La detección rápida y completa de la calidad del carbón es de gran importancia para la optimización de la combustión en calderas y la transformación digital inteligente de las centrales térmicas de carbón. La espectroscopía de ruptura inducida por láser (LIBS) tiene un gran potencial de aplicación en la detección rápida de la calidad del carbón. Para cumplir con el objetivo de detección rápida in situ, se recopilaron datos espectrales de 46 muestras de carbón de diferentes plantas utilizando un dispositivo experimental de detección LIBS con flujo de partículas de polvo de carbón. Se llevó a cabo un estudio sistemático sobre la detección rápida sincronizada de múltiples indicadores de calidad del carbón combinando LIBS con aprendizaje automático. Debido a la gran fluctuación espectral en estado de flujo de partículas, se optimizó el número de espectros de pulso único recopilados, y se establecieron métodos de preprocesamiento de datos como la selección de espectros inválidos, el promedio espectral y la normalización espectral. Se comparó el efecto de cuatro algoritmos de aprendizaje automático (PLSR, SVR, PSO-SVR y LSTM) y cuatro tipos de características espectrales (espectro completo, bandas características, integral de intensidad y extracción PCA) en el rendimiento predictivo de los modelos para múltiples indicadores de calidad del carbón. Los resultados muestran que la recopilación acumulativa de 200 espectros de pulso único para el promedio espectral puede controlar la incertidumbre de la señal espectral por debajo del 5 %; el algoritmo PSO-SVR presentó el mejor rendimiento en el análisis cuantitativo de múltiples indicadores de calidad del carbón. El uso del algoritmo PCA para la reducción de dimensionalidad de los datos espectrales redujo la carga computacional y mejoró el rendimiento predictivo del modelo. El modelo combinado tuvo un error cuadrático medio de predicción del poder calorífico del carbón de 0.289 MJ/kg y un error absoluto medio de 0.231 MJ/kg; los resultados de predicción para la fracción de carbono, cenizas y volátiles también fueron satisfactorios con errores cuadrados medios de 0.987 %, 1.310 % y 1.612 % y errores absolutos medios de 0.839 %, 1.014 % y 1.033 % respectivamente. El estudio demuestra que combinando algoritmos de aprendizaje automático adecuados, la tecnología LIBS puede lograr una detección rápida y precisa sincrónica de múltiples indicadores de la calidad del carbón, con amplias perspectivas de aplicación en escenarios de uso eficiente y limpio del carbón.

calidad del carbón; espectroscopía de ruptura inducida por láser; aprendizaje automático; alta eficiencia y limpieza; flujo de partículas