煤质近红外光谱多属性预测的误差诊断引导跨指标自适应校准

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Error-diagnosis-guided cross-indicator adaptive calibration for near-infrared spectroscopic multi-property prediction of coal quality

【字体: 大 中 小 】 时间:2026年10月01日 来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3

编辑推荐:

   **要点摘要** - 群组级多视图预测可改善重复光谱的基础估计值。 - 残差引导的校准可根据每种煤质特性自适应地调整校正方案。 - 跨指标特征可充分利用互补性的煤质信息。 **引言** 煤质指标对于评价煤炭加工与利用、燃烧效率及污染排放控制具有重要意义。传统的工业分析和

  

**要点摘要**

- 群组级多视图预测可改善重复光谱的基础估计值。
- 残差引导的校准可根据每种煤质特性自适应地调整校正方案。
- 跨指标特征可充分利用互补性的煤质信息。

**引言**

煤质指标对于评价煤炭加工与利用、燃烧效率及污染排放控制具有重要意义。传统的工业分析和元素分析通常涉及干燥、灰化、量热和化学分析等步骤。虽然这些实验室程序能够提供可靠的测量结果,但它们耗时长、劳动强度大,且在需要快速现场反馈时难以应用 [1]、[2]。近红外光谱(NIRS)能够捕获与有机结构、水分及部分与矿物相关的组分有关的倍频和组合吸收信息。凭借其快速获取、样品制备量少以及适用于无损分析的特点,NIRS已被用于煤质预测、工业分析和在线检测 [1]、[2]、[3]。随着选煤、燃煤发电和煤化工过程中对智能化和精细化运行需求的不断增长,基于NIRS的煤质多指标可靠预测具有重要的现实意义。

现有光谱煤质建模研究主要集中在光谱预处理、特征选择和回归模型优化方面。Begum等人 [1] 使用可见-近红外-短波红外反射光谱预测水分、灰分、挥发分、固定碳和发热量,并比较了偏最小二乘回归(PLSR)、随机森林(RF)、极端梯度提升(XGBoost)等模型。Mondal等人 [4] 利用高光谱测量分析了不同地区煤样的光谱吸收特征,并基于特征波段和回归方法建立了快速预测模型。Mao等人 [5] 进一步将高光谱成像引入煤炭工业分析,通过结合光谱预处理、特征波长选择和光谱-纹理特征,改进了灰分、挥发分、水分、固定碳和发热量的预测。Lv等人 [6] 构建了不同粒度、检测角度和照明条件下煤炭与煤岩的NIRS数据集,并利用XGBoost、PLS及相关方法验证了其在煤-岩分类和工业分析回归中的适用性。除反射光谱、高光谱和NIRS之外,Mishra等人 [7] 采用傅里叶变换红外光谱(FTIR)结合多模型策略估计煤中灰分含量,而Zheng等人 [8] 和Dou等人 [9] 则将激光诱导击穿光谱(LIBS)与机器学习或化学计量方法相结合,实现煤炭的快速分类和定量分析。这些研究表明,预处理、特征选择和非线性回归可以改进光谱煤质预测。然而,其改进主要集中在输入特征表示和回归模型构建方面,而重复光谱的群组结构、残差模式和多输出关系尚未得到充分探索。

近年来,深度学习被引入定量光谱分析,以减少对手动设计的预处理和特征工程的依赖。Yang等人 [10] 回顾了深度学习在振动光谱分析中的最新进展,并指出深度网络可以从原始光谱中自动学习信息丰富的模式,但可解释性、可重现性和对样本量的依赖仍然是重要的关注点。Zhang等人 [11] 提出了DeepSpectra,一种基于Inception风格架构的端到端卷积框架,直接从原始光谱中学习多尺度局部特征。该方法在多个可见/近红外定量光谱数据集上优于几种传统校准模型。对于煤炭快速分析,Xiao等人 [12] 将反射光谱转换为二维光谱图,并开发了由膨胀卷积、多层残差连接和双隐藏层极限学习机组成的DR-TELM模型用于工业分析。Zou等人 [2] 开发了一种基于NIRS的多输出深度学习模型,用于同时预测多种煤质指标,并利用多任务训练来缓解不同输出之间的优化不平衡问题。Zhang等人 [13] 进一步将径向基函数Kolmogorov-Arnold网络(RBF-KAN)应用于基于便携式NIRS的煤炭发热量预测,提高了单指标现场检测的非线性建模能力。光谱方面的可解释人工智能研究也表明,深度光谱模型的解读通常集中在关键波长识别和特征归因上 [14]。总体而言,深度网络增强了光谱特征学习和多输出建模能力,但模型复杂度的增加无法替代适当的数据划分、稳定的误差控制和预测级别的校准机制。

除了单源光谱建模之外,复杂工况下的多源光谱融合与校正已成为煤炭快速检测的重要方向。NIRS对有机结构和含氢基团敏感,而X射线荧光光谱(XRF)能够表征与灰分相关的无机元素和硫。因此,NIRS-XRF融合已被用于提高煤质指标的检测精度。Jie等人 [15] 将NIRS与XRF相结合进行煤炭发热量预测,并引入辅助学习策略以减少数据不足条件下的过拟合。Gao等人 [16] 利用RF分类和PLSR子类型建模,提高了复杂煤种场景下的发热量预测能力。Li等人 [17] 进一步利用NIRS-XRF融合光谱进行煤炭分类和子类型回归,提高了灰分、挥发分和硫的预测精度。在工业应用方面,Gao等人 [3] 开发了一种基于NIRS-XRF技术的煤质智能检测系统,集成了采样、制样、检测和结果输出等功能。针对粒度、形态和测量距离引起的光谱干扰,Gao等人 [18] 和Yin等人 [19] 利用图像处理、图像分割和深度学习开发了粒度效应校正模型,而Ma等人 [20] 构建了同步LIBS-NIRS系统,通过距离校正提高了在线煤炭分析的稳定性。这些研究表明,多源融合和外部干扰校正可以提高复杂条件下的煤质检测能力。然而,它们通常依赖于额外的光谱设备、图像采集或特定的在线检测系统。在仅有单源NIRS重复光谱可用的应用场景中,仍需要从煤样群组结构、误差诊断和多指标关系的角度来提高预测可靠性。为进一步总结光谱煤质建模的近期技术路线并阐明本研究的定位,表1从光谱/数据类型、预测任务、数据与验证特征、方法论重点以及所提方法的差异等方面对代表性研究进行了比较。

如表1所示,现有的光谱煤质研究已经发展出若干技术路线,包括传统反射光谱回归、高光谱特征建模、基于FTIR和LIBS的定量分析、深度光谱网络、多输出预测、多源光谱融合以及针对现场扰动(如粒度和测量距离)的校正。这些研究改进了光谱特征表示、对复杂煤种的适应性和现场检测的稳定性。然而,大多数方法通过输入特征增强、模型架构设计或外部传感器信息融合来改进预测性能。它们并未对单源NIRS重复光谱数据中煤样群组结构、基础预测残差模式和多指标输出关系进行统一处理。

煤质NIRS数据集通常包含大量重复光谱。从同一煤样获取的多条光谱共享同一组煤质标签。如果在建模和验证过程中将它们视为相互独立的样本,则高度相似的重复观测可能同时出现在训练集和测试集中,从而影响泛化评估的可靠性。化学计量模型验证研究也已表明,不当的数据划分、重复测量和交叉验证设置可能引入数据泄漏或导致过于乐观的性能估计 [21]。本研究考虑的煤质指标包括全水分(Mt)、干基灰分(Ad)、干基挥发分(Vd)和收到基低位发热量(Qnet,ar)。这些指标在光谱响应强度、值分布和物化关联性方面存在差异。因此,基础预测残差可能表现出指标特异性的偏差、区间误差以及跨指标残差关系。现有研究主要关注输入侧特征增强、单模型回归或并行多输出预测,而对重复光谱群组级建模、误差模式诊断和跨指标残差校准的统一利用仍然不足。

为解决上述问题,本研究提出了一种误差诊断引导的跨指标自适应校准方法(ED-CIAC),用于单源NIRS重复光谱条件下的煤质多属性预测。ED-CIAC将每个煤样群组作为基本建模单元,首先从重复测量中构建鲁棒的群组级光谱表示。然后利用互补光谱视图生成属性特异性的基础预测。在训练数据内对残余预测误差进行刻画,以识别依赖于属性和值域的残差结构。从多属性基础预测中提取的跨指标特征进一步被纳入二次校准,同时校准器、学习模式和校正强度针对每种属性通过折内验证分别确定。本研究的主要贡献如下:

**(1)** 针对包含重复测量的NIRS数据,开发了一种煤样群组级多视图基础预测方法。通过距离加权的群组级聚合将每个煤样的重复光谱进行整合,获得鲁棒的代表性光谱。随后构建互补光谱视图并使用属性特异性回归器进行建模,将其预测结果整合后为Mt、Ad、Vd和Qnet,ar提供稳定的基础估计值。该设计在建模过程中显式保留了煤样群组结构,为后续校准提供了一致的基础。

**(2)** 开发了一种残差引导的属性特异性自适应校准机制,以考虑不同煤质特性之间残余预测误差的差异。从整体偏差、离散度、值域依赖性误差和跨属性关联等角度对训练折残差进行刻画,以识别残余基础预测误差的结构。候选校准器在直接学习和残差学习模式下进行评估,并根据折内验证性能为每种属性分别选择校准器、学习模式和校正强度。该策略使校准幅度能够适应属性特异性的预测行为,同时降低二次校正不稳定或过度的风险。

**(3)** 将从多属性基础预测中派生的跨指标特征纳入自适应校准过程,以利用煤质特性之间的互补关系。从Mt、Ad、Vd和Qnet,ar的基础预测中构建物化关联特征,并将其作为属性特异性校准的附加输入。这些特征在不需要额外光谱测量或留出样本参考信息的情况下,为残差校正提供了补充性的煤质组分信息。

本文其余部分组织如下。第2节描述数据集和问题公式化,包括重复NIRS光谱和煤样群组结构,Mt、Ad、Vd和Qnet,ar的统计分布与相关性,以及群组级多属性预测问题。第3节介绍所提出的ED-CIAC方法,包括整体框架、群组级多视图基础预测和残差引导的自适应校准。第4节报告实验结果与讨论,包括实验设置、与不同方法的性能比较、消融分析、误差诊断以及自适应校准的有效性。第5节总结全文并讨论该方法在煤炭快速检测、大规模煤样群组和多源光谱融合等方面的潜在扩展。

**第2节片段:NIRS测量方案与煤样群组结构**

NIRS测量采用配备Luminar 4030 AOTF-NIR光谱仪的带式煤炭测量系统进行。约5至8公斤破碎颗粒煤通过NIRS检测区域进行输送。在输送过程中,系统以约1秒的间隔连续记录反射近红外信号,每次采集产生一条光谱。因此,在同一个煤样通过检测区域的过程中获得了多条连续光谱。

**第3节片段:整体框架**

基于第2节所述的煤样群组结构和多指标预测任务,本研究提出了一种误差诊断引导的跨指标自适应校准方法,简称ED-CIAC。该方法将每个煤样群组作为基本建模单元,包含两个顺序阶段,即群组级多视图基础预测和残差引导的自适应校准。所提方法的整体框架如图3所示。

在基础预测阶段中……

**第4节片段:实验设置**

为确保不同方法之间公平且无数据泄漏的比较,所有实验均采用煤样群组级五折交叉验证进行。将独立的煤样群组划分为五折,来自同一煤样的所有重复光谱保留在同一折中。对于每个外折,四折用于模型开发,剩余一折仅用于留出评估。在每个外训练部分中,20%的……

**第5节片段:结论**

本研究提出了一种误差诊断引导的跨指标自适应校准方法,用于基于NIRS的含重复光谱的煤质多属性预测。ED-CIAC将每个煤样群组作为基本建模单元,结合了群组级多视图基础预测、残差刻画、跨指标校准信息和基于验证的属性特异性自适应校准。

该方法自适应地优化了 Mt、Ad、Vd 和 Qnet,ar 的基础预测。

利益冲突声明
作者声明,他们不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢
本工作得到了国家自然科学基金(批准号:42201386)以及北京科技大学中央高校基本科研业务费专项资金(FRF-TP-24-060 A)的部分支持。

翁智鹏 | 李江云 | 袁力
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号