基于遗传算法优化的XGBoost煤质LIBS定量分析算法研究.pdfVIP

第45卷，第11期光谱学与光谱分析Vol.45,No.11,pp3048-3056

2025年11月SpectroscopyandSpectralAnalysisNovember,2025

基于遗传算法优化的XGBoost煤质LIBS定量分析算法研究

朱婷婷1，潘从元1.2.3*，赵前进，薛骅驳2，申远28，张兵2.3

232002

1．安徽理工大学数学与大数据学院，安徽淮南

2.合肥金星智控科技股份有限公司，安徽合肥230088

3.安徽省流程工业在线检测与智能系统重点实验室，安徽合肥230088

摘要针对燃煤铜冶炼厂对煤质成分在线检测的高精度需求，提出了一种基于遗传算法（GA)优化的极端

梯度提升决策树(XGBoost)集成模型GA-XGBoost，提升了激光诱导击穿光谱（LIBS)技术在复杂煤质分析中

的工业适用性。针对传统XGBoost模型因超参数敏感性导致的过拟合及泛化能力不足问题，GA-XGBoost

采用遗传算法全局搜索策略，自适应优化关键超参数（学习率、树深度、正则化参数等），并结合二进制编码

实现特征子集的动态筛选，从而有效降低高维LIBS光谱数据中的噪声干扰。为验证模型的实用性与普适

性，选取山西大同（烟煤）及内蒙古鄂尔多斯（褐煤）两大典型产区的59个标准煤样作为实验对象。通过自适

应迭代基线校正（airPLS)与Savitzky-Golay滤波等预处理方法，将原始光谱特征维度从14328维压缩至500

维，并利用SHAP值筛选关键特征。在此基础上，分别采用GA-XGBoost、XGBoost、随机森林（RF）、支持

向量机（SVM)、多元线性回归（MLR)与偏最小二乘（PLS)进行灰分与热值的预测对比实验。实验结果表明，

相较于传统XGBoost、随机森林等模型，GA-XGBoost在煤质灰分和热值预测任务中表现更优，灰分预测的

决定系数（R²）提升0.053，均方根误差（RMSE)降低0.964，平均绝对误差（MAE)降低0.324，RSD降低了

1.494%；热值预测的R²提升0.003，RMSE降低0.021，MAE降低0.07，RSD降低了0.871%。此外，为

验证模型在复杂工业环境下的鲁棒性，该研究选取了20组未参与建模的煤炭现场数据进行外部验证，结果

表明GA-XGBoost在灰分和热值预测中的误差均保持在合理范围内，验证了模型对不同煤种的适应能力。

该研究将GA优化与LIBS煤质光谱分析相结合，有效应对光谱干扰和模型泛化问题，为实时、多参数煤质

分析提供了统一框架。现场测试结果表明，该模型可集成至燃煤铜冶炼厂的LIBS在线检测系统，灰分预测

误差1%、热值误差0.5MJ·kg-1。该研究将遗传算法与LIBS光谱分析深度融合，提出了一个兼顾精

度和鲁棒性的煤质多参数快速定量分析框架，为煤炭清洁与高效利用提供了新的技术途径。

关键词LIBS；煤质；GA-XGBoost；超参数优化；工业鲁棒性

中图分类号：0433.4文献标识码：AD0l:10.3964/j.issn.1000-0593(2025)11-3048-09

提升0.5%，年碳排放减少约2.4万吨；而热值每提高

引言1MJ·kg-1，发电煤耗可降低约2.5g·（kW·h）-1[3]。开

发灰分与热值的快速精准检测技术，对铜冶炼厂的燃烧-还

煤质成分在线检测不仅是铜冶金过程控制的“传感器”，原协同优化、冶炼能效提升及低碳清洁生产目标的实现具有

更是智能化升级的基石。通过将煤质数据与熔炼动力学模关键作用。

型、专家系统深度融合，可构建“检测一分析一决策一执行”目前，常用的煤质快速分析