融合XRF光谱信息与RF-RSCN的浮选精煤灰分智能检测方法OA

针对浮选精煤灰分检测速度慢、难以满足生产过程快速调控需求的问题,提出了一种融合X射线荧光光谱(XRF)信息与残差驱动特征加权正则化随机配置网络(RF-RSCN)的智能检测方法。首先,针对在线XRF光谱数据维度高、共线性强及噪声干扰明显的特点,采用偏最小二乘法(PLS)进行监督降维,提取与灰分值密切相关的潜在特征;在此基础上,引入特征加权机制、残差驱动节点配置策略及动态正则化方法,以增强模型对复杂非线性关系的表征能力和泛化性能。基于选煤厂浮选精煤在线采集的924组样本开展验证,结果表明:在时间顺序划分条件下,RF-RSCN模型测试集的均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R^(2))分别为0.0134、0.0102和0.9965,整体预测效果优于随机配置网络(SCN)、块增量随机配置网络(BSCN)、增量随机向量函数链神经网络(IRVFLN)、支持向量回归(SVR)、混合深度神经网络(HDNN)、偏最小二乘回归(PLSR)和BP等对比模型;单样本测试时间为3.5×10^(-5) s,具有较高的计算效率。这些均表明该方法能够较有效地建立XRF光谱与精煤灰分信号之间的映射关系,可为浮选精煤灰分快速检测及过程优化提供技术支撑。