期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
在线拉曼光谱仪测定石油产品馏程的仿真算法
被引量:
9
1
作者
阎宇
程明霄
+1 位作者
赵天琦
王京港
《计算机仿真》
CSCD
北大核心
2010年第9期286-290,共5页
介绍了在线拉曼光谱仪的特点及结构组成。在现有仪器研制的基础上,采用拉曼光谱和化学计量学方法建立了快速、准确测定石油产品馏程的分析仿真模型。仿真模型中具体算法采用偏最小二乘法(PLS),并收集了一定数量的苯的同系物样品进行实验...
介绍了在线拉曼光谱仪的特点及结构组成。在现有仪器研制的基础上,采用拉曼光谱和化学计量学方法建立了快速、准确测定石油产品馏程的分析仿真模型。仿真模型中具体算法采用偏最小二乘法(PLS),并收集了一定数量的苯的同系物样品进行实验,并对模型的预测值与样品真实值的相关性进行了分析。实验数据仿真结果表明,该模型与传统馏程检测方法相比具有分析速度快,准确性高,重现性好等特点,特别适用于生产中间控制分析,在实际生产过程中已得到应用。
展开更多
关键词
在线拉曼光谱仪
苯的同系物
馏程
仿真
偏最小二乘法
下载PDF
职称材料
基于在线拉曼光谱仪预测石脑油组成的方法研究
被引量:
5
2
作者
丁妍
程明霄
+1 位作者
朱倩
於拯威
《传感器与微系统》
CSCD
北大核心
2012年第12期69-72,75,共5页
研究石脑油的烃组成预测问题。针对石脑油组分极其复杂和冗余特点,传统的检测方法求解方法复杂、测定时间过长等难题,为了提高准确度,提出一种基于在线拉曼光谱技术结合主成分粒子群算法的预测方法。首先获得石脑油样品的拉曼谱图,利用...
研究石脑油的烃组成预测问题。针对石脑油组分极其复杂和冗余特点,传统的检测方法求解方法复杂、测定时间过长等难题,为了提高准确度,提出一种基于在线拉曼光谱技术结合主成分粒子群算法的预测方法。首先获得石脑油样品的拉曼谱图,利用主成分分析对数据进行降维处理,消除数据间的冗余信息,然后采用粒子群算法对主成分分析后的数据进行预测,得到各个组成成分在石脑油中的质量分数,并将样品预测值与真实值的相关性进行分析。实验结果表明:相对于其他预测方法,该方法准确性高,现场适应性强,测定时间短,是一种高效、实时性好的石脑油组成预测方法。
展开更多
关键词
在线拉曼光谱仪
主成分分析
粒子群优化算法
石脑油
下载PDF
职称材料
基于过程分析技术细胞培养中多指标实时检测
3
作者
吴韬
梁立鹏
+3 位作者
张冉
罗安
温振国
王学重
《高校化学工程学报》
EI
CAS
CSCD
北大核心
2023年第3期441-448,共8页
为了实现悬浮动物细胞培养过程细胞生长状态和生化指标的实时在线检测,以中国仓鼠卵巢细胞(CHO)培养过程为研究对象,采用原位显微镜和在线拉曼光谱仪实时在线获得CHO细胞培养体系的图像和拉曼光谱图,并通过实时在线图像处理和基于遗传...
为了实现悬浮动物细胞培养过程细胞生长状态和生化指标的实时在线检测,以中国仓鼠卵巢细胞(CHO)培养过程为研究对象,采用原位显微镜和在线拉曼光谱仪实时在线获得CHO细胞培养体系的图像和拉曼光谱图,并通过实时在线图像处理和基于遗传算法结合偏最小二乘法的化学计量学建模,分别实时获得培养体系中细胞的密度、直径分布、培养液中葡萄糖和乳酸浓度。图像处理结果与离线生化分析仪结果相一致;葡萄糖质量浓度校正模型的预测均方根误差(RMSEP)为0.085 g×L^(-1),预测决定系数RP2为0.999,乳酸质量浓度校正模型RMSEP为0.055 g×L^(-1),RP2为0.966。结果表明,上述检测方法可用于细胞培养过程的细胞密度、直径分布和2个生化指标的实时准确监测,减少了离线检测的繁琐和染菌风险。
展开更多
关键词
过程分析技术
原位显微镜成像
在线拉曼光谱仪
图像处理
细胞培养监测
遗传算法
下载PDF
职称材料
题名
在线拉曼光谱仪测定石油产品馏程的仿真算法
被引量:
9
1
作者
阎宇
程明霄
赵天琦
王京港
机构
南京工业大学自动化学院
兰州自动化仪表有限公司
出处
《计算机仿真》
CSCD
北大核心
2010年第9期286-290,共5页
文摘
介绍了在线拉曼光谱仪的特点及结构组成。在现有仪器研制的基础上,采用拉曼光谱和化学计量学方法建立了快速、准确测定石油产品馏程的分析仿真模型。仿真模型中具体算法采用偏最小二乘法(PLS),并收集了一定数量的苯的同系物样品进行实验,并对模型的预测值与样品真实值的相关性进行了分析。实验数据仿真结果表明,该模型与传统馏程检测方法相比具有分析速度快,准确性高,重现性好等特点,特别适用于生产中间控制分析,在实际生产过程中已得到应用。
关键词
在线拉曼光谱仪
苯的同系物
馏程
仿真
偏最小二乘法
Keywords
Online Raman spectrometer
Benzene series
Distillation range
Simulation
Partial least square
分类号
TP391.9 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于在线拉曼光谱仪预测石脑油组成的方法研究
被引量:
5
2
作者
丁妍
程明霄
朱倩
於拯威
机构
南京工业大学自动化与电气工程学院
出处
《传感器与微系统》
CSCD
北大核心
2012年第12期69-72,75,共5页
基金
国家"863"计划资助项目(2009AA04Z161)
文摘
研究石脑油的烃组成预测问题。针对石脑油组分极其复杂和冗余特点,传统的检测方法求解方法复杂、测定时间过长等难题,为了提高准确度,提出一种基于在线拉曼光谱技术结合主成分粒子群算法的预测方法。首先获得石脑油样品的拉曼谱图,利用主成分分析对数据进行降维处理,消除数据间的冗余信息,然后采用粒子群算法对主成分分析后的数据进行预测,得到各个组成成分在石脑油中的质量分数,并将样品预测值与真实值的相关性进行分析。实验结果表明:相对于其他预测方法,该方法准确性高,现场适应性强,测定时间短,是一种高效、实时性好的石脑油组成预测方法。
关键词
在线拉曼光谱仪
主成分分析
粒子群优化算法
石脑油
Keywords
online Raman spectrometer
principal component analysis (PCA)
particle swarm optimization(PSO) algorithm
naphtha
分类号
TP391.9 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于过程分析技术细胞培养中多指标实时检测
3
作者
吴韬
梁立鹏
张冉
罗安
温振国
王学重
机构
北京石油化工学院新材料与化工学院
出处
《高校化学工程学报》
EI
CAS
CSCD
北大核心
2023年第3期441-448,共8页
基金
北京市科技新星计划(Z211100002121024)
北京石油化工学院交叉学科探索项目(BIPTCSF-001)
国家自然科学基金重点项目(61633006)。
文摘
为了实现悬浮动物细胞培养过程细胞生长状态和生化指标的实时在线检测,以中国仓鼠卵巢细胞(CHO)培养过程为研究对象,采用原位显微镜和在线拉曼光谱仪实时在线获得CHO细胞培养体系的图像和拉曼光谱图,并通过实时在线图像处理和基于遗传算法结合偏最小二乘法的化学计量学建模,分别实时获得培养体系中细胞的密度、直径分布、培养液中葡萄糖和乳酸浓度。图像处理结果与离线生化分析仪结果相一致;葡萄糖质量浓度校正模型的预测均方根误差(RMSEP)为0.085 g×L^(-1),预测决定系数RP2为0.999,乳酸质量浓度校正模型RMSEP为0.055 g×L^(-1),RP2为0.966。结果表明,上述检测方法可用于细胞培养过程的细胞密度、直径分布和2个生化指标的实时准确监测,减少了离线检测的繁琐和染菌风险。
关键词
过程分析技术
原位显微镜成像
在线拉曼光谱仪
图像处理
细胞培养监测
遗传算法
Keywords
process analytical technology
in-situ microscopy
on-line Raman spectroscopy
image processing
cell culture monitoring
genetic algorithm
分类号
O657.61 [理学—分析化学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
在线拉曼光谱仪测定石油产品馏程的仿真算法
阎宇
程明霄
赵天琦
王京港
《计算机仿真》
CSCD
北大核心
2010
9
下载PDF
职称材料
2
基于在线拉曼光谱仪预测石脑油组成的方法研究
丁妍
程明霄
朱倩
於拯威
《传感器与微系统》
CSCD
北大核心
2012
5
下载PDF
职称材料
3
基于过程分析技术细胞培养中多指标实时检测
吴韬
梁立鹏
张冉
罗安
温振国
王学重
《高校化学工程学报》
EI
CAS
CSCD
北大核心
2023
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部