激光诱导击穿光谱技术在煤炭工业中的应用研究

发布时间：2017-09-11 08:33

  本文关键词：激光诱导击穿光谱技术在煤炭工业中的应用研究

  更多相关文章： 激光诱导击穿光谱 小波神经网络 定量分析 判别分析 煤灰

【摘要】：煤灰作为我国产量最大的工业废渣之一,严重影响到生态环境,是雾霾形成的主要原因之一。煤灰的成分决定着锅炉受热面的结渣趋势进而影响着锅炉的安全运行。因此快速准确测定煤灰成分可判断出入炉煤的结渣趋势,有助于煤灰的回收和再利用。激光诱导击穿光谱技术(Laser-induced breakdown spectroscopy, LIBS)是一种新型的基于原子发射的定性定量分析技术,具有无需复杂样品前处理、快速、准确和多元素同时分析等优势,因而在煤炭工业等领域得到了广泛应用。在LIBS测量过程中,由于受到复杂环境、基体效应等的影响,采集的光谱存在大量的干扰信息,严重影响了LIBS技术定性定量分析的准确度。借助化学计量学方法可有效提取特征信息和优化光谱数据,是提高LIBS定性定量分析精度的有效途径之一。本论文从煤灰回收和再利用的实际问题出发,将LIBS技术与化学计量学方法相结合,构建了不同的预测模型对煤灰的成分进行了定量分析以及其种类进行了判别分析。该研究丰富了LIBS技术的应用,为煤炭工业分析提供新方法和技术支撑。全文分为四章,主要研究内容如下：首先,我们研究了基于线性回归的建模--偏最小二乘(Partial least squares,PLS),基于K-S法对样本进行了校正集和预测集的筛选,且通过主成分分析与马氏距离相结合的方法对样本中的异常光谱进行了剔除。利用构建的PLS模型对煤灰中的七种主要成分进行分析,得到较好的预测结果(相关系数R0.9000),且相比传统的PLS模型,经剔除异常光谱后构建的模型预测精度更高。其次研究了非线性建模--小波神经网络(Wavelet neural network,WNN)。对模型的输入变量进行了不同方法的筛选,且优化了模型的各个参数。分别构建了WNN与人工神经网络模型(ANN)对煤灰的主要成分进行同时分析,基于均方根误差和相关系数两个评估参数得出,相比于ANN, WNN模型表现出更优异的预测性能且预测精度提高。最后研究了多种煤灰的分类方法。采用独立成分分析方法对光谱特征信息进行了提取,分别构建了小波神经网络模型和误差反向传播神经网络模型。结果显示两种模型都能将样本分类(分类精度达到95%以上),但相比于传统的误差反向传播神经网络,基于独立成分的小波神经网络的分类效果更好且分类精度更高。
【关键词】：激光诱导击穿光谱 小波神经网络 定量分析 判别分析 煤灰
【学位授予单位】：西北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TQ536.4;O657.319
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 绪论10-29
• 1.1 研究背景和意义10-12
• 1.2 激光诱导击穿光谱技术12-17
• 1.2.1 激光诱导击穿光谱技术的原理12-13
• 1.2.2 LIBS技术实验装置及主要参数13-16
• 1.2.3 LIBS技术的优势及应用16
• 1.2.4 LIBS技术在煤炭工业中的研究16-17
• 1.3 化学计量学方法在LIBS中的应用17-18
• 1.4 激光诱导击穿光谱定量分析和模式识别模型18-20
• 1.4.1 偏最小二乘(Partial least squares,PLS)18-19
• 1.4.2 人工神经网络19-20
• 1.5 本文研究内容及结构安排20-21
• 参考文献21-29
• 第二章 LIBS技术结合PLS用于煤灰的主要成分分析29-43
• 2.1 引言29-30
• 2.2 实验装置及样品30-33
• 2.2.1 实验装置30-31
• 2.2.2 实验样品31-33
• 2.3 偏最小二乘(Partial least squares,PLS)33-34
• 2.4 Kennard-Stone(K-S)34-35
• 2.5 结果与讨论35-39
• 2.5.1 校正集的筛选35-36
• 2.5.2 异常光谱的剔除36-37
• 2.5.3 输入变量筛选37-38
• 2.5.4 PLS校正模型的构建38-39
• 2.5.5 PLS模型对煤灰成分的预测39
• 2.6 本章小结39-40
• 参考文献40-43
• 第三章 LIBS技术结合WNN对煤灰主要成分的定量分析43-53
• 3.1 引言43
• 3.2 材料与方法43-45
• 3.2.1 实验装置43
• 3.2.2 实验样品与数据采集43-44
• 3.2.3 小波神经网络(Wavelet Neural Network,WNN)44-45
• 3.3 结果与讨论45-50
• 3.3.1 光谱滤噪处理及输入变量筛选45-48
• 3.3.2 小波神经网络模型参数优化48-49
• 3.3.3 WNN校正模型的构建与内部验证49-50
• 3.3.4 WNN模型对未知样品的预测50
• 3.4 本章小结50-51
• 参考文献51-53
• 第四章 LIBS技术与WNN相结合用于煤灰种类的判别分析53-62
• 4.1 引言53-54
• 4.2 实验部分54
• 4.2.1 实验装置54
• 4.2.2 试验样品及数据采集54
• 4.3 独立成分分析(Independent component analysis,ICA)54-55
• 4.4 结果与讨论55-59
• 4.4.1 输入变量筛选55-57
• 4.4.2 小波神经网络模型对煤灰的分类57-59
• 4.5 本章小结59
• 参考文献59-62
• 结论与展望62-64
• 1 全文总结62-63
• 2 展望63-64
• 攻读硕士学位期间的科研成果64-66
• 致谢66

【相似文献】

中国期刊全文数据库 前10条

1 周南;周亢;丁圭吉;;关于激光诱导裂析谱专题的欧洲-地中海会议2007(Ⅱ)[J];分析试验室;2009年09期

2 查新未,李卫红,付克德,李祥生;激光诱导中草药荧光的观察[J];量子电子学;1988年01期

3 周政卓,邱明新,黄赛棠,毕琦秀,顾加O，

本文编号：829693