分析。图4-2生物质燃料样品的LIBS光谱的前三个主成分得分值分布图4.3特征光谱的选取在相同的实验条件和环境下利用LIBS设备对6种生物质燃料进行实验，并获得其LIBS光谱，将光谱中每个观察到的谱峰的波长与NIST的在线数据库[78]进行对比，从而确定元素的特征谱线。图4-3为6种生物质燃料的LIBS光谱图，由图中可见，生物质
【参考文献】：
期刊论文
[1]计量检测中异常数据剔除的有效方法[J]. 黄志恒. 科技风. 2019(33)
[2]正态曲线剔除法提高LIBS快速测量煤炭灰分精确度[J]. 陈小玄,卢志民,姚顺春,莫爵徽,赵静波,陆继东. 中国电机工程学报. 2019(04)
[3]小麦秸秆中K和Na元素LIBS同步定量分析研究[J]. 段宏伟,韩鲁佳,黄光群. 农业机械学报. 2019(02)
[4]激光诱导击穿光谱鉴别硫熏浙贝母[J]. 赵懿滢,朱素素,何娟,张初,刘飞,何勇,冯雷. 光谱学与光谱分析. 2018(11)
[5]基于贝叶斯定理的能源供应网络脆弱性研究[J]. 杨洋,刘旭,刘艺林,浮豪豪. 统计与决策. 2018(16)
[6]作物秸秆生物质原料可持续利用模式探究[J]. 侯新村,范希峰,朱毅,岳跃森,武菊英. 农学学报. 2018(04)
[7]生物质燃料特性对锅炉运行的影响[J]. 黄仕高. 科技创新与应用. 2017(18)
[8]LIBS对煤中热值检测的新型校正模型[J]. 王帝,陆继东,董美蓉,姚顺春,樊炬,田照华,王磊,李诗诗. 光谱学与光谱分析. 2016(08)
[9]基于激光诱导击穿光谱的燃煤挥发分定量分析[J]. 樊炬,王帝,陆继东,张博. 广东电力. 2015(09)
[10]基于近红外光谱和稀疏偏最小二乘回归的生物质工业分析[J]. 姚燕,王常玥,刘辉军,汤建斌,蔡晋辉,汪静军. 光谱学与光谱分析. 2015(07)
博士论文
[1]基于激光诱导击穿光谱技术的土壤理化信息检测方法研究[D]. 余克强.浙江大学 2016
[2]激光诱导击穿光谱中化学计量学方法研究及其在冶金分析的应用[D]. 张天龙.西北大学 2015
[3]生物质热转化过程中碱金属元素迁移的研究[D]. 张志昊.清华大学 2014
[4]激光诱导击穿光谱数据处理方法及在煤分析中的应用研究[D]. 谢承利.华中科技大学 2009
硕士论文
[1]激光诱导击穿光谱技术用于煤中非金属元素定量分析研究[D]. 孙永凯.中北大学 2019
[2]激光诱导击穿光谱定量分析算法研究[D]. 张海滨.中国科学技术大学 2018
[3]基于偏最小二乘算法的激光诱导击穿光谱识别技术研究[D]. 罗德志.电子科技大学 2018
[4]激光诱导击穿光谱仪重金属检测实验研究[D]. 叶倩倩.华北理工大学 2018
[5]动物组织激光诱导击穿光谱分类方法及核心算法研究[D]. 朱毅宁.华中科技大学 2017
[6]粒子群算法在多维优化问题中的改进研究[D]. 蒋晓屾.浙江理工大学 2016
[7]基于激光诱导击穿光谱煤质分析仪的研制[D]. 王鑫.山西大学 2015
[8]基于光谱分析技术的农林生物质能源品质的快速检测研究[D]. 路文江.浙江工业大学 2014
[9]朴素贝叶斯分类器的研究与应用[D]. 王国才.重庆交通大学 2010
[10]朴素贝叶斯分类器的集成学习方法研究[D]. 郝丽锋.河北大学 2009
本文编号：3306016
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
LIBS实验系统图
华南理工大学硕士学位论文39集200组光谱。表4-1六种生物质燃料颗粒的工业分析指标值样品水分(Md/%)灰分(Ad/%)挥发分(Vd/%)固定碳(FCd/%)木颗粒A6.841.6381.0410.49木颗粒B7.762.8379.989.43柚木颗粒4.842.5284.188.46云杉颗粒0.361.0284.6813.93花生壳颗粒1.7814.1968.2615.77玉米秸秆颗粒1.9724.3164.599.144.2主成分分析首先，对六种生物质燃料样品得到的LIBS光谱进行主成分分析（PCA）。将每个样品的每20幅光谱平均为1个点，即每个样品分成10个点，6个样品则为60个点。将生物质燃料的LIBS全波段光谱数据作为输入变量，对其进行PCA分析，得到其主成分的贡献率，如图4-1所示。由图4-1可见，PCA分析中前三个主成分的贡献率分别为55.75%、27.99%和9.67%，三个主成分的累积贡献率为93.41%，即能够对93.41%的LIBS光谱数据进行解释，保留了生物质燃料样品的原始光谱中的绝大部分信息，因此选用PCA前三个主成分进行研究。图4-1PCA主成分贡献率图
第四章基于LIBS的生物质燃料种类的定性识别40接着，计算PCA降维压缩LIBS全谱得到的前三个主成分对应的得分值，并将计算的结果在三维空间中展示，如图4-2所示。图4-2中的X、Y、Z轴分别为每个样品对应的PC1、PC2、PC3的值。由图4-2可见，每一类生物质颗粒的点都显示出汇聚现象，说明对于同一类生物质颗粒而言，多次测量的LIBS光谱具有较好的稳定性。此外，以木颗粒A、木颗粒B、柚木颗粒、云杉颗粒为代表的木本类生物质颗粒和以花生壳颗粒、玉米秸秆颗粒为代表的草本类生物质颗粒能够较好地被区分开。然而对于草本类生物质中的不同种类，其样品点靠得较近，甚至出现交叉现象，这是因为它们的性质和基体较为相似。同样地，木本类生物质中的不同种类也存在相似的现象。综上所述，仅利用PCA前三个主成分无法对生物质燃料的种类进行准确的判别，因此需要采用有监督的分类算法对其进行进一步的分析。图4-2生物质燃料样品的LIBS光谱的前三个主成分得分值分布图4.3特征光谱的选取在相同的实验条件和环境下利用LIBS设备对6种生物质燃料进行实验，并获得其LIBS光谱，将光谱中每个观察到的谱峰的波长与NIST的在线数据库[78]进行对比，从而确定元素的特征谱线。图4-3为6种生物质燃料的LIBS光谱图，由图中可见，生物质
【参考文献】：
期刊论文
[1]计量检测中异常数据剔除的有效方法[J]. 黄志恒. 科技风. 2019(33)
[2]正态曲线剔除法提高LIBS快速测量煤炭灰分精确度[J]. 陈小玄,卢志民,姚顺春,莫爵徽,赵静波,陆继东. 中国电机工程学报. 2019(04)
[3]小麦秸秆中K和Na元素LIBS同步定量分析研究[J]. 段宏伟,韩鲁佳,黄光群. 农业机械学报. 2019(02)
[4]激光诱导击穿光谱鉴别硫熏浙贝母[J]. 赵懿滢,朱素素,何娟,张初,刘飞,何勇,冯雷. 光谱学与光谱分析. 2018(11)
[5]基于贝叶斯定理的能源供应网络脆弱性研究[J]. 杨洋,刘旭,刘艺林,浮豪豪. 统计与决策. 2018(16)
[6]作物秸秆生物质原料可持续利用模式探究[J]. 侯新村,范希峰,朱毅,岳跃森,武菊英. 农学学报. 2018(04)
[7]生物质燃料特性对锅炉运行的影响[J]. 黄仕高. 科技创新与应用. 2017(18)
[8]LIBS对煤中热值检测的新型校正模型[J]. 王帝,陆继东,董美蓉,姚顺春,樊炬,田照华,王磊,李诗诗. 光谱学与光谱分析. 2016(08)
[9]基于激光诱导击穿光谱的燃煤挥发分定量分析[J]. 樊炬,王帝,陆继东,张博. 广东电力. 2015(09)
[10]基于近红外光谱和稀疏偏最小二乘回归的生物质工业分析[J]. 姚燕,王常玥,刘辉军,汤建斌,蔡晋辉,汪静军. 光谱学与光谱分析. 2015(07)
博士论文
[1]基于激光诱导击穿光谱技术的土壤理化信息检测方法研究[D]. 余克强.浙江大学 2016
[2]激光诱导击穿光谱中化学计量学方法研究及其在冶金分析的应用[D]. 张天龙.西北大学 2015
[3]生物质热转化过程中碱金属元素迁移的研究[D]. 张志昊.清华大学 2014
[4]激光诱导击穿光谱数据处理方法及在煤分析中的应用研究[D]. 谢承利.华中科技大学 2009
硕士论文
[1]激光诱导击穿光谱技术用于煤中非金属元素定量分析研究[D]. 孙永凯.中北大学 2019
[2]激光诱导击穿光谱定量分析算法研究[D]. 张海滨.中国科学技术大学 2018
[3]基于偏最小二乘算法的激光诱导击穿光谱识别技术研究[D]. 罗德志.电子科技大学 2018
[4]激光诱导击穿光谱仪重金属检测实验研究[D]. 叶倩倩.华北理工大学 2018
[5]动物组织激光诱导击穿光谱分类方法及核心算法研究[D]. 朱毅宁.华中科技大学 2017
[6]粒子群算法在多维优化问题中的改进研究[D]. 蒋晓屾.浙江理工大学 2016
[7]基于激光诱导击穿光谱煤质分析仪的研制[D]. 王鑫.山西大学 2015
[8]基于光谱分析技术的农林生物质能源品质的快速检测研究[D]. 路文江.浙江工业大学 2014
[9]朴素贝叶斯分类器的研究与应用[D]. 王国才.重庆交通大学 2010
[10]朴素贝叶斯分类器的集成学习方法研究[D]. 郝丽锋.河北大学 2009
本文编号：3306016
本文链接：https://www.wllwen.com/kejilunwen/huaxue/3306016.html
教材专著
