A detecção rápida e abrangente da qualidade do carvão tem grande importância para a otimização da combustão em caldeiras e a transformação digital inteligente de usinas termelétricas a carvão. A espectroscopia de quebra induzida por laser (LIBS) possui um grande potencial de aplicação na detecção rápida da qualidade do carvão. Para atender aos objetivos de detecção rápida no local, foram coletados dados espectrais de 46 amostras de carvão de diferentes usinas utilizando um dispositivo experimental de detecção LIBS com fluxo de partículas de pó de carvão. Realizou-se um estudo sistemático sobre a detecção rápida síncrona de múltiplos indicadores da qualidade do carvão combinando LIBS e aprendizado de máquina. Devido às grandes flutuações espectrais no estado de fluxo de partículas, o número de espectros de pulso único coletados foi otimizado, e foram estabelecidos métodos de pré-processamento de dados, como triagem de espectros inválidos, média espectral e normalização espectral. Comparou-se o impacto de quatro algoritmos de aprendizado de máquina (PLSR, SVR, PSO-SVR e LSTM) e quatro tipos de características espectrais (espectro completo, bandas características, integral de intensidade e extração PCA) no desempenho preditivo dos modelos para múltiplos indicadores da qualidade do carvão. Os resultados indicaram que a coleta acumulada de 200 espectros de pulso único para média espectral pode controlar a incerteza do sinal espectral dentro de 5%; o algoritmo PSO-SVR apresentou o melhor desempenho na análise quantitativa de múltiplos indicadores de qualidade do carvão. O uso do algoritmo PCA para redução dimensional dos dados espectrais reduziu a carga computacional e melhorou o desempenho preditivo do modelo. O modelo combinado obteve erro quadrático médio da raiz para a previsão do poder calorífico do carvão de 0,289 MJ/kg e erro absoluto médio de 0,231 MJ/kg; os resultados de previsão da fração mássica de carbono, cinzas e voláteis também foram satisfatórios, com erros quadráticos médios da raiz de 0,987%, 1,310% e 1,612%, e erros absolutos médios de 0,839%, 1,014% e 1,033%, respectivamente. O estudo mostra que, combinando algoritmos apropriados de aprendizado de máquina, a tecnologia LIBS pode realizar a detecção rápida síncrona e precisa de múltiplos indicadores da qualidade do carvão, apresentando amplas perspectivas de aplicação em cenários de uso eficiente e limpo do carvão.

qualidade do carvão; espectroscopia de quebra induzida por laser; aprendizado de máquina; alta eficiência e limpeza; fluxo de partículas