Um das Problem der verstärkten Matrixeffekte und der verschärften nichtlinearen Spektralantwort aufgrund der schwierigen Mahlbarkeit von großkörnigen Kohleproben im Industrieeinsatz zu lösen, wird ein hybrides PLS-AE-RR-Vorhersagemodell auf Basis der Fusion von Nahinfrarotspektroskopie (NIRS) und Röntgenfluoreszenzspektroskopie (XRF) vorgeschlagen, das darauf abzielt, die Online-Analysegenauigkeit des Heizwerts von Kohle zu verbessern. Die Methode baut eine dreistufige hybride Architektur „lineare Baseline + nichtlineare Merkmalsextraktion + Residualkorrektur“ auf: Zunächst wird mittels partieller kleinster Quadrate (PLS) eine globale lineare Beziehung zwischen Spektrum und Heizwert hergestellt, dann extrahiert ein Autoencoder (AE) niedrigdimensionale nichtlineare Darstellungen aus den fusionierten Spektren, die PLS schwer erfassen kann, und schließlich erfolgt über die Ridge-Regression (RR) eine Residualkorrektur der nichtlinearen Abweichungen. Die experimentellen Ergebnisse zeigen, dass diese Methode bei der Heizwertvorhersage für großkörnige Kohleproben einen Durchbruch erzielt hat; die Bestimmtheitskoeffizienten R² im Testdatensatz für Braunkohle und Steinkohle lagen bei 0,974 bzw. 0,938, die durchschnittlichen Absolutfehler bei 0,233 MJ/kg bzw. 0,216 MJ/kg. Die Leistung ist deutlich besser als bei einfachem PLS und anderen nichtlinearen Korrekturmodellen, was die Generalisierungsvorteile der Ridge-Regression bei der Residualanpassung bestätigt. Diese Arbeit bietet Kohlekraftwerken ein onlinefähiges, hochpräzises Analyseverfahren für den Heizwert von Rohkohle ohne Mahlprozess und liefert eine wesentliche technische Unterstützung für eine präzise Brennstoffverwaltung und optimierten Betrieb.

Spektralanalyse; Nahinfrarotspektroskopie; Röntgenfluoreszenz; Heizwertvorhersage; großkörnige Kohleproben; nichtlineare Korrektur; Autoencoder