發(fā)布時(shí)間：2017-09-11 08:33

  本文關(guān)鍵詞：激光誘導(dǎo)擊穿光譜技術(shù)在煤炭工業(yè)中的應(yīng)用研究

  更多相關(guān)文章： 激光誘導(dǎo)擊穿光譜 小波神經(jīng)網(wǎng)絡(luò) 定量分析 判別分析 煤灰

【摘要】：煤灰作為我國產(chǎn)量最大的工業(yè)廢渣之一,嚴(yán)重影響到生態(tài)環(huán)境,是霧霾形成的主要原因之一。煤灰的成分決定著鍋爐受熱面的結(jié)渣趨勢(shì)進(jìn)而影響著鍋爐的安全運(yùn)行。因此快速準(zhǔn)確測(cè)定煤灰成分可判斷出入爐煤的結(jié)渣趨勢(shì),有助于煤灰的回收和再利用。激光誘導(dǎo)擊穿光譜技術(shù)(Laser-induced breakdown spectroscopy, LIBS)是一種新型的基于原子發(fā)射的定性定量分析技術(shù),具有無需復(fù)雜樣品前處理、快速、準(zhǔn)確和多元素同時(shí)分析等優(yōu)勢(shì),因而在煤炭工業(yè)等領(lǐng)域得到了廣泛應(yīng)用。在LIBS測(cè)量過程中,由于受到復(fù)雜環(huán)境、基體效應(yīng)等的影響,采集的光譜存在大量的干擾信息,嚴(yán)重影響了LIBS技術(shù)定性定量分析的準(zhǔn)確度。借助化學(xué)計(jì)量學(xué)方法可有效提取特征信息和優(yōu)化光譜數(shù)據(jù),是提高LIBS定性定量分析精度的有效途徑之一。本論文從煤灰回收和再利用的實(shí)際問題出發(fā),將LIBS技術(shù)與化學(xué)計(jì)量學(xué)方法相結(jié)合,構(gòu)建了不同的預(yù)測(cè)模型對(duì)煤灰的成分進(jìn)行了定量分析以及其種類進(jìn)行了判別分析。該研究豐富了LIBS技術(shù)的應(yīng)用,為煤炭工業(yè)分析提供新方法和技術(shù)支撐。全文分為四章,主要研究?jī)?nèi)容如下：首先,我們研究了基于線性回歸的建模--偏最小二乘(Partial least squares,PLS),基于K-S法對(duì)樣本進(jìn)行了校正集和預(yù)測(cè)集的篩選,且通過主成分分析與馬氏距離相結(jié)合的方法對(duì)樣本中的異常光譜進(jìn)行了剔除。利用構(gòu)建的PLS模型對(duì)煤灰中的七種主要成分進(jìn)行分析,得到較好的預(yù)測(cè)結(jié)果(相關(guān)系數(shù)R0.9000),且相比傳統(tǒng)的PLS模型,經(jīng)剔除異常光譜后構(gòu)建的模型預(yù)測(cè)精度更高。其次研究了非線性建模--小波神經(jīng)網(wǎng)絡(luò)(Wavelet neural network,WNN)。對(duì)模型的輸入變量進(jìn)行了不同方法的篩選,且優(yōu)化了模型的各個(gè)參數(shù)。分別構(gòu)建了WNN與人工神經(jīng)網(wǎng)絡(luò)模型(ANN)對(duì)煤灰的主要成分進(jìn)行同時(shí)分析,基于均方根誤差和相關(guān)系數(shù)兩個(gè)評(píng)估參數(shù)得出,相比于ANN, WNN模型表現(xiàn)出更優(yōu)異的預(yù)測(cè)性能且預(yù)測(cè)精度提高。最后研究了多種煤灰的分類方法。采用獨(dú)立成分分析方法對(duì)光譜特征信息進(jìn)行了提取,分別構(gòu)建了小波神經(jīng)網(wǎng)絡(luò)模型和誤差反向傳播神經(jīng)網(wǎng)絡(luò)模型。結(jié)果顯示兩種模型都能將樣本分類(分類精度達(dá)到95%以上),但相比于傳統(tǒng)的誤差反向傳播神經(jīng)網(wǎng)絡(luò),基于獨(dú)立成分的小波神經(jīng)網(wǎng)絡(luò)的分類效果更好且分類精度更高。
【關(guān)鍵詞】：激光誘導(dǎo)擊穿光譜 小波神經(jīng)網(wǎng)絡(luò) 定量分析 判別分析 煤灰
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TQ536.4;O657.319
【目錄】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 緒論10-29
• 1.1 研究背景和意義10-12
• 1.2 激光誘導(dǎo)擊穿光譜技術(shù)12-17
• 1.2.1 激光誘導(dǎo)擊穿光譜技術(shù)的原理12-13
• 1.2.2 LIBS技術(shù)實(shí)驗(yàn)裝置及主要參數(shù)13-16
• 1.2.3 LIBS技術(shù)的優(yōu)勢(shì)及應(yīng)用16
• 1.2.4 LIBS技術(shù)在煤炭工業(yè)中的研究16-17
• 1.3 化學(xué)計(jì)量學(xué)方法在LIBS中的應(yīng)用17-18
• 1.4 激光誘導(dǎo)擊穿光譜定量分析和模式識(shí)別模型18-20
• 1.4.1 偏最小二乘(Partial least squares,PLS)18-19
• 1.4.2 人工神經(jīng)網(wǎng)絡(luò)19-20
• 1.5 本文研究?jī)?nèi)容及結(jié)構(gòu)安排20-21
• 參考文獻(xiàn)21-29
• 第二章 LIBS技術(shù)結(jié)合PLS用于煤灰的主要成分分析29-43
• 2.1 引言29-30
• 2.2 實(shí)驗(yàn)裝置及樣品30-33
• 2.2.1 實(shí)驗(yàn)裝置30-31
• 2.2.2 實(shí)驗(yàn)樣品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 結(jié)果與討論35-39
• 2.5.1 校正集的篩選35-36
• 2.5.2 異常光譜的剔除36-37
• 2.5.3 輸入變量篩選37-38
• 2.5.4 PLS校正模型的構(gòu)建38-39
• 2.5.5 PLS模型對(duì)煤灰成分的預(yù)測(cè)39
• 2.6 本章小結(jié)39-40
• 參考文獻(xiàn)40-43
• 第三章 LIBS技術(shù)結(jié)合WNN對(duì)煤灰主要成分的定量分析43-53
• 3.1 引言43
• 3.2 材料與方法43-45
• 3.2.1 實(shí)驗(yàn)裝置43
• 3.2.2 實(shí)驗(yàn)樣品與數(shù)據(jù)采集43-44
• 3.2.3 小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network,WNN)44-45
• 3.3 結(jié)果與討論45-50
• 3.3.1 光譜濾噪處理及輸入變量篩選45-48
• 3.3.2 小波神經(jīng)網(wǎng)絡(luò)模型參數(shù)優(yōu)化48-49
• 3.3.3 WNN校正模型的構(gòu)建與內(nèi)部驗(yàn)證49-50
• 3.3.4 WNN模型對(duì)未知樣品的預(yù)測(cè)50
• 3.4 本章小結(jié)50-51
• 參考文獻(xiàn)51-53
• 第四章 LIBS技術(shù)與WNN相結(jié)合用于煤灰種類的判別分析53-62
• 4.1 引言53-54
• 4.2 實(shí)驗(yàn)部分54
• 4.2.1 實(shí)驗(yàn)裝置54
• 4.2.2 試驗(yàn)樣品及數(shù)據(jù)采集54
• 4.3 獨(dú)立成分分析(Independent component analysis,ICA)54-55
• 4.4 結(jié)果與討論55-59
• 4.4.1 輸入變量篩選55-57
• 4.4.2 小波神經(jīng)網(wǎng)絡(luò)模型對(duì)煤灰的分類57-59
• 4.5 本章小結(jié)59
• 參考文獻(xiàn)59-62
• 結(jié)論與展望62-64
• 1 全文總結(jié)62-63
• 2 展望63-64
• 攻讀碩士學(xué)位期間的科研成果64-66
• 致謝66

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 周南;周亢;丁圭吉;;關(guān)于激光誘導(dǎo)裂析譜專題的歐洲-地中海會(huì)議2007(Ⅱ)[J];分析試驗(yàn)室;2009年09期

2 查新未,李衛(wèi)紅,付克德,李祥生;激光誘導(dǎo)中草藥熒光的觀察[J];量子電子學(xué);1988年01期

3 周政卓,邱明新,黃賽棠,畢琦秀,顧加O，

本文編號(hào)：829693