动力配煤发热量预测与LIBS检测优化试验研究

作     者：韩帅 

作者单位：中国矿业大学 

学位级别：硕士

导师姓名：邓建军

授予年度：2021年

学科分类：081902[工学-矿物加工工程] 0819[工学-矿业工程] 081704[工学-应用化学] 07[理学] 08[工学] 0817[工学-化学工程与技术] 070302[理学-分析化学] 0703[理学-化学] 

主      题：动力配煤 煤炭指标分析 LIBS检测 发热量预测 

摘      要：在我国,随着炼焦、钢铁和电力等行业的不断发展,现代化建设对每个行业都提出了更高的要求。对于煤炭行业,“绿色能源的提出和推行,对煤炭质量和煤炭资源的优化利用提出更高的要求。随着人工智能技术的发展,实现煤质指标稳定、精确的在线检测对煤炭行业有很重大的意义。针对传统实验室化验耗时长的问题,市面上出现一些基于微波技术、中子活化技术、X射线荧光光谱法等原理研发的煤质分析仪,但是由于各自存在的不足和使用条件苛刻等问题不能大规模推广应用。本文研究了激光诱导击穿光谱技术(简称LIBS)在煤质检测方面的应用效果,通过优化煤样粒度、制样压力、采样点数目等LIBS试验条件后,对配煤产品的灰分和发热量进行检测分析,结果显示:动力煤灰分检测结果相对误差为0.61%、发热量相对误差为4.12%,验证该技术在煤质检测具有较高的准确性。本文结合生产现场实际情况,通过煤质分析,确定了配煤优化方案,对选煤厂煤样进行了配煤分析试验。通过配煤数据,分析单种煤和配煤产品的煤质指标关系,通过Pearson相关性分析,得出灰分、硫分和发热量具有较好的线性可加关系,内水没有显著的线性关系。并由煤质指标间的联系,建立质量预测模型,用于动力煤配煤数据分析应用。根据传统化验流程,发热量指标需要由弹筒发热量经公式换算获得,但其化验过程繁琐耗时费力,于是本文尝试对检测流程进行优化。通过全水、内水、灰分、硫分作为输入参数建立发热量预测模型,应用遗传算法改进的BP神经网络算法和LS-SVM支持向量机算法,通过建立不同的模型预测发热量,比较发热量预测结果误差。结果显示:采用LS-SVM支持向量机算法建立的发热量预测模型,预测结果的最大绝对误差176.51 J/g,相关系数R值为0.98,运算速度快,预测结果符合要求。