La détection rapide et complète de la qualité du charbon est d'une grande importance pour l'optimisation de la combustion des chaudières et la transformation numérique intelligente des centrales thermiques à charbon. La spectroscopie de décharge induite par laser (LIBS) présente un potentiel d'application considérable dans la détection rapide de la qualité du charbon. Pour répondre aux objectifs d'une détection rapide sur site, des données spectrales de 46 échantillons de charbon provenant de différentes centrales ont été collectées à l'aide d'un dispositif d'essai LIBS à flux de particules de poussière de charbon. Une étude systématique a été menée sur la détection rapide synchronisée de multiples indicateurs de qualité du charbon combinant LIBS et apprentissage automatique. En raison des fluctuations spectrales importantes en état de flux de particules, le nombre de spectres d'impulsion unique collectés a été optimisé, et des méthodes de prétraitement des données telles que le filtrage des spectres invalides, la moyenne spectrale et la normalisation ont été établies. L'impact de quatre algorithmes d'apprentissage automatique (PLSR, SVR, PSO-SVR et LSTM) et de quatre types d'entrées caractéristiques des spectres (spectre complet, bandes caractéristiques, intégrale d'intensité et extraction PCA) sur la performance prédictive des modèles pour plusieurs indices de qualité du charbon a été comparé. Les résultats montrent que la collecte cumulative de 200 spectres d'impulsion unique pour la moyenne spectrale permet de contrôler l'incertitude du signal spectrale à moins de 5 % ; l'algorithme PSO-SVR offre les meilleures performances dans l'analyse quantitative multi-indicateurs. L'utilisation de l'algorithme PCA pour la réduction dimensionnelle des données spectrales a permis de réduire la charge de calcul tout en améliorant la performance prédictive du modèle. Le modèle combiné a un RMSE de 0,289 MJ/kg pour la prédiction du pouvoir calorifique du charbon, avec une erreur absolue moyenne de 0,231 MJ/kg ; les résultats de prédiction des fractions massiques de carbone, de cendres et de volatils sont également satisfaisants, avec des RMSE respectifs de 0,987 %, 1,310 % et 1,612 %, et des erreurs absolues moyennes respectives de 0,839 %, 1,014 % et 1,033 %. Les résultats montrent qu'en combinant des algorithmes d'apprentissage appropriés, la technologie LIBS peut réaliser une détection multi-indicateurs précise et rapide de la qualité du charbon, offrant de vastes perspectives d'application dans les scénarios d'utilisation efficace et propre du charbon.

qualité du charbon; spectroscopie de décharge induite par laser; apprentissage automatique; haute efficacité et propreté; flux de particules