在现有的重介选煤生产过程中，产品质量的控制主要依靠技术检查部门提供快灰数据( 化验数据) 进行密度调节来实现，由于缺乏有效的实时监测手段，而人工采样、制样和化验到报出结果一般需 2h，导致洗选过程中经常出现信息反馈滞后、产品灰分超标现象[1，2]。为了解决这一问题，目前多数选煤厂采用在线灰分测试仪来进行在线灰分监测，其具有测定灰分速度快、信息反馈及时的特点，能实时监测重选后产品的质量变化趋势，及时指导重介密度操作，稳定产品质量，防止煤炭质量事故发生。根据现场情况反馈，在实际使用过程中，由于在线测灰仪的监测结果受到诸多因素的干扰影响，如煤的水分、脱介情况等，使得监测结果出现误差; 测灰仪放射源的自然衰减，需定期校正[3]。基于这种现象，测灰仪在现场的作用受到限制，其结果一般只作为参考，实际的密度操作仍以快灰作为依据。笔者将最小二乘支持向量机( LS-SVM) 算法引入测灰仪的灰分输出较正中，提出了一种新的测灰仪输出校正方法，通过该方法改善测灰仪的输出特性，滤除外界因素的干扰，使校正后的测量值逼近于实际值，真正为密度调节提供决策依据。①
1 影响测灰仪的因素
灰分仪测量的基本原理是: 采用 AM作为低能 γ 放射源、CS作为高能 γ 放射源，实际测量时，γ 射线从一定孔径的准直孔射出，如光束一样以具有一定面积( 直径约为 30 ～50mm) 的锥形束射向煤层，接收装置根据窄束 γ 投射物质时的指数衰减规律来确定煤质灰分。在实际使用中，存在着以下多种原因使测量产生误差[4]。
1. 1 煤质因素
1. 1. 1 煤中金属及其氧化物含量
金属来源主要由两个部分构成: 一是煤自带，二是重介质中残留。对自带金属来说，试验表明铁含量对测量结果影响最为严重，每 1% 增量将引起灰分仪测量值偏大。对灰分是 10% 的精煤，测量值偏大 0. 4% ～ 5%; 对灰分是 20% 的原煤，测量值偏大 0. 9%。钙对灰分的影响大约是铁的1 /3，硅和铝影响很小。重介质残留对灰分的影响和铁类似，因此在重介选煤过程中应严格脱介，确保介质含量很小或者形成系统性误差，即误差为一定值。
1. 1. 2 煤中水分含量
含水量是影响测灰仪误差的因素之一，试验表明，当煤的灰分低于 10% 时，测量值随水分增加而增大; 当灰分高于 10% 时，则相反。对低灰分的精煤，水分的变化对测量结果影响很小，含水量每变化 1%，灰分变化不会大于 0. 05%。但是对于高灰分的原煤，含水量每增加 1%，将使灰分测量值减小约 0. 2%，影响比精煤严重。
1. 1. 3 粒度组成
粒度大小对煤灰分的测量也有着重要的影响。试验表明，粒度小的煤灰分测量值偏大，粒度大的煤灰分测量值偏小; 但对于粒度小于 13mm的煤，灰分测量基本上没有差别。实际生产中煤中各种颗粒都有，粒度组成较为稳定。
1. 2 煤流因素
1. 2. 1 煤的质量厚度及在水平方向的均匀性等
测灰仪在使用过程中，要求被测量煤流混合均匀且煤层有一定的厚度，精煤质量厚度( 质量厚度 = 质量密度 × 高度) 要在 0. 5 ～ 3kg/m2之间，原煤质量厚度要在 0. 5 ～ 2kg/m2之间。实际生产过程中，精煤可能出现不符合的情况，但原煤一般容易满足此要求。
1. 2. 2 煤质灰分异常
灰分仪检测灰分有一定的范围限制，以淮北选煤厂为例，其设置显示值在 5 ～15，实测值可达到 0 ～40。由于精煤灰分相对稳定，从现场采集到的历史数据来看，一般不会超过 5 ～15; 但对原煤来说则不一定，若灰分很大，则会超过测量范围，以致无法检测。
1. 3 日常管理维护等
1. 3. 1 测灰仪的日常保养和管理测灰仪需要定期保养，当有灰尘或者煤灰掉到探头部位未及时处理，或者未对标准块进行自检，未定期和实际灰分比对调 0，其结果也会出现误差。
1. 3. 2 测灰仪的自然衰减
测灰仪的使用寿命一般为 30 年左右，其放射源有自然的衰减，应该定期的与标准块校准或者与实际灰分比对调 0。
结合以上误差分析，可以得出影响测灰仪检测误差的原因主要有重介质残留、脱水情况、煤层质量厚度和均匀性，以及日常维护等原因，部分原因产生的误差具有不可控性，并且无规律可循，严重影响了测灰仪的输出精度和可靠性，且无法得出其具体的数学模型。笔者通过对测灰仪在检测范围内连续在线检测不同情况下的响应规律和分布进行研究，分析其输出特性，将测灰仪的误差校正转化为回归问题，采用最小二乘支持向量机予 以实现。
2 LS-SVM 校正模型[5]
最小二乘支持向量机是 VapNIk V N 提出的支持向量机的一种扩展[6]，是近年来统计学习理论较有影响的成果之一，其训练过程同样遵循结构风险最小化原则，克服了神经网络的过拟合现象和局部极小问题。由于最小二乘支持向量机具有较快的学习速度和较强的泛化能力，适合小样本数据训练，因此选择最小二乘支持向量机来实现测灰仪的自校正。
假设测灰仪的输入与输出可用 x = f( u) ，u∈( ξa，ξb) 表示，其中 x 表示测灰仪的输出，u 表示测灰仪的输入，ξa、ξb为输入信号的范围。由于存在着各种不可控误差，因此 x 不能真实地反映被测煤的实际灰分。为了消除测灰仪产生的误差，可使其输出 x 通过一个校正环节，如图 1 所示。该模型的特征函数为 y = g( x) ，其中 y 为校正后的输出。
∈Rn是输入矢量，yi∈Rn是相应的输出，根据Suykens J A K 的 LS-SVM 理论[7]，输入空间 Rn通过非线性函数 φ( xi) 被映射到一个高维特征空间Z，实现将输入空间的非线性拟合问题转化为高维特征空间的线性拟合，采用下式的特征空间[8]:
3 测灰仪输出误差校正实现
由前述可知，影响测灰仪输出的因素很多，且多为不可控因素，时刻影响着测灰仪数据的可靠性。标准的 SVM 算法抗噪声能力较差，且速度不依赖于输入空间的维数，而依赖于样本的个数，样本数越大，求解相应的二次规划问题越复杂，计算速度越慢，花费的时间越长。LS-SVM 其优化指标采用了平方项，只有等式约束，从而简化了计算复杂性，与标准 SVM 算法的主要区别在于损失函数项和等式约束条件。利用式( 8) 向量机模型实现测灰仪的输出校正，求解最优的测灰仪输出响应曲线，其算法描述如下:
a. 在连续的在线检测过程中，获取测灰仪的实际输出值和同一时刻的快灰数据，构成一组训练样本( xi，yi) ;
b. 确定一组 LS-SVM 校正模型参数，如正则化参数 r 和核参数 σ;
c. 根据样本按式( 6) 求参数 a、b;
d. 得出式( 8) 的测灰仪输出最优响应曲线，实现连续检测中测灰仪的误差校正。
鉴于前述的测灰仪误差影响因素，如待选煤的煤种变化及测灰仪的自然衰减等，导致训练样本发生变化，从而使原有的 SVM 校正模型参数不满足误差要求，需要重新标定 SVM 的校正模型参数，因此需对误差进行监视，当出现误差连续扩大且不满足误差要求的时候，应取前一段的测灰仪在线检测数据与快灰数据进行训练，重新确定LS-SVM 校正模型参数。
应用最小二乘法对样本进行训练时，如何正确选择正则化参数 r 和核参数 σ 非常重要。用网格搜索法先选择参数对( r，σ) ，然后用交叉验证法对目标函数进行寻优，直至找到最佳的参数对，使交叉验证的精度最高，并且能够避免过拟合问题。
4 试验结果
根据 LS-SVM 的数据样本要求，以测灰仪在线监测数据为输入，快灰数据为输出，建立一组训练样本，采用 Matlab 中的 LS-SVM 工具箱进行数据的训练与校正。笔者以凤凰山矿选煤厂数据为例进行仿真测试[10]，测试数据有 20 条，前 10 条用于训练，后 10 条用于检测校正结果。AD，Q为在线测灰仪的测试数据，AD，H为人工化验数据，A校正为测灰仪的校正结果，Δ原为原始数据误差，Δ校为经过 LS-SVM 校正后的数据误差。
训练数据及结果见表 1。在训练过程中正则化参数 r 取 45，核参数 σ 取 7. 5，校正后的测灰仪输出逼近于化验结果，误差 Δ校相对较小，校正效果较好。由此可见，最小二乘支持向量机对测灰仪的数据输出有较好的校正能力，能滤除测灰仪的各种干扰影响，还原其真实值。
5 结束语
测灰仪在选煤生产过程中有着重要的作用，不但有效指导选煤质量生产，还影响着今后选煤生产灰分回控的可靠实施。笔者在分析测灰仪产生误差的基础上，提出了利用 LS-SVM 实现对测灰仪的输出校正，通过数据分析和仿真表明，LS-SVM 可以有效地校正测灰仪由于各种因素干扰所产生的误差，此方法简单易行、速度快，采用小样本数据，有较强的曲线拟合能力，是对测灰仪输出误差校正研究的有益尝试，为今后测灰仪的准确可靠使用提供了理论支持与保证。
参 考 文 献
[1] 徐卯聪. 在线测灰仪在选煤厂的应用[J]. 煤质技术，2008，( 6) : 46 ～47.
[2] 施健. 合成氨水煤浆装置棒磨机故障监测与诊断[J]. 化工机械，2009，36( 5) : 483 ～485.
[3] 朱广丽. γ-射线灰分仪在跳汰选煤上的应用研究[D]. 淮南: 安徽理工大学，2005.
[4] 张志康，卓韵裳，林谦等. γ-辐射煤灰分仪[M]. 北京: 原子能出版社，1999: 42 ～50.
[5] 陈锋，杨大福，方科等. 基于最小二乘支持向量机的离子传感器自校正的研究[J]. 模式识别与人工智能，2007，20( 1) : 115 ～118.
[6] Vapnik V N. The Nature of Statistical Learning Theory[M]. New York，USA: Springer-Verlag，1995: 267 ～280.
[7] Suykens J A K，Vandewalle J. Least Squares SupportVector Machine Classifiers[J]. Neural Processing Let-ters，1999，9( 3) : 293 ～ 300.
[8] 刘道光，吕丽霞，刘长良. 支持向量机在炉膛火焰监测中的应用[J]. 化工自动化及仪表，2010，37( 1) :41 ～ 44.
[9] 肖炎良，侯立刚，张勇等. 基于 PSO-SVM 的催化裂化装置故障诊断研究[J]. 化工自动化及仪表，2010，37( 10) : 55 ～ 57.
[10] 张俊彦，张靖宇. ZZ-89B 型快灰仪在凤凰山矿选煤厂的应用效果[J]. 煤炭加工与综合利用，2002，( 6) : 30 ～33.
