Die schnelle und umfassende Erkennung der Kohlequalität ist von großer Bedeutung für die Optimierung der Kesselverbrennung und die digitale Transformation von Kohlekraftwerken. Die laserspektroskopische Emissionsanalyse (LIBS) besitzt ein enormes Anwendungspotenzial für die schnelle Qualitätsbestimmung von Kohle. Zur Erfüllung der Ziele der schnellen Vor-Ort-Analyse wurden spektrale Daten von 46 Kohleproben aus verschiedenen Kraftwerken mit einer LIBS-Detektionsanlage für Kohlepulverpartikelstrom gesammelt. Es wurde eine systematische Studie zur synchronen schnellen Mehrindikatorerkennung der Kohlequalität mittels einer Kombination aus LIBS und maschinellem Lernen durchgeführt. Aufgrund der starken spektralen Schwankungen im Partikelstrom wurde die Anzahl der Einzeleinzelnimpulsspektren optimiert und es wurden Vorverarbeitungsmethoden wie das Aussortieren ungültiger Spektren, Spektralmittelung und Spektralnormalisierung entwickelt. Außerdem wurde der Einfluss von vier Algorithmen des maschinellen Lernens (PLSR, SVR, PSO-SVR und LSTM) sowie von vier Arten spektraler Merkmale (Vollspektrum, charakteristische Bänder, Intensitätsintegration und PCA-Extraktion) auf die Vorhersageleistung der Modelle in Bezug auf mehrere Qualitätsindikatoren der Kohle verglichen. Die Ergebnisse zeigen, dass das kumulative Erfassen von 200 Einzeleinzellimpulspektren zur Spektralmittelung die Unsicherheit des Spektralsignals auf unter 5 % begrenzt; der PSO-SVR-Algorithmus zeigte die beste Vorhersageleistung bei der quantitativen Mehrindikatoranalyse der Kohlequalität. Die Anwendung der PCA zur Dimensionsreduktion der Spektraldaten verringerte die Rechenlast und verbesserte gleichzeitig die Vorhersageleistung des Modells. Das kombinierte Modell erreichte einen mittleren quadratischen Fehler von 0,289 MJ/kg bei der Prognose des Heizwerts der Kohle sowie eine mittlere absolute Abweichung von 0,231 MJ/kg; die Vorhersagen für Kohlenstoffmasseanteil, Asche- und Flüchtigstoffe waren ebenfalls zufriedenstellend mit mittleren quadratischen Fehlern von 0,987 %, 1,310 % und 1,612 % sowie mittleren absoluten Abweichungen von 0,839 %, 1,014 % und 1,033 %. Die Studie zeigt, dass durch die Kombination geeigneter Algorithmen des maschinellen Lernens die LIBS-Technologie eine präzise und schnelle synchrone Mehrindikatorerkennung der Kohlequalität ermöglicht und in Szenarien der effizienten und sauberen Kohleverwendung breite Anwendungsperspektiven besitzt.

Kohlequalität; laser-induzierte Breakdown-Spektroskopie; maschinelles Lernen; hohe Effizienz und Sauberkeit; Partikelstrom