【Ziel】 Die Technik der laserinduzierten Breakdown-Spektroskopie (LIBS) bietet aufgrund ihrer Vorteile wie der Nichtnotwendigkeit einer komplexen Probenvorbehandlung, der gleichzeitigen Erfassung mehrerer Indikatoren und der schnellen Analyse großes Anwendungspotenzial im Bereich der schnellen Kohleanalyse. Aufgrund unterschiedlicher Reaktionen der Spektralsignale verschiedener Geräte nimmt jedoch die Genauigkeit von quantitativen Analysemethoden, die auf Spektraldaten des Hauptgeräts trainiert wurden, bei Anwendung auf andere Sekundärgeräte deutlich ab. Daher basiert diese Studie auf TrAdaBoost Transferlernen in Kombination mit verschiedenen Machine-Learning-Algorithmen zur Erstellung eines geräteübergreifenden quantitativen Modells zur Kohleanalyse mit LIBS. 【Methode】 Zwei LIBS-Kohlenstoff-Schnellerkennungsgeräte wurden als Haupt- und Sekundärgeräte betrachtet, und es wurden LIBS-Spektren von Kohlenproben in unterschiedlichen Mengen an beiden Geräten gesammelt. Es wurden Random Forest (RF), Support Vector Machine (SVR) sowie TrAdaBoost in Kombination mit RF (Tr A-RF) und TrAdaBoost in Kombination mit SVR (Tr A-SVR) verwendet, um quantitative Modelle zur Kohleanalyse zu erstellen, und unbekannte Kohlenproben wurden auf dem Sekundärgerät analysiert, um die Modellleistung zu vergleichen. 【Ergebnisse】 Die Ergebnisse zeigen, dass die Modelle Tr A-RF und Tr A-SVR die Genauigkeit der Kohlequalitätsvorhersage im Vergleich zu den RF- und SVR-Modellen signifikant verbessern. Dabei erzielte das Tr A-RF-Modell die beste Vorhersagegenauigkeit, wobei der durchschnittliche absolute Vorhersagefehler von Heizwert, Asche und Kohlenstoffgehalt von 1,390 MJ/kg, 4,774% und 3,826% auf 0,654 MJ/kg, 2,338% und 1,927% im Vergleich zum RF-Modell reduziert wurde; das Tr A-SVR-Modell erzielte die höchste Genauigkeit bei der Vorhersage der Flüchtigkeit, wobei der durchschnittliche absolute Vorhersagefehler von 2,722% auf 2,524% im Vergleich zum SVR-Modell reduziert wurde. 【Fazit】 Die Studienergebnisse zeigen, dass Transferlernen in Kombination mit einem geeigneten Basislerner die Anpassungsfähigkeit quantitativer Kohleanalysemethoden an unterschiedliche Geräte verbessern kann.

Laser-induzierte Breakdown-Spektroskopie;Transferlernen;Kohlequalität;quantitative Analyse;Maschinelles Lernen