【Цель】 Технология лазерной индуцированной пробивной спектроскопии (LIBS) обладает такими преимуществами, как отсутствие необходимости в сложной предварительной обработке образцов, одновременное обнаружение нескольких показателей и быстрый анализ, что делает ее весьма перспективной для быстрого анализа качества угля. Однако из-за различий в отклике спектральных сигналов разных приборов точность количественной аналитической модели, обученной на спектрах основного прибора, значительно снижается при применении к другим подчиненным приборам. В этой работе на основе переноса обучения TrAdaBoost в сочетании с различными алгоритмами машинного обучения построена модель количественного анализа качества угля для разных приборов LIBS. 【Методы】 Два прибора LIBS для быстрого обнаружения качества угля были приняты за основной и подчиненный, и на каждом из них были собраны спектры LIBS образцов угля в различных количествах. Для построения моделей количественного анализа качества угля использовались случайный лес (RF), метод опорных векторов (SVR), а также TrAdaBoost в сочетании с RF (Tr A-RF) и TrAdaBoost в сочетании с SVR (Tr A-SVR). Затем на подчиненном приборе выполнялся анализ неизвестных образцов угля для сравнения производительности моделей. 【Результаты】 Результаты показали, что модели Tr A-RF и Tr A-SVR значительно повысили точность прогнозирования качества угля по сравнению с моделями RF и SVR. Среди них модель Tr A-RF показала наилучшую точность прогнозирования: средняя абсолютная ошибка прогноза теплоты сгорания, золы и содержания углерода уменьшилась с 1,390 МДж/кг, 4,774% и 3,826% до 0,654 МДж/кг, 2,338% и 1,927% соответственно по сравнению с моделью RF; модель Tr A-SVR имела наивысшую точность прогнозирования летучих веществ, средняя абсолютная ошибка снизилась с 2,722% до 2,524% по сравнению с моделью SVR. 【Вывод】 Результаты исследования показывают, что перенос обучения в сочетании с подходящим базовым обучающим алгоритмом может повысить адаптивность модели количественного анализа качества угля к разным приборам.

лазерная индуцированная пробивная спектроскопия;перенос обучения;качество угля;количественный анализ;машинное обучение