本发明涉及煤炭检测技术领域，更具体地说，涉及一种基于高光谱的煤炭灰分、水分检测方法。

背景技术：

在北方的冬天，热力供应是必不可少的，而煤炭是主要燃料之一。煤炭的灰分和水分含量是评价煤炭质量的重要标准之一，煤炭灰分的含量直接影响煤炭的发热量，且煤炭中的灰分含量越少煤炭的发热量相对就越多，煤炭中水分的含量也会对煤质和发热量造成影响，因此煤炭的灰分和水分的检测对热力供应具有重要意义。

传统的煤炭灰分检测主要依靠灼烧法，这种方法检测精度较高，也是应用相对广泛的一种煤炭的灰分检测方法。但是这种方法在实现的过程中较为复杂，效率较低，分析周期长，且检测结果会受到人为操作的影响。

在线煤炭灰分检测方法主要为辐射法，依靠射线进行检测。包括低能γ射线反散射法、双能量γ射线透射法、中子瞬发γ分析法及天然γ放射法等，其中应用较多的为双能量γ射线透射法。虽然这种通过射线的在线煤炭灰分检测方法在一定程度上减小了人为造成的影响，但辐射法会对工作人员的及周围环境造成安全隐患，且使用过的废弃放射源不易处理。

技术实现要素：

为了克服上述缺陷，本发明提供了一种基于高光谱的煤炭灰分、水分检测方法及系统。通过整体设计，对煤炭进行抽样选取，按照国家标准制作煤炭检测样本，通过高光谱检测仪对样本进行光谱图像信息采集，通过预处理模块对采集到的光谱信息进行滤波等预处理，消除随机噪声干扰，得到较为清晰的光谱图像信息。通过光谱分析模块对经过预处理后的光谱图像信息进行分析，得到主成分信息，通过模型建立模块建立煤炭的灰分检测模型和水分检测模型，得到样品煤炭的灰分含量和水分含量，并间接预测煤炭的发热量。同时将得到的检测结果存储到数据库中，作为bp神经网络训练集，抽取另一部分样本数据作为预测集，通过对检测模型不断训练，提高检测精度，使模型得到不断地完善。整体使得本发明可以对煤炭灰分、水分进行准确高效的检测，从而预测煤炭的发热量，为热力供应中对煤炭燃料的选取提供可靠信息。

为实现上述目的，本发明提供如下技术方案：一种基于高光谱的煤炭灰分、水分检测系统，包括：

目标检测模块，所述的目标检测模块用于对煤炭样本进行光谱图像信息采集，并将采集到的光谱图像数据传输到预处理模块中进行光谱图像预处理；

预处理模块所述预处理模块输入端连接目标检测模块，所述预处理模块输出端连接有光谱分析模块；所述预处理模块包括基线校正单元和均值滤波单元，对采集到的光谱图像信息进行基线校正和均值滤波处理，将得到分辨率更高且更加清晰的光谱图像信息传输至光谱分析模块；

光谱分析模块，所述光谱分析模块的输出端连接模型建立模块，所述的光谱分析模块对预处理后的光谱图像信息进行光谱主成分分析，通过光谱主成分分析对所得光谱图像信息进行降维操作，从得到的主成分分析结果中保留前三个主成分，输出至模型建立模块；

模型建立模块，所述的模型建立模块包括bp神经网络单元和发热量预测单元，bp神经网络单元用于执行建立的bp神经网络模型步骤和训练模型，发热量预测单元则根据光谱分析模块输入的图像信息通过训练得到的bp神经网络模型得到发热量预测结果。

该系统还包括：检测结果显示模块，所述的检测结果显示模块与模型建立模块的输出端连接，用于显示发热量预测结果；

数据库模块，所述的数据库模块分别与模型建立模块和结果显示模块连接，用于发热量预测结果的存储和提取；

进一步的，所述的数据库模块，包括数据库存储单元、数据库提取单元和数据库单元，数据库存储单元用于将发热量预测结果存储在数据库单元中，数据库提取单元用于将存储在数据库单元中发热量预测结果提取出来。

本发明所提供的一种基于高光谱的煤炭灰分、水分检测方法包括以下步骤：

步骤一：光谱信息采集

由目标检测模块中的高光谱检测仪对待测煤炭样品进行光谱图像数据采集，并将采集到的光谱图像数据传输到预处理模块中进行光谱图像预处理。

步骤二：光谱图像信息预处理

在预处理模块对步骤一中采集到的光谱图像信息进行预处理，得到分辨率更高且更加清晰的光谱图像信息，为进一步的光谱分析做准备。

步骤三：光谱图像分析

通过光谱分析模块对预处理后的光谱图像信息进行光谱主成分分析，通过光谱主成分分析对所得光谱图像信息进行降维操作，从得到的主成分分析结果中保留前三个主成分，将分析结果传输到模型建立模块中。

步骤四：模型建立

将步骤三所获得的主成分数据传输到模型建立模块中作为煤炭灰分和水分检测模型建立的基础数据，建立出煤炭灰分、水分的bp神经网络检测模型，进而获得煤炭最终的灰分、水分的检测结果，再将检测结果传输到发热量预测单元中利用灰分、水分、煤炭发热量的线性关系预测煤炭的发热量。

其中bp神经网络模型由输入层、隐藏层、输出层构成，以煤炭光谱分析出的三个主成分作为bp神经网络输入层的三个神经元的输入，煤炭的灰分和水分检测值作为bp神经网络输出层的两个神经元的输出，建立出三层拓扑结构的bp神经网络煤炭灰分、水分检测模型；激活函数f(x)选用sigmod函数。xi为输入层神经元(i＝1、2、3)，bh为隐藏层神经元(h＝1、2、3、4)，yj为输出层神经元(j＝1、2)。

由输入层到隐藏层的权值记为vih，隐藏层阈值记为γh，隐藏层的输入为αh，由输入层到隐藏层函数为h代表隐藏层第h个神经元；由隐藏层到输出层的权值记为whj，输出层阈值记为θj，输入为βj，由隐藏层到输出层函数为j代表输出层第j个神经元。

其中，权值vih和whj的初始值以及阈值γh和θj的初始值均设定为(-1，1)范围内的随机值。

步骤五：模型优化

对步骤四所得到的检测模型进行优化，bp神经网络单元以数据库中的数据作为训练集，抽取另一部分样本作为预测集，不断地对所建立的检测模型进行参数优化，进一步提高检测精度。

bp神经网络模型初始参数：迭代3000次，步长η＝0.07，训练精度要求为0.001。

模型训练参数更新：

由输出层按“梯度下降法”反向计算，更新参数。误差记为ek，根据误差逐层调整权值，一步一步缩小ek，当精度达到要求或迭代次数满3000次停止迭代。

根据调整隐藏层到输出层的权值，根据调整输出层神经元的阈值。

根据△vih＝-ηehxi调整输入层到隐藏层的权值，根据△γh＝ηeh调整隐藏层神经元的阈值，其中

步骤六：信息显示及存储

将步骤四所获得的检测结果传输到检测结果显示模块中以供操作人员查看，并将检测结果传输到数据库中进行数据存储。

在一个优选的实施方式中，所述步骤二具体为：利用基线校正单元中的一阶导和二阶导，提高光谱图像的分辨率；再用均值滤波单元对数据进行平滑处理，以此来消除光谱信号随机噪声，得到更加清晰的光谱图像。

在一个优选的实施方式中，所述步骤四具体为：将应用pca方法分析出的前三个主成分作为bp神经网络单元的输入，建立出最终的煤炭灰分、水分检测模型，并将最终的煤炭灰分和水分检测结果传输到发热量预测单元中用来预测发热量。

在一个优选的实施方式中，所述步骤六具体为：将检测到的煤炭水分、灰分含量，以及预测的发热量信息通过检测结果显示模块显示出来供操作人员查看。其中，通过数据提取单元从数据库单元中提取模型优化所需的数据，通过数据存储单元将检测结果数据传输到数据库单元中进行存储。

本发明的技术效果和优点：

1.本发明通过预处理模块中的基线校正单元提高光谱图像的分辨率，再用均值滤波单元对数据进行平滑处理，以此来消除光谱信号随机噪声，得到更加清晰的光谱图像。

2.本发明通过主成分分析法对光谱图像信息进行分析，保留前三个主成分，将其作为bp神经网络的输入以此建立煤炭灰分、水分检测模型。将数据库中的数据作为训练集，抽取另一部分样本数据作为预测集，不断优化检测模型，进一步提高检测精度。其中检测结果显示模块将检测分析的结果以及发热量预测结果显示出来，便于工作人员了解煤炭的质量，为热力供应的煤炭燃料选取提供有力信息。

附图说明

图1为本发明的整体模块示意图。

图2为本发明的整体单元示意图。

图3为本发明的bp神经网络模型结构示意图。

附图标记为：1目标检测模块、2预处理模块、21基线校正单元、22均值滤波单元、3光谱分析模块、4模型建立模块、41bp神经网络单元、42发热量预测单元、5检测结果显示模块、6数据库模块、61数据提取单元、62数据存储单元、63数据库单元。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

根据附图1和附图2所示，一种基于高光谱的煤炭灰分、水分检测系统，包括：

目标检测模块1，所述的目标检测模块1用于对煤炭样本进行光谱图像信息采集，并将采集到的光谱图像数据传输到预处理模块2中进行光谱图像预处理；

预处理模块2，所述预处理模块2输入端连接目标检测模块1，所述预处理模块2输出端连接有光谱分析模块3；所述预处理模块2包括基线校正单元21和均值滤波单元22，对采集到的光谱图像信息进行基线校正和均值滤波处理，将得到分辨率更高且更加清晰的光谱图像信息传输至光谱分析模块3；

光谱分析模块3，所述光谱分析模块3的输出端连接模型建立模块4，所述的光谱分析模块3对预处理后的光谱图像信息进行光谱主成分分析，通过光谱主成分分析对所得光谱图像信息进行降维操作，从得到的主成分分析结果中保留前三个主成分，输出至模型建立模块4；

模型建立模块4，所述的模型建立模块4包括bp神经网络单元41和发热量预测单元42，bp神经网络单元用于执行建立的bp神经网络模型步骤和训练模型，发热量预测单元42则根据光谱分析模块输入的图像信息通过训练得到的bp神经网络模型得到发热量预测结果。

该系统还包括：检测结果显示模块5，所述的检测结果显示模块5与模型建立模块4的输出端连接，用于显示发热量预测结果；

数据库模块6，所述的数据库模块6分别与模型建立模块4和结果显示模块5连接，用于发热量预测结果的存储和提取；

所述的数据库模块6，进一步包括数据库存储单元62、数据库提取单元61和数据库单元63，数据库存储单元62用于将发热量预测结果存储在数据库单元63中，数据库提取单元61用于将存储在数据库单元63中发热量预测结果提取出来。

一种基于高光谱的煤炭灰分、水分的检测方法还包括以下步骤：

步骤一：光谱信息采集

由目标检测模块1中的高光谱检测仪对煤炭样本的光谱图像信息进行采集，并将采集到的光谱图像信息传输到预处理模块2中进行预处理。

步骤二：光谱信息预处理

对步骤一中采集到的光谱图像信息进行预处理，进行基线校正和光谱信息滤波操作，得到分辨率更高更加清晰的光谱图像，为进一步的分析做准备。

步骤三：光谱信息分析处理

将步骤二进行光谱预处理操作后的光谱图像信息传输到光谱分析模块3中进行光谱图像数据分析操作，对光谱图像数据应用主成分分析法进行分析，对数据进行降维操作，得到主成分数据，以此作为灰分、水分检测模型建立的基础数据。

步骤四：模型建立

将步骤三所获得的主成分数据传输到模型建立模块中作为煤炭灰分和水分检测模型建立的基础数据，建立出煤炭灰分、水分的bp神经网络检测模型，进而获得煤炭最终的灰分、水分的检测结果，再将检测结果传输到发热量预测单元中利用灰分、水分、煤炭发热量的线性关系预测煤炭的发热量。

其中bp神经网络模型由输入层、隐藏层、输出层构成，以煤炭光谱分析出的三个主成分作为bp神经网络输入层的三个神经元的输入，煤炭的灰分和水分检测值作为bp神经网络输出层的两个神经元的输出，建立出三层拓扑结构的bp神经网络煤炭灰分、水分检测模型；激活函数f(x)选用sigmod函数。xi为输入层神经元(i＝1、2、3)，bh为隐藏层神经元(h＝1、2、3、4)，yj为输出层神经元(j＝1、2)。

由输入层到隐藏层的权值记为vih，隐藏层阈值记为γh，隐藏层的输入为αh，由输入层到隐藏层函数为h代表隐藏层第h个神经元；由隐藏层到输出层的权值记为whj，输出层阈值记为θj，输入为βj，由隐藏层到输出层函数为j代表输出层第j个神经元。

其中，权值vih和whj的初始值以及阈值γh和θj的初始值均设定为(-1，1)范围内的随机值。

步骤五：模型优化

对步骤四所得到的检测模型进行优化，bp神经网络单元以数据库中的数据作为训练集，抽取另一部分样本作为预测集，不断地对所建立的检测模型进行参数优化，进一步提高检测精度。

bp神经网络模型初始参数：迭代3000次，步长η＝0.07，训练精度要求为0.001。

模型训练参数更新：

由输出层按“梯度下降法”反向计算，更新参数。误差记为ek，根据误差逐层调整权值，一步一步缩小ek，当精度达到要求或迭代次数满3000次停止迭代。

根据调整隐藏层到输出层的权值，根据调整输出层神经元的阈值。

根据△vih＝-ηehxi调整输入层到隐藏层的权值，根据△γh＝ηeh调整隐藏层神经元的阈值，其中

步骤六：信息显示及存储

将步骤四所获得的检测结果传输到检测结果显示模块中5供给操作人员查看，并将检测结果传输到数据库6中进行数据存储。

所述步骤一具体为：采用目标检测模块中1的高光谱检测仪对煤炭样本进行光谱图像信息采集，并将采集到的全部光谱原始图像数据传输到预处理模块2中进行光谱图像数据预处理。

所述步骤二具体为：利用基线校正单元21中的一阶导和二阶导，提高光谱的分辨率。再用均值滤波单元22对数据进行平滑处理，以此来消除光谱信号随机噪声，得到更加清晰的光谱图像。

所述步骤三具体为：将经过预处理后的光谱图像数据传输到光谱分析模块3中，并采用pca方法进行分析，进行降维处理，保留前三个主成分，将分析结果传输到模型建立模块4中，将所获得的主成分信息作为建立煤炭灰分、水分检测模型的基础数据。

所述步骤四具体为：将应用pca方法分析出的前三个主成分作为bp神经网络单元41的输入，建立煤炭灰分、水分检测模型，并将最终的煤炭灰分和水分检测结果传输到发热量预测单元42中，根据煤炭的灰分含量、水分含量和发热量之间的线性关系预测发热量。

所述步骤五具体为：bp神经网络单元41通过数据提取单元61从数据库单元63中获取数据进行训练，抽取另一部分样本数据作为预测集，不断对模型进行优化，进一步提高检测准确度，使得整个检测系统所获得的检测结果更加可靠。

所述步骤六具体为：将检测到的煤炭水分、灰分含量，以及预测的发热量信息通过检测结果显示模块5显示出来以供操作人员查看。其中，通过数据提取单元61从数据库单元63中提取模型优化所需的数据，通过数据存储单元62将检测结果数据传输到数据库单元63中进行存储。

本发明的工作原理：

参照说明书附图1和附图2，通过对整体的设计，采用目标检测模块1中的高光谱检测仪对煤炭样本的光谱图像信息进行采集，将采集到的光谱图像信息传输到预处理模块2中进行预处理，通过预处理模块2中的基线校正单元21中的一阶导和二阶导进行校正，提高光谱图像分辨率，通过均值滤波单元22去除光谱信号随机噪声，得到更加清晰的光谱图像。将预处理后的光谱图像信息传输到光谱信息分析模块3中，通过主成分分析法对光谱图像信息进行分析，将所得数据进行降维处理，保留前三个主成分作为建模的基础数据，将其传输到模型建立模块4中，将三个主成分数据作为bp神经网络单元41的输入搭建煤炭灰分检测模型和水分检测模型，并通过数据提取单元61提取数据库单元63中的数据进行训练，抽取另一部分样本数据作为预测集，对模型不断优化，提高检测精度。同时将检测结果传输到检测结果显示模块5中显示出来供工作人员查看，并通过数据存储单元62将检测结果存储到数据库单元63中。整体上使得本发明可以对煤炭灰分、水分含量进行较为准确的检测，从而预测出煤炭的发热量，为热力供应的煤炭燃料选取提供必要参考信息。

最后应说明的几点是：首先，在本申请的描述中，需要说明的是，除非另有规定和限定，术语“相连”、“连接”应做广义理解，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连。

其次：本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合。