本發明涉及煤炭檢測，特別是一種基于多維度數據融合的近紅外煤質檢測方法。

背景技術：

1、在煤炭檢測技術領域，傳統的近紅外光譜分析技術因其高效和無損的特點而被廣泛應用。然而，這種技術在實際應用中常受到多種因素的影響，這些因素包括煤樣的物理狀態(粒度組成)、光譜采集條件(檢測器與煤樣的距離)以及環境條件(空氣濕度、溫度)。這些變量的變化可能導致光譜數據出現波動，進而影響煤質檢測結果的準確性和穩定性。

2、煤樣的粒度組成對光譜吸收特性有顯著影響，不同粒度的煤樣在光譜響應上存在差異；檢測器與煤樣之間的距離也會影響光譜信號的強度和質量；空氣濕度、溫度的變化可能會影響光譜信號發生變化。這些因素的綜合作用使得傳統的近紅外光譜分析技術難以提供穩定可靠的煤質檢測結果。

3、為了解決以上問題，提升煤質檢測的精度，本發明提出了一種新的近紅外煤質檢測方法。該方法基于多維度數據融合技術，通過構建煤樣粒度組成、探針與煤樣的距離和空氣濕度等多個數據集進行數據融合，建立了一個多維數據的數據模型，多維數據的維度包括了：粒度、檢測器與煤樣的距離、空氣濕度、溫度以及近紅外光譜特征波長。該模型綜合考慮了以上的影響因素，減少了它們對光譜數據的影響，增強模型的魯棒性，能夠對煤質進行更為精準的檢測，以滿足現代煤炭工業對煤質檢測的嚴格要求。

技術實現思路

1、本發明解決的技術問題是消除或降低煤樣狀態和光譜采集條件對光譜的影響，提高檢測的精度。為解決上述技術問題，本發明提供以下技術方案：

2、1.構建建模樣本集：確定需要收集的數據類型，包括煤樣的煤質指標、指標區間、粒度特性、煤樣與探頭距離、空氣濕度、溫度等，以確保樣本集能夠全面反映影響建模結果的關鍵因素。

3、2.近紅外光譜檢測：獲取煤樣在不同條件下的光譜數據，用于后續建模和分析。

4、3.光譜預處理：對采集的近紅外光譜數據進行去噪、歸一化、平滑和基線校正，以提高數據質量和穩定性。

5、4.特征提取：從預處理后的光譜數據中利用主成分分析提取吸收峰、波長位置、峰寬和峰面積等關鍵特征，這些特征與煤樣特性密切相關。

6、5.數據融合：將多維度數據(粒度、濕度和光譜特征)進行融合，增強模型的魯棒性。

7、6.構建定量分析模型：利用一維卷積神經網絡(1d-cnn)，構建模型預測煤質特性。

8、有益效果

9、1.與具體常用技術相比，基于多維度數據融合的近紅外煤質檢測方法能夠快速、實時、無損的檢測煤樣。

10、2.基于多維度數據融合提高了樣本的代表性和數據的可靠性，預處理步驟有效減少噪聲干擾、校正散射影響和增強數據可比性。

11、3.模型構建與優化利用了一維卷積神經網絡(1d-cnn)構建的定量分析模型實現了煤質檢測的自動化和智能化，減少了人工干預和分析時間，提高了檢測效率。

技術特征：

1.一種基于多維度數據融合的近紅外煤質檢測方法，其特征在于，該方法包括以下步驟：

2.根據權利要求1所述的方法，其特征在于，構建建模樣本集包括從多個地區和不同采礦條件下的煤礦收集煤樣，確保數據集的多樣性。

3.根據權利要求1所述的方法，其特征在于，在光譜預處理步驟中，包括以下子步驟：

4.如權利要求1所述的方法，其特征在于，在光譜預處理步驟中，包括最大-最小值歸一化和z-score標準化進行歸一化處理，具體算法如下：

5.如權利要求1所述的方法，其特征在于，在光譜預處理步驟中，包括移動平均技術進行平滑處理，窗口大小為11，即11個連續的數據點來計算平均值。

6.如權利要求1所述的方法，其特征在于，在光譜預處理步驟中，包括基線校正以消除由于儀器或樣品制備不當引起的基線漂移。

7.如權利要求1所述的方法，其特征在于，在特征提取步驟中，使用主成分分析自動化地提取關鍵特征，減少人為偏差，提高提取效率。

8.如權利要求1所述的方法，其特征在于，在數據融合步驟中，采用遞歸特征消除算法識別和保留對模型預測能力貢獻最大的特征。

9.如權利要求1所述的方法，其特征在于，在數據融合步驟中，采用一階微分、savitzky-golay卷積平滑和標準正態熵變換特征增強技術。

10.如權利要求1所述的方法，其特征在于，在構建定量分析模型步驟中，設計的1d-cnn架構包含3個卷積層和3個池化層，以及3層全連接層，節點數分別為64，16，4，將學習到的特征映射到煤質的具體特性：灰分、水分、揮發分、固定碳含量。

11.如權利要求1所述的方法，其特征在于，在模型訓練過程中，采用交叉驗證技術來防止過擬合，確保模型能夠廣泛應用。

12.一種基于如權利要求1至12任一所述方法的煤質檢測系統，其特征在于，該系統包括用于執行所述方法的軟件和硬件，包括：

技術總結
本發明涉及一種基于多維度數據融合的近紅外煤質檢測方法以提高煤炭檢測的精度。該方法通過構建包含煤樣產地、粒度特性、煤樣與探頭距離、空氣濕度以及環境溫度的多維度數據的建模樣本集，采集煤樣近紅外光譜數據，并進行光譜預處理、特征提取和數據融合，最終構建定量分析模型以高精度預測煤質特性。該方法采用一維卷積神經網絡(1d?CNN)技術，實現煤質檢測的自動化和智能化，提高了檢測效率。此外，本發明還嚴格按照國標實驗方法獲取煤炭樣本中水分、灰分、揮發分的準確數據，提高了樣本的代表性和數據的可靠性。通過預處理步驟有效減少噪聲干擾、校正散射影響。本發明為煤炭行業的質量控制、資源合理利用等提供了強有力的技術支持。

技術研發人員：徐宏祥,白小松,竇有權,周嗣隆,粟登洋,邵欣鑫,方詣,寧可佳,黃根,鄧久帥,崔家畫
受保護的技術使用者：中國礦業大學（北京）
技術研發日：
技術公布日：2025/4/28