工业煤质分析对于火力发电行业中煤炭资源的高效利用以及电力生产过程的优化和管理具有重要的意义。传统的工业煤质分析方法通常只能在化验室中对煤样进行离线检测，因此难以快速、原位地获得入炉煤各项分析指标的数据来监控电厂锅炉的运行。激光探针技术(简称LIBS)是一种新型的元素分析技术，该技术在工业煤质快速检测上具有许多独特的优势。然而激光探针技术至今仍未被大规模应用于燃煤电厂中煤质在线分析，究其原因在于该技术所涉及的一些工程技术问题缺乏广泛的关注。基于此，本文围绕工业煤质激光探针在线分析系统开展研究，并以其中的软件系统和定量分析算法作为主要的研究目标。具体研究内容如下:
　　首先搭建了工业煤质LIBS分析实验平台，并根据实际电厂工业环境特点对装置中的所有光学元器件以及硬件模块进行了封装集成，确保平台能长期可靠运行。用搭建好的LIBS实验平台在实验室条件下进行了定量算法的对比研究。基于采集的40种标准煤样的光谱数据，对比了偏最小二乘回归、支持向量机回归、神经网络回归以及主成分回归四种多元校正算法的性能。结果表明，神经网络回归具有更好的预测能力，对测试集中灰分、挥发分、热值以及碳含量预测的平均绝对误差分别为0.69%,0.87%,0.56MJ/kg,1.27%。进一步对定标模型的泛化能力以及建模效率的对比分析可知，神经网络模型可以在预测性能和建模效率之间寻求最佳折衷，被证实更加适合作为工业煤质在线分析检测的LIBS定标模型。
　　接着基于LIBS硬件平台并结合电厂工业煤质检测的具体要求，采用C++和Python编程语言开发了一款功能完善且有较高自动化程度的LIBS在线分析软件。该软件实现了仪器控制、光谱数据采集与分析、数据网络传输、无人值守等工业煤质分析系统所必须具备的重要功能。
　　最后将自主开发的软件以及定量分析算法集成到LIBS工业煤质分析系统中，实现了入炉煤取样、烘干、破碎、压饼直到检测的全流程控制。基于神经网络算法用电厂实际收集的煤样建立了水分、灰分、挥发分、氢含量、硫含量以及高位热值等六项电厂常规检测指标的定量分析模型，并对整套系统的性能进行了测试。结果表明，各项性能指标达到了工业煤质中子活化分析的国家标准。