1 引言
研究发现，近红外光谱检测技术在水泥生料成分检测当中存在以下问题：水泥生料成分含量大多为金属氧化物，其近红外光谱吸收峰较小，不易进行定量检测；水泥生料粉堆密度变化影响漫反射光的强度，从而降低近红外光谱检测的精度；原材料种类或产地变化使检测模型的适配度变差；生产过程中存在原材料成分变化，近红外光谱磨后检测存在一定滞后时间。因此，研究基于近红外光谱检测技术的水泥生料质量控制技术，对水泥生料堆密度、原材料变化等影响因素进行分析，提高水泥生料近红外光谱检测精度，降低干扰因素影响[1]。
2 水泥生料质量控制系统实现
2.1 控制系统实现流程
首先，探究水泥生料四种成分近红外光谱波段的吸收峰分布规律及特征，运用光谱处理方法，分别建立四种成分的最优检测模型；在此基础上研究水泥生料堆密度对近红外光谱检测模型预测结果的影响，修正检测检测模型；
2.2 水泥生料成分模型构建
以水泥生料中SiO2、Al2O3、Fe2O3、CaO四种成分的吸收峰分布规律及特征为切入点，研究拟采用反向区间偏最小二乘法和协同偏最小二乘法对原始光谱和预处理光谱进行波段优选；分别建立基于比较主成分回归分析法[2]、偏最小二乘、支持向量机、多元线性回归、最小二乘、神经网络算法的水泥生料四种成分的检测模型；根据偏差极差、校正标准偏差、预测标准偏差、相关系数评价检测模型，选出每种成分的最优检测模型。开发一款水泥生料质量控制软件，实现水泥生料生产在线自动控制。该软件功能主要包含数据采集模块和水泥生料质量控制模块两部分。
2.3方案
2.3.1水泥生料近红外光谱采集
为了尽可能排除环境的干扰，光谱采集实验在室温28℃，湿度40%的环境下进行，采用四氟乙烯作为背景板。检测时，将采集到的样本取50g放入测试装置中，保持样本平整，近红外光谱仪扫描32次，获得水泥生料原始近红外光谱图。
2.3.2水泥生料成分近红外定量模型建立研究
水泥生料近红外光谱中不仅存在SiO2、Al2O3、Fe2O3、CaO成分信息，还存在噪声和其他信息[3-6]。因此，水泥生料成分近红外定量模型建立前首先对光谱进行预处理、波段挑选。本研究拟建立水泥生料成分近红外定量模型流程如图所示。
图2近红外定量模型流程
（1）数据处理
1）样本划分
将采集的样本划分为训练集和测试集，训练集用于建立近红外光谱检测模型，测试集用来检测模型的适配度。样本划分结果对于检测模型的稳定性与适配性指标有重要影响，本文拟采用SPXY法将成分信息和近红外光谱信息结合起来。SPXY流程如下：
第一步：根据式（1）计算所有水泥生料样本中每个样本之间的光谱变量和样本成分信息之间的欧氏距离，并选取两个距离最大的样本画为训练集。式（1）如下：
(1)
第二步：根据式（1）计算剩余样本与已选出两个样本之间的欧式距离，选取欧氏距离最大的样本划入训练集。
第三步：根据式（1）计算剩余样本与已经选择出三个样本之间的距离，选出最大值划入训练集。
第四步：重复以上操作，直到选择出满足要求的训练集。
2）光谱预处理
为了有效抑制水泥生料近红外光谱中存在的噪声对预测模型检测效果的影响，本研究拟采用SG平滑处理方法对水泥生料近红外光谱去噪。光谱预处理步奏如下：
第一步：选取水泥生料光谱区间的2n+1个点做为窗口，利用式（2）进行拟合其中m为多项式未知次数，公式如下：
(2)
第二步：为了消除数据拟合过程产生的误差，令对各系数求导，并使导数为0，公式如下：
(3)
第三步：得出多项式系数y，根据y求得窗口的中心波长点平滑值m和导数值，进一步求得平滑光谱和导数光谱。
（2）波段优选
水泥生料近红外光谱信息采集过程中，易受其他成分、温度、湿度等信息的影响。因此，在建模前拟首先进行波段选择，剔除冗余信息，降低建模数据维度，选择与水泥生料成分相关的特征波段进行建模，提高模型的精准度。研究过程拟进行两次波段挑选，首先拟选用反向区间偏最小二乘法（BiPLS）对近红外光谱进行划分，求出相关系数最大的区间组合。为了进一步缩减光谱数据变量、减少计算量，采用协同偏最小二乘法（SiPLS）进行再一次波段挑选。
（3）建模
针对波段挑选后的水泥生料近红外光谱图像，对SiO2、Al2O3、Fe2O3、CaO成分分别建模，以求各个成分的含量值。为了对比所建模型性能，避免出现过拟合和欠拟合现象，找出每种成分最合适的建模模型。针对每一种成分，选取原始光谱、SG处理光谱、BiPLS挑选原始光谱、BiPLS挑选SG光谱、SG-BiPLS-SiPLS光谱5种光谱，分别采用主城分析（PCR）方法、偏最小二乘回归（PLS）方法、支持向量机（SVM）方法、多元线性回归建模（MLR）方法、最小二乘（CLS）方法、神经网络（ANN）方法建模，运用交互验证校正标准差（RMSECV）、相关系数（Rc2）、校正标准偏差（RMSEP）、Rp2参数评价模型，得到每一种成分对应的最优检测模型，然后将XRF荧光检测得到的实际成分值和近红外光谱最优检测模型预测值对比，验证模型的有效性。
2.3.3 堆密度和原材料对水泥生料近红外光谱建模影响研究
水泥现场生产过程是比较复杂的，部分原料受市场波动，会发生变化。另外在水泥生料成分现场检测过程中生产台会出现变化或者断料现象，导致取样器收集的水泥生料量变化，进而使水泥生料堆密度产生变化。这两种变化对水泥生料近红外光谱检测是否有影响目前研究较少，拟研究堆密度和原材料对水泥生料近红外光谱建模影响，修正检测模型提高检测的精准度。
2.3.4基于近红外光谱技术的水泥生料质量控制系统设计
水泥生料制备是将各种原材料按照一定的比例混合研磨成粉，只有水泥生料成分稳定，才有助于提高水泥质量。因此本项目在基于近红外光谱水泥生料成分准确检测的基础上对水泥生料生产过程进行工况划分，研究水泥生料的控制。本研究拟设计的水泥生料质量控制方案如图所示。
图3 水泥生料质量控制方案
2.3.5 水泥生料质量控制系统实现
目前市面上大多数企业大都是采用XRF荧光离线检测设备检测水泥生料成分控制水泥生料制备，缺乏实时在线检测装置，本项目拟开发一款基于近红外光谱检测技术的在线式实时水泥生料质量控制系统，该系统将近红外光谱检测技术与企业现有PLC自动化生产控制系统相融合，实现水泥生料实际生产实时自动控制。本文设计的水泥生料制备工艺流程示意图如图1所示，该系统可以实现的功能如下所示：
图4 水泥生料制备工艺流程
3 前景展望
基于红外线技术未来很有可能随着技术的发展,应用于水泥需求的应用的范围会更大一些。近红外光谱具有技术成熟、可靠等优点，大型设备已被广泛应用，虽然其效率就目前来看偏低,但设备仍在改善结构，优化性能，以及不断提升模型结构。期待相关关键技术的进一步突破,近红外光谱在水泥生料应用能够在更多领域得到利用。该文首先分析了应用场景时出现的问题与痛点，结合国内外研究现状，对近红外光谱及模型进行研究，分析其利用改进的可能性以及工作效率。本文对近红外光谱的水泥生料成分建模系统的方案进行设计，选择合适的实验方案，并介绍水泥生料制备的设计方案及流程，搭建一个基于近红外光谱进行制备和搭建合适模型的整体框架。
参考文献
[1] 杨芃飏,张晓民,杨敏,等.基于光谱曲线相似度的可见光-近红外波段辉钼矿主矿物分布特征快速识别方法研究[J].中国矿业,2023,32(11):213-221.
[2] 李慧.傅立叶变换近红外光谱技术测定传统豆制品品质研究[D]西北农林科技大学,2008.
[3] McClure W F, Review:204 years of near infrared technology.1800-2003[1]. Journal of Near Infrared Spectroscopy ,2003,11(1): 487-518.
[4] 翁诗甫.傅里叶变换红外光谱分析[M.化学工业出版社,2010.
[5] 贾福全,谷德山.中子水泥生料多元素分析实验装置的研制[J].东北师大学报(自然科学版),2012,44(04):75-78.DOI:10.16163/j.cnki.22-1123/n.2012.04.015.
[6] 中国水泥协会赴加美考察团.水泥工业用在线成分分析仪使用特点--中国水泥协会赴美国、加拿大水泥技术装备考察报告[J].中国水泥,2004(05):23-24.
