【Objectif】 La technologie de spectroscopie par ablation induite par laser (LIBS), en raison de ses avantages tels que l'absence de prétraitement complexe des échantillons, la détection simultanée de multiples indicateurs et l'analyse rapide, présente un potentiel d'application important dans le domaine de l'analyse rapide de la qualité du charbon. Cependant, en raison des différences dans la réponse des signaux spectraux entre différents instruments, la précision des modèles d'analyse quantitative entraînés sur les données spectrales de l'instrument principal diminue considérablement lorsqu'ils sont appliqués à d'autres instruments auxiliaires. Par conséquent, cette étude s'appuie sur l'apprentissage par transfert TrAdaBoost, combiné à différents algorithmes d'apprentissage automatique, pour construire un modèle d'analyse quantitative de la qualité du charbon à travers plusieurs instruments LIBS. 【Méthode】 Deux instruments LIBS de détection rapide de la qualité du charbon ont été considérés comme instrument principal et instrument auxiliaire, et des spectres LIBS d'échantillons de charbon en différentes quantités ont été collectés sur chacun. Des forêts aléatoires (RF), des machines à vecteurs de support (SVR), ainsi que TrAdaBoost combiné avec RF (Tr A-RF) et TrAdaBoost combiné avec SVR (Tr A-SVR) ont été utilisés pour construire les modèles d'analyse quantitative, puis les performances des modèles ont été comparées via l'analyse de qualité sur des échantillons inconnus sur l'instrument auxiliaire. 【Résultats】 Les résultats montrent que les modèles Tr A-RF et Tr A-SVR améliorent significativement la précision de la prédiction de la qualité du charbon par rapport aux modèles RF et SVR. Parmi eux, le modèle Tr A-RF a la meilleure précision de prédiction, avec une réduction de l'erreur absolue moyenne de prédiction de la chaleur de combustion, des cendres et de la teneur en carbone de 1,390 MJ/kg, 4,774 % et 3,826 % à 0,654 MJ/kg, 2,338 % et 1,927 % respectivement, par rapport au modèle RF ; le modèle Tr A-SVR a la meilleure précision pour la prédiction de la teneur en volatils, avec une réduction de l'erreur absolue moyenne de 2,722 % à 2,524 % par rapport au modèle SVR. 【Conclusion】 Les résultats indiquent que l'apprentissage par transfert combiné à un apprenant de base approprié peut améliorer l'adaptabilité du modèle d'analyse quantitative de la qualité du charbon à différents instruments.

spectroscopie par ablation induite par laser;apprentissage par transfert;qualité du charbon;analyse quantitative;apprentissage automatique