NIRS-XRF联用的煤炭发热量高稳定检测

实时获知煤炭发热量对于及时调整电站锅炉风粉配比和提高煤炭燃烧效率具有重要意义,为了实现电力生产中发热量的稳定快速检测,提出了一种近红外光谱(Near Infrared Spectroscopy, NIRS)与X射线荧光光谱(X-ray Fluorescence, XRF)联用的煤炭发热量高稳定检测方法,它结合了NIRS能高稳定检测煤中与发热量正相关的有机基团的优势与XRF能高稳定检测与发热量负相关的成灰元素的特点,大大提高了对煤炭发热量的测量重复性。在光谱预处理中,先将两套光谱融合作为偏最小二乘回归的输入变量进行全谱初步建模,依据回归系数选择NIRS光谱中的有效波段,再将它与XRF光谱中的成灰元素谱线一并融合进行归一化处理。建模时将预处理后的融合光谱数据作为输入变量,利用偏最小二乘回归对煤炭发热量进行建模。实验结果表明,NIRS-XRF联用方法对定标集煤样发热量预测的线性相关度系数(R^(2))为0.995,对验证集煤样发热量预测的最小均方根误差、平均相对误差和标准偏差分别为0.24 MJ/kg,0.61%和0.05 MJ/kg,测量重复性满足小于0.12 MJ/kg的国家标准。NIRS-XRF联用的煤炭发热量高稳定检测方法有望推广应用于火力发电、煤化工、冶金、水泥和焦化等“高碳”行业,助力我国按期实现碳中和目标。

近红外光谱法快速分析葛根中的有效成分

本文应用近红外光谱技术建立了快速检测葛根中有效成分的方法。研究了优化分析葛根总异黄酮、葛根素和大豆苷含量数学模型的各种条件 ,包括建模样品集的选择、化学值的定标、测量的方法及条件等 ,结果表明 :建模样品集的化学值 (又称真值 )与近红外预测值的相关系数分别为 :葛根总异黄酮r=0 975 ,葛根素r=0 984 ,大豆苷r =0 96 6 ;检验样品集的化学值与近红外预测值的相关系数分别为 :0 982 ,0 975和0 981。说明所建模型具有实际应用价值。

光谱预处理对近红外光谱预测木材纤维素结晶度的影响

木材纤维素结晶度是木质材料的一个重要性质,它与树木的生长特性、结构与化学组成均有密切关系,并对木材的杨氏模量、尺寸稳定性、密度和硬度等具有重要的影响,文章研究了利用近红外光谱结合多变量数据分析技术对人工林木材纤维素的结晶度进行预测的能力。本研究从人工林湿地松木粉试样的表面采集近红外漫反射光谱,并利用X射线衍射法测定了木材纤维素的结晶度。研究表明,采用一阶导数和二阶导数光谱预处理没有提高近红外模型的预测效果,而采用原始光谱的预测效果最好,预测值与X射线衍射测定值的相关系数r可以达到0.950,各项预测误差值较低,说明采用近红外光谱结合多变量数据分析方法建立的结晶度预测模型具有理想的预测能力。

基于PLS投影分析的光谱波段选择方法

光谱测量数据需要对其进行波长选择以提高模型预测精度和简化模型。文章提出了一种基于PLS投影相关系数的快速、准确的波段选择方法,它计算某波长点光谱数据对待测组分浓度向量的影响时,考虑了该波长点光谱数据的变化量与光谱PLS回归系数向量在该波长点的投影分量的共同影响。与传统相关系数方法想比较,该方法明显地改善了分析模型的稳健性并大幅度地压缩了建模所需的波长点数。对208个汽油样本的实验表明,经过PLS投影相关系数方法进行光谱波段选择后的光谱波长点数占全谱的比例下降至30%,交互验证均方根偏差(root mean square error of cross validation,RMSECV)由未经过波长选择时的0.44降至0.34。该方法可广泛应用于各类光谱定量分析中的波长选择与数据压缩。

近红外光谱分析中建模样品优选方法的研究

结合牛奶成分近红外光谱测量系统的实例,在已定的浓度范围内针对牛奶中脂肪、蛋白质、乳 糖三成分采用正交设计法优选参与建模的样品。研究中首次利用正交表的"正交性"原理优选建模样 品,并针对牛奶中脂肪浓度的测量采用偏最小二乘(PLS)回归方法交互验证方式建立模型。在此基 础上,将正交设计样品集与常规方法选择的样品集的脂肪PLS模型的预测结果进行了对比。实验结果 表明:采用正交设计样品集与常规样品集分别建立的PLS模型的预测偏差之差低于0.02g/100g,上述 两种方法PLS模型的实际预测浓度与参考浓度之差均集中在0.1g/100g,而后者样品数量约为前者的七 倍。进一步的实验结果表明:从常规样品集的样品中随机抽取与正交设计样品集的样品数量相同的样 品作为随机样品集并建模,其PLS模型的预测偏差高于常规方法的两倍、相关系数相对较低,并且其 实际预测浓度与参考浓度之差集中在0.4g/100g。

基于冠层光谱数据的甘草产地识别研究

目的:建立不同产地甘草的近红外光谱识别方法。方法:利用甘草冠层的可见光近红外光谱数据,运用Wilks’lambda逐步法选择甘草的特征波长,采用Fisher线性判别方法对不同产地的甘草进行识别。结果:利用17个特征波段,不同产地甘草的总正确识别率达到98.3%。结论:可见光近红外光谱可作为鉴别不同产地甘草的有效方法。

近红外光谱法快速测定葛根中的五种成分

本文应用近红外光谱技术建立了快速检测葛根中有效成分的方法。研究了优化分析葛根总异黄酮、葛根素、大豆苷、淀粉和粗蛋白含量数学模型的各种条件,结果表明:建模样品集的化学值(又称真值)与近红外预测值的相关系数分别为:葛根总异黄酮R= 0.9752,葛根素R=0.9839,大豆苷R=0.9659,淀粉R=0.9628,粗蛋白R=0.9829;检验样品集的化学值与近红外预测值的相关系数分别为:0.9818,0.9752,0.9772,O.9737和0.9798。说明所建模型具有实际应用价值。

WinCC应用组态王XY曲线实现近红外在线分析

近红外光谱在线分析是一种最近广泛应用的过程分析技术。中药多成分近红外光谱在线分析需要作图控件在曲线显示方面具备多条光谱及其预测性质值的实时叠加显示、缩放、谱峰定位等功能,而广泛应用于在线监控的WinCC软件提供的作图控件不能满足需要。本文通过在WinCCV6.0软件中注册组态王超级XY曲线控件并应用VBSript语言编程实现,很好地解决了这一问题。将该技术应用于中药提取过程近红外光谱在线分析系统,使得操作员能够实时、直观地观察到近红外光谱及中药成分预测值的变化,有效保证生产工艺稳定。

近红外光谱技术与仪器的发展和推广应用

近红外光谱分析技术与近红外光谱仪器近年来有很大发展,在不少领域获得了成功的应用;但是无论是近红外光谱仪器还是近红外光谱分析技术的推广应用,都是全球亟待解决的前沿课题。

木材种类的近红外光谱和模式识别

木材的种类识别是木材加工和贸易的一个重要环节,传统的木材种类识别方法主要有显微检测法和木材纹理识别法,其操作繁琐,耗时长,成本高,不能满足当前需求。本研究利用木材的近红外光谱(NIRS)结合模式识别方法,以期实现木材种类的快速准确识别。采用近红外光谱结合主成分分析法(PCA)、偏最小二乘判别分析法(PLSDA)和簇类独立软模式法(SIMCA)三种模式识别对58种木材进行种类鉴别研究; 5点平滑、标准正态变量变换(SNV)、多元散射校正(MSC)、 Savitzky-Golay一阶导数(SG 1^(st)-Der)和小波导数(WD)五种光谱预处理方法用于木材光谱的预处理;校正集和测试集样品的正确识别率(CRR)用于模型的评价。采用PCA方法,通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。在建立PLSDA模型,原始光谱的正确识别率最高,分别为88.2%和88.2%; 5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%; SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%; MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%; SG 1^(st)-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD(小波基为"Haar",分解尺度为80)处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。可知,在PLSDA模型中,木材光谱未经预处理种类识别效果最后好。在建立SIMCA模型过程中,原始光谱的校正集和测试集的CRR分别为99.7%和99.4%; 5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%; SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%; MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%; SG 1^(st)-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD处理的光谱校正集和测试集的CRR分别为100%和100%。可知,在SIMCA模型中,木材光谱经平滑和小波导数处理后的识别效果最好,且光谱的校正集和测试集CRR都为100%。采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时,由于木材样本属性复杂,主成分分布图相互交织, PCA无法识别出58种木材;原始光谱的PLSDA模型可以得到较好的判别模型,但校正集和测试集的CRR只有88.2%和88.2%;木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果,校正集和测试集的CRR均为100%,且WD-SIMCA模型因子数比5点平滑SIMCA模型小,模型更为简化,故WD-SIMCA为58种木材种类识别的最优模型。研究表明光谱预处理方法可以有效的提高木材种类识别精度,有监督模式识别方法SIMCA可以用来建立有效的木材识别模型,近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。

采用近红外光谱技术检测牛奶中脂肪、蛋白质及乳糖含量

利用近红外(NIR)漫反射光谱(1100～1700nm)快速测量牛奶中脂肪、蛋白质和乳糖的含量。采用偏最小二乘方(PLS)回归,建立了测量光谱与牛奶主要成分浓度之间的校正模型,并对其预测重复性进行了研究;进而探讨了非线性校正方法径向基函数网络(RBFN)的可行性,并与PLS线性校正模型进行了对比;探讨了如何提高PLS校正模型预测精度的相关问题。

基于独立成分的局部建模方法及其在近红外光谱分析中的应用研究

建立了一种基于独立成分分析的局部建模新方法,该方法首先将独立成分分析(ICA)用于近红外光谱的特征提取,然后,根据所提取的独立成分选择校正集中与预测样本相邻近的样本构成校正子集,建立局部偏最小二乘(PLS)回归模型并对预测样本进行预测。将所提出的方法应用于烟草样品中尼古丁含量的测定,所得结果优于常用的全局建模方法。

黄连中小檗碱的近红外检测技术和预处理方法

以黄连中的黄连素为研究对象,采用了65个样品进行研究,建立了黄连中小檗碱的近红外快速检测方法。针对在近红外光谱分析研究中,样品的光谱中常常包含由光散射导致的干扰信息,采用了一种新颖的预处理方法光程估计与校正(OPLEC)对光谱进行处理,并与原始光谱建立的模型进行比较,研究了消除黄连颗粒近红外漫反射光谱散射的最佳预处理方法。实验表明,光谱预处理后建立的模型在稳健性上均有提升,其中光程估计与校正预处理法对消除光散射有着显著的效果。模型的交叉验证均方根误差(RMSECV)从0.1485降低到0.0369,相关系数R从0.9513提高到0.9854,预防均方根误差(RMSEP)从0.1145降低到0.0578。

光谱配置对最优波段组合算法预测土壤有机质和电导率的影响

可见光和近红外(Vis-NIR)光谱仪是一种实用的工具,可用于替代土壤物理和化学分析以评估土壤性质。最佳波段组合算法是一种通过考虑波段之间的相互作用信息来提取光谱变量的有效方法,但是对于实验室Vis-NIR光谱数据,该方法易受“维数灾难”的影响。提出一种适当地降低光谱配置(减少光谱带的数量和粗化光谱分辨率),以提高计算效率且不会显著影响预测精度的方法。首先,构建了6个光谱配置,即光谱波段的数量从2001个减小到19个,光谱分辨率从3 nm增加至100 nm,并且光谱采样间隔等于光谱分辨率(均匀间隔采样)。然后,通过偏最小二乘回归结合最佳波段组合算法预测不同光谱配置下土壤有机质(SOM)和电导率(EC)的最佳光谱参数。结果表明:直到光谱分辨率为60 nm时(每个光谱32个波长),最佳波段组合算法与全波段光谱数据相比,可以提高预测精度。最佳波段组合算法在1~20 nm光谱分辨率下,预测精度没有显著差异(约为2%);SOM[(决定系数R^(2)_(v)等于0.77,均方根误差(RMSE_(P))等于0.325%,性能四分位数范围的比率(RPIQ_(v))等于3]和EC(R^(2)_(v)等于0.70,RMSE_(P)等于6.88 dS·m^(-1),RPIQ_(v)等于2.21)分别在20 nm和10 nm的光谱分辨率下获得了最佳预测性能。

近红外光谱检测技术在精细化工生产过程中的应用

针对精细化学品D3生产过程中酸碱原料浓度检测和D2生产过程中粗品/精品快速检测鉴定需求,论述了近红外光谱检测的基本原理,给出了偏最小二乘定量建模和马氏距离分类判别等化学计量学算法,构建了Antaris II傅里叶变换近红外光谱检测系统。通过配制样品,采集光谱数据,并经求导、滤波和标准化数据处理,应用偏最小二乘法建立了D3生产过程HCl水溶液摩尔浓度、NaOH水溶液质量百分数和摩尔浓度的近红外光谱检测模型,应用马氏距离结合主元分析法建立了D2生产过程中粗品/精品判别分析模型,给出了详细的检测实验数据。生产现场样品检测结果表明,D3酸碱浓度的定量检测模型具有很高的检测精度,D2粗品/精品判别分析模型判别结果准确,可在相关精细化工生产过程中推广应用,提高生产过程检测鉴定效率。