温度是影响材料力学性能的重要因素之一,准确测量器件温度是认识材料在应力作用下其力学性能演变以及评估设备健康状态和寿命的重要方式。面向功率器件开关过程中焊接界面快速温变测量的需求,传统方法存在时间分辨能力不足、难以测量瞬...温度是影响材料力学性能的重要因素之一,准确测量器件温度是认识材料在应力作用下其力学性能演变以及评估设备健康状态和寿命的重要方式。面向功率器件开关过程中焊接界面快速温变测量的需求,传统方法存在时间分辨能力不足、难以测量瞬态温度的问题。文中基于激光诱导元素特征谱线强度与温度的密切相关性,提出了一种微秒量级时间分辨能力的表面温度测量方法,并建立了样品表面温度与光谱特性之间的定量关系。研究结果表明,物质表面温度提升导致激光诱导等离子体光谱强度和信噪比增强,且增强效果受到光谱采集延时和门宽影响。采用反向传播-人工神经网络(back propagation-artificial neural network,BP-ANN)和偏最小二乘(partial least squares,PLS)法对表面温度与光谱特性关系定量拟合并校准,拟合模型线性相关性拟合度指标均大于0.99。BP-ANN拟合模型的拟合偏差更小,其均方根误差(root mean squared error,RMSE)为2.582,正确率为98.3%。该方法为物体瞬态温度测量提供了一种有效手段,对功率器件焊接界面健康状态的评估给予了有力支撑。展开更多
文摘目的探究激光诱导荧光(laser induced fluorescence,LIF)技术检测花生中黄曲霉毒素B_(1)(aflatoxin B_(1),AFB_(1))的可行性,定性和定量分析花生中的AFB_(1)。方法制备不同浓度梯度的污染花生,经LIF系统采集荧光光谱,平滑后分析光谱数据结构。基于全波长光谱使用5种不同建模方法对污染花生定性判别,采用偏最小二乘法回归(partial least squares regression,PLSR)和BP神经网络(BP neural networks,BPNN)进行定量预测。通过竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)提取特征波长,研究其对定性和定量预测的影响。结果对于全波长光谱数据,线性核函数的支持向量机[support vector machine with linear kernel function,SVM(Linear)]建立的判别模型效果最优,预测正确率100.00%。PLSR和BPNN均获得较好的定量预测效果,剩余预测偏差(residual predictive deviation,RPD)>3.0,检出限(limit of detection,LOD)<20μg/kg;对于特征光谱数据,SVM(Linear)定性判别预测正确率93.94%,F1值为0.94,受试者工作特征(receiver operating characteristic curve,ROC)曲线下面积(area under the curve,AUC)为0.989。建立的PLSR模型性能优于未提取特征波长的两种定量模型,RPD为3.36,LOD为14.76μg/kg。结论LIF技术检测花生中的AFB_(1)简单快速,定性定量预测模型准确性好,具有一定可行性。
文摘温度是影响材料力学性能的重要因素之一,准确测量器件温度是认识材料在应力作用下其力学性能演变以及评估设备健康状态和寿命的重要方式。面向功率器件开关过程中焊接界面快速温变测量的需求,传统方法存在时间分辨能力不足、难以测量瞬态温度的问题。文中基于激光诱导元素特征谱线强度与温度的密切相关性,提出了一种微秒量级时间分辨能力的表面温度测量方法,并建立了样品表面温度与光谱特性之间的定量关系。研究结果表明,物质表面温度提升导致激光诱导等离子体光谱强度和信噪比增强,且增强效果受到光谱采集延时和门宽影响。采用反向传播-人工神经网络(back propagation-artificial neural network,BP-ANN)和偏最小二乘(partial least squares,PLS)法对表面温度与光谱特性关系定量拟合并校准,拟合模型线性相关性拟合度指标均大于0.99。BP-ANN拟合模型的拟合偏差更小,其均方根误差(root mean squared error,RMSE)为2.582,正确率为98.3%。该方法为物体瞬态温度测量提供了一种有效手段,对功率器件焊接界面健康状态的评估给予了有力支撑。