本發(fā)明涉及厚度計量。更具體地，本發(fā)明涉及一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量系統(tǒng)及方法。

背景技術(shù)：

1、煤膠質(zhì)層測量技術(shù)是評估煉焦煤質(zhì)量的關(guān)鍵手段，其核心在于考察煤在高溫下的軟化、熔融和固化行為，尤其是形成膠質(zhì)體的過程。傳統(tǒng)的煤膠質(zhì)層測量方法如gieseler塑性儀法，涉及將煤樣置于特定容器中，在單側(cè)加熱條件下形成一系列等溫層面，由此觀察煤樣的軟化、膠質(zhì)體生成和固化過程，測量重點包括膠質(zhì)體的最大厚度、膨脹壓力及體積變化曲線，這些數(shù)據(jù)有助于評定煤的膠質(zhì)體特性，進而推斷其煉焦性能。近年來，隨著科技的進步，計算機視覺與圖像處理技術(shù)在煤膠質(zhì)層測量的應(yīng)用方面得到了顯著提升，實現(xiàn)了膠質(zhì)層指數(shù)測量的自動化，提高了精確度與效率。其中，測量未知煤樣的膠質(zhì)層厚度是煤膠質(zhì)層測量中非常關(guān)鍵的一個部分，它涉及到對一個未知煤樣的最大膠質(zhì)層厚度以及需要溫度的準確預(yù)測，進一步控制焦化條件，預(yù)測的精準性對于未知煤樣的膠質(zhì)層特性和煉焦性能分析至關(guān)重要。

2、申請公布號為cn116973541a的專利申請文件公開了煙煤膠質(zhì)層最大厚度的檢測方法，具體是對煤樣進行加熱處理，并利用探針檢測煤樣的上部層面高度和下部層面高度，以獲取煙煤膠質(zhì)層最大厚度。上述方案中是直接對煤樣進行加熱處理，并直接進行測量。需要說明的是，不同的煤樣均需要進行測量，使得煤樣膠質(zhì)層的檢測效率低下，且在進行測量時，對測量條件要求較高，如升溫速度、煤樣粒度、壓力、煤杯的材質(zhì)和煤杯外圍爐磚的耐火材料的熱性質(zhì)等都顯著影響測定結(jié)果；即當測量條件不準時，使得準確率并不高。

3、因此，如何提高煤樣膠質(zhì)層的檢測效率以及檢測結(jié)果的準確率是尤為重要的。

技術(shù)實現(xiàn)思路

1、為解決上述背景技術(shù)中提出的當測量條件不準時，使得準確率并不高的問題，本發(fā)明在如下的多個方面中提供方案。

2、在第一方面中，本發(fā)明提供了一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法，包括：獲取待檢測煤樣不同溫度下的煤化學(xué)特征數(shù)據(jù)；

3、將所述煤化學(xué)特征數(shù)據(jù)輸入機器學(xué)習(xí)模型，得到待檢測煤樣的厚度；其中，機器學(xué)習(xí)模型的訓(xùn)練過程包括：采集多個煤樣不同溫度下的煤化學(xué)特征數(shù)據(jù)；設(shè)定多個鄰域半徑，基于所述鄰域半徑對多個煤樣進行聚類，得到各鄰域半徑下的聚類簇；利用改進的ch指數(shù)對各鄰域半徑下的聚類簇進行評估，得到對應(yīng)的聚類質(zhì)量指標，將聚類質(zhì)量指標最大的簇及其對應(yīng)的厚度作為訓(xùn)練集；將訓(xùn)練集輸入機器學(xué)習(xí)模型進行訓(xùn)練，得到訓(xùn)練好的機器學(xué)習(xí)模型；其中，改進的ch指數(shù)包括利用特征權(quán)重對聚類簇內(nèi)離散度矩陣的跡進行加權(quán)；所述特征權(quán)重為：

4、；

5、式中，表示第個煤樣的特征權(quán)重，表示第個煤樣的方差，表示第個煤樣的標準差，表示方差的集合，表示標準差的集合，表示調(diào)整參數(shù)，表示取集合中的最大值，表示取集合中的最小值。

6、通過上述方法，可以顯著提高煤膠質(zhì)層厚度預(yù)測的精度，并適用于各種不同類型的煤樣，具有廣泛的應(yīng)用前景。

7、進一步地，所述多個鄰域半徑的獲取過程為：

8、根據(jù)閔可夫斯基算法，選擇不同參數(shù)p，分別計算任意兩個煤樣的煤化學(xué)特征數(shù)據(jù)之間的距離值，并對所述距離值進行升序處理后繪制距離分布圖；獲取所述距離分布圖中的拐點，將所述拐點對應(yīng)的距離值作為鄰域半徑，進而得到不同參數(shù)p下的多個鄰域半徑。

9、通過閔可夫斯基算法選擇不同參數(shù)p，分別計算任意兩個煤樣的煤化學(xué)特征數(shù)據(jù)之間的距離值，并對這些距離值進行升序處理后繪制距離分布圖。通過差分法檢測距離分布圖中的拐點，確定多個鄰域半徑。此外，通過不同參數(shù)p下的鄰域半徑選擇，能夠動態(tài)適應(yīng)不同數(shù)據(jù)集的特點，從而選出不同參數(shù)p下比較合適的鄰域半徑，確保后續(xù)的聚類效果的穩(wěn)定性和可靠性。

10、進一步地，獲取所述距離分布圖中的拐點采用差分法、曲率法或插值法。

11、進一步地，基于所述鄰域半徑對多個煤樣進行聚類的算法為dbscan算法。

12、采用dbscan算法進行聚類分析，dbscan是一種密度聚類算法，能夠有效識別任意形狀的聚類簇，特別適用于具有噪聲的數(shù)據(jù)集。通過設(shè)定鄰域半徑和最小樣本點數(shù)，dbscan算法能夠自適應(yīng)調(diào)整，適應(yīng)不同數(shù)據(jù)集的特征，確保聚類效果的穩(wěn)定性和魯棒性。這種高效聚類方法顯著提高了煤樣數(shù)據(jù)的聚類分析質(zhì)量，為機器學(xué)習(xí)模型的訓(xùn)練提供了可靠的數(shù)據(jù)基礎(chǔ)。

13、進一步地，還包括對所述聚類質(zhì)量指標進行調(diào)整，得到最終的聚類質(zhì)量指標的步驟，具體為：計算第二評價指標，基于聚類質(zhì)量指標和第二評價指標得到最終的聚類質(zhì)量指標，其公式如下：

14、；

15、式中，score表示最終的聚類質(zhì)量指標，表示權(quán)重，表示改進的ch指數(shù)，表示第二評價指標，log表示對數(shù)函數(shù)。

16、通過結(jié)合改進的ch指數(shù)和第二評價指標，并引入權(quán)重調(diào)整，計算出最終的聚類質(zhì)量指標，能夠綜合考慮聚類結(jié)果的內(nèi)部一致性和分離度，多維度地評估聚類質(zhì)量，從而提供更全面和靈活的聚類性能評估，提升了聚類結(jié)果的準確性和可靠性。

17、進一步地，所述計算第二評價指標采用蘭德指數(shù)算法、調(diào)整蘭德指數(shù)算法、調(diào)整互信息分數(shù)或dunn指數(shù)算法。

18、進一步地，所述機器學(xué)習(xí)模型包括：線性回歸模型、支持向量機模型和隨機森林模型。

19、提供多種機器學(xué)習(xí)模型選擇，包括線性回歸模型、支持向量機模型和隨機森林模型。不同模型具有不同的優(yōu)缺點，通過靈活選擇最適合的模型，可以提高預(yù)測的精度和適用性。多模型選擇增強了方法的魯棒性，通過結(jié)合多種模型的預(yù)測結(jié)果，可以提升預(yù)測的穩(wěn)健性和可靠性，避免單一模型可能帶來的誤差和不穩(wěn)定性。

20、在第二方面中，本發(fā)明提供了一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量系統(tǒng)，包括存儲器和處理器，所述存儲器內(nèi)存儲有計算機程序指令，當所述計算機程序指令被所述處理器執(zhí)行時實現(xiàn)以上任一項所述的基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法。

21、本發(fā)明的有益效果在于：

22、本發(fā)明通過采集煤樣不同溫度下的煤化學(xué)特征數(shù)據(jù)，設(shè)定多個鄰域半徑進行聚類，并利用改進的ch指數(shù)進行評估，選擇聚類質(zhì)量指標最大的簇及其對應(yīng)的厚度作為訓(xùn)練集，訓(xùn)練機器學(xué)習(xí)模型來預(yù)測煤樣厚度。該方法有效整合了大數(shù)據(jù)分析與機器學(xué)習(xí)技術(shù)，通過閔可夫斯基算法和dbscan聚類算法優(yōu)化聚類過程，改進的ch指數(shù)和第二評價指標相結(jié)合，使聚類質(zhì)量評估更加準確，進而能夠精確預(yù)測煤樣的厚度，提高了測量精度和效率。

技術(shù)特征：

1.一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法，其特征在于，所述多個鄰域半徑的獲取過程為：

3.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法，其特征在于，所述煤化學(xué)特征數(shù)據(jù)包括揮發(fā)分數(shù)據(jù)、灰分數(shù)據(jù)和硫分數(shù)據(jù)中的至少一種。

4.根據(jù)權(quán)利要求2所述的一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法，其特征在于，獲取所述距離分布圖中的拐點采用差分法、曲率法或插值法。

5.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法，其特征在于，基于所述鄰域半徑對多個煤樣進行聚類的算法為dbscan算法。

6.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法，其特征在于，還包括對所述聚類質(zhì)量指標進行調(diào)整，得到最終的聚類質(zhì)量指標的步驟，具體為：

7.根據(jù)權(quán)利要求6所述的一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法，其特征在于，所述計算第二評價指標采用蘭德指數(shù)算法、調(diào)整蘭德指數(shù)算法、調(diào)整互信息分數(shù)或dunn指數(shù)算法。

8.根據(jù)權(quán)利要求1所述的一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法，其特征在于，所述機器學(xué)習(xí)模型包括：線性回歸模型、支持向量機模型和隨機森林模型。

9.一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量系統(tǒng)，其特征在于，包括存儲器和處理器，所述存儲器內(nèi)存儲有計算機程序指令，當所述計算機程序指令被所述處理器執(zhí)行時實現(xiàn)權(quán)利要求1~8任意一項所述的一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量方法。

技術(shù)總結(jié)
本發(fā)明涉及厚度計量技術(shù)領(lǐng)域，本發(fā)明涉及一種基于大數(shù)據(jù)的煤膠質(zhì)層厚度測量系統(tǒng)及方法，包括：獲取待檢測煤樣不同溫度下的煤化學(xué)特征數(shù)據(jù)；將所述煤化學(xué)特征數(shù)據(jù)輸入機器學(xué)習(xí)模型，得到待檢測煤樣的厚度；其中，機器學(xué)習(xí)模型的訓(xùn)練過程包括：采集多個煤樣不同溫度下的煤化學(xué)特征數(shù)據(jù)；設(shè)定多個鄰域半徑，對多個煤樣進行聚類，得到各鄰域半徑下的聚類簇；利用改進的CH指數(shù)對聚類簇進行評估，得到對應(yīng)的聚類質(zhì)量指標，將聚類質(zhì)量指標最大的簇及其對應(yīng)的厚度作為訓(xùn)練集；將訓(xùn)練集輸入機器學(xué)習(xí)模型進行訓(xùn)練，得到訓(xùn)練好的機器學(xué)習(xí)模型。本發(fā)明能夠提高煤樣膠質(zhì)層的檢測效率以及檢測結(jié)果的準確率。

技術(shù)研發(fā)人員：毛海波,侯英敦,劉宇鋒,田濤,張成恩,王艷軍
受保護的技術(shù)使用者：山西今日中科智能科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6