CN106338526A - 一种基于微波水分仪的修正模型及检测方法 - Google Patents
一种基于微波水分仪的修正模型及检测方法 Download PDFInfo
- Publication number
- CN106338526A CN106338526A CN201610669890.4A CN201610669890A CN106338526A CN 106338526 A CN106338526 A CN 106338526A CN 201610669890 A CN201610669890 A CN 201610669890A CN 106338526 A CN106338526 A CN 106338526A
- Authority
- CN
- China
- Prior art keywords
- basic data
- modeling
- samples
- moisture
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000001035 drying Methods 0.000 claims abstract description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 71
- 230000002159 abnormal effect Effects 0.000 claims description 38
- 238000012216 screening Methods 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 16
- 238000000643 oven drying Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 19
- 241000208125 Nicotiana Species 0.000 description 10
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 10
- 239000000463 material Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010238 partial least squares regression Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004580 weight loss Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 101710099484 Aminopeptidase T Proteins 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000002062 proliferating effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 239000013585 weight reducing agent Substances 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007427 paired t-test Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
- G01N22/04—Investigating moisture content
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于微波水分仪的修正模型及检测方法,所述的基于微波水分仪的修正模型包括:水分基础数据修正单元,用于采用下列模型生成修正后的水分基础数据:Y预测=A预测BQ,其中,Y预测为经过模型修正后微波水分仪上显示的水分基础数据;A预测为待测样品的原始信号的得分矩阵;Q为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵Y的载荷矩阵;,其中A为n个建模样品的原始信号组成的矩阵X的得分矩阵;Y为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵。其特别适合于大规模样品的在线检测,不仅解决了频繁调整检测通道的问题,而且操作简单,降低工人的劳动强度。
Description
技术领域
本发明属于分析检测领域,具体涉及一种采用微波水分仪检测含水量的新方法。
背景技术
微波水分仪是基于ARM平台的全自动在线检测系统,其能够实现实时精确监测水分,可以作为工业流程自动化控制中的纽带,持续提供可靠的水分数据。微波水分仪是利用微波穿透法实现水分检测的,当微波通过含水物料和干燥物料时,微波在传播方向上的传播速度和强度会发生不同的变化,含水物料会使微波的传播速度变慢,强度减弱。微波水分仪的测量原理就是通过检测在穿过物料后微波的这两种物理性质变化来计算物料中的水分含量。微波信号由传送带下的天线发射,穿越物料后,由C型架上方对应的天线接收。通过精准的分析穿越物料后的微波信号,推导出物料中水的质量分数,将结果实时输出,并显示在液晶屏界面上。
微波分析仪检测具有操作简单、检测速度快、样本制作简单、样本浪费少的特点,目前,微波水分检测技术在纺织、烟草、造纸、食品领域得以推广应用,但是在企业中使用微波水分仪时,会在一个工艺段根据产品的产地、等级建立多个通道,每次在换等级和产地的产品时都需要去调整通道,导致过程非常的繁琐,特别是在大规模工业化生产线上时会浪费大量的人力和物力。
发明内容
针对现有技术存在的不足,本发明提供一种基于微波水分仪的修正模型及精准检测方法,以克服现有技术中由于样品规格的差异和外界环境的噪音引起微波水分仪测试结果的误差的缺陷。
为解决上述问题及其他问题,本发明是通过包括如下的技术方案实现的:
一种基于微波水分仪的修正模型,
所述模型为:
Y预测=A预测BQ,
其中,
Y预测为经过模型修正后微波水分仪上显示的水分基础数据;
A预测为待测样品的原始信号的得分矩阵;
Q为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵Y的载荷矩阵;
B=(ATA)-1ATY,其中A为n个建模样品的原始信号组成的矩阵X的得分矩阵;Y为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵,所述原始信号包括建模样品的MMA信号、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、以及建模样品的水分基础数据的标准偏差五部分组成。
优选地,所述建模样品为对同一产品的多产地、多等级随机进行取样后获得的。
优选地,MMA信号为由微波水分仪的微波发射端发出的信号,经过样品后,接收端接收到的信号的输出值。AMP电压值为微波信号穿透样品前后的能量衰减值。AMP电压值的标准偏差能够一定程度上反应样品本身的密度。样品的水分基础数据的标准偏差是指对同一个样品取两个平行样,并经由烘干减重法得到两个平行样的水分基础数据,并进一步根据标准偏差公式获得样品的标准偏差。原始信号的五个维度的参数中,前四个参数即样品本身的MMA信号、AMP电压值、外部环境对仪器造成的背景电压和AMP电压值的标准偏差均可以在微波水分仪上数据显示中直接获得。样品的水分基础数据的标准偏差由烘干减重法测量后计算获得。本发明还提供一种基于微波水分仪的修正系统,所述的修正系统包括:
水分基础数据修正模型建模单元,用于基于建模样品建立水分基础数据修正模型;
水分基础数据修正单元,与水分基础数据修正模型建模单元连接,用于基于水分基础数据修正模型计算修正的水分基础数据;
其中,所述水分基础数据修正模型为:
Y预测=A预测BQ,
其中,
Y预测为经过模型修正后获得的修正的水分基础数据,即为微波水分仪上显示的水分基础数据,
A预测为待测样品的原始信号的得分矩阵,
Q为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵Y的载荷矩阵,
B=(ATA)-1ATY,其中A为n个建模样品的原始信号组成的矩阵X的得分矩阵,Y为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵,所述原始信号包括建模样品的MMA信号、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、以及建模样品的水分基础数据的标准偏差五部分组成。
每一个样品的原始信号分别对应一个MMA信号值、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、样品的水分基础数据的标准偏差。如若样品有i个,则各样品组成的样本的原始信号为由i行5列的矩阵。
较优的,在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,两个平行样的水分基础数据的平均值为各建模样品的水分基础数据。
优选地,用微波水分仪检测装置测试样品前,将样品进行预处理,以满足微波水分仪检测装置使用时的需要。所述预处理可以根据产品的具体性能进行调整。
较优的,所述的基于微波水分仪的修正系统还包括:
建模样品筛选单元,与水分基础数据修正模型建模单元连接,用于对建模样品进行筛选。
较优的,所述建模样品筛选单元包括:
异常原始信号建模样品剔除模块,用于剔除马氏距离大于所有待筛选建模样品的马氏距离的均值的一定倍数的建模样品,所述一定倍数为大于1.2倍。
较优的,所述建模样品筛选单元包括:所述倍数可以根据样品测试、生产和实际的需要进行设定,如可以为1.2倍,1.3倍,1.4倍,1.5倍,1.6倍,1.7倍,1.8倍,1.9倍等。更优选地,如果样品的将马氏距离大于所有样品的马氏距离的均值的1.8倍,认为此样品为异常的原始信号对应的样品,应将其剔除。
更优选地,马氏距离的计算公式为其中,ai为第i个样品的原始信号的得分矩阵,所述得分矩阵为将原始信号进行主成分投影后获得;为各样品的平均得分矩阵;Acen为均值中心化矩阵,通过计算可以得到上述样品的马氏距离,并求所有样品的马氏距离的均值AD(i),将其中大于均值AD(i)的一定倍数的样品进行剔除。
较优的,所述的基于微波水分仪的修正模型还包括:
水分基础数据异常建模样品剔除子单元,用于剔除水分基础数据异常的建模样品,建模样品在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,建模样品的两个平行样的水分基础数据的差距大于两个平行样的水分基础数据的均值的一定值的建模样品即为水分基础数据异常的建模样品。所述一定值为一定百分含量,其可以根据实验精确度的需要和样品的质量进行调整,以保证两个平行样之间有较小的水分基础数据的差别。一般情况下,所述一定值不大于5%的数值。如可以为5%、4.5%、4%、3.5%、3%、2.5%、2%、1.5%、1%等。
优选地,烘干减重法为将样品在100℃的标准烘箱中烘2小时。
更优选地,水分基础数据为样品经过烘干减重法前后的质量差。
较优的,所述建模样品筛选单元包括:
模型预测水分基础数据异常建模样品剔除子单元,用于剔除模型预测水分基础数据异常建模样品,模型预测水分基础数据异常建模样品是指:将待筛选的建模样品利用Y预测=A预测BQ计算各个待筛选建模样品的预测水分基础数据Y预测;计算预测水分基础数据和由烘干减重法获得的真实水分基础数据的绝对误差E和平均绝对误差R,其中,E=|Y-Y预测|;R等于所有建模样本的绝对误差之和除以他们的样品数;E大于3R的建模样品即为模型预测水分基础数据异常建模样品。
本发明中原始信号与水分基础数据之间的关系的修正模型,是通过偏最小二乘回归法建模获得的,其中具体的建模及运算过程如下:
式中,X为n个样品的原始信号组成的矩阵,为由微波水分仪检测装置检测获得;
Y为n个样品对应的水分基础数据组成的浓度矩阵,为由烘干减重法测量获得,tk(n×1)为X的第k个主因子的得分矩阵;pk(1×m)为X矩阵的第k个主因子的载荷矩阵;其中n为得分矩阵的行数;m为载荷矩阵的列数;f为主因子数;
A和U分别为X和Y的得分矩阵,P和Q分别为X和Y的载荷矩阵,EX和EY分别为X和Y的偏最小二乘回归法(简称为PLS)的拟合残差矩阵,接着,根据偏最小二乘法的原理,将A和U做线性回归:U=AB,B=(ATA)-1ATY;在预测时,首先根据P求出待测样品得分矩阵的得分A预测,然后由下式得到此样品对应的浓度矩阵的预测值Y预测=A预测BQ。
在构建模型过程中,最初是忽略残差矩阵EX和EY,求出中间的参数后,再返回求残差矩阵。
具体过程如下:开始取主因子数f=1时有:
对X=APT,左边乘AT然后右乘P得:
对Y=UQT,左边乘UT然后两边同除以QT得:取浓度矩阵Y作为U的起始迭代值,以U代替A,根据方程:X=UWT计算W,其解为:W为X的权重向量;对权重归一化后求X的得分矩阵A,方程为:X=AWT,其解为:以A代替U计算Y的载荷矩阵Q,其方程为:Y=AQT;其解为:对载荷矩阵Q归一化后求Y的得分矩阵U,方程为:Y=UQT;其解为:再以此U代替A返回最开始计算WT,由WT计算A1,如此反复迭代,若A已收敛,即若||A-A1||≤10-6||A||,停止迭代;否则返回继续求X的权重向量W直至获得的X的得分矩阵收敛;根据收敛后的A求X的载荷矩阵P,其方程为:X=APT;其解为:对载荷矩阵P归一化后求X的得分矩阵A=A||P||;标准化权重向量W=W||P||;计算A与U之间的内在关系再计算残差矩阵EX=X-APT;EY=Y-UQT=Y-BAQT;最后以EX代替X,EY代替Y,返回最开始的步骤即求X的权重向量W,以此类推,求出X、Y的主因子的W、A、P、U、Q、B,最后通过交互检验法确定最佳主因子数f时迭代停止。
本发明还公开了一种微波水分仪水分基础数据检测方法,包括下列步骤:
利用建模样品建立水分基础数据修正模型,所述水分基础数据修正模型为:
Y预测=A预测BQ,
其中,
Y预测为经过模型修正后微波水分仪上显示的水分基础数据;
A预测为待测样品的原始信号的得分矩阵;
Q为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵Y的载荷矩阵;
B=(ATA)-1ATY,其中A为n个建模样品的原始信号组成的矩阵X的得分矩阵;Y为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵,所述原始信号包括建模样品的MMA信号、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、以及建模样品的水分基础数据的标准偏差五部分组成;
获得待测样品的原始信号的得分矩阵,此阿勇水分基础数据修正模型生成修正后的水分基础数据。
较优的,在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,两个平行样的水分基础数据的平均值为各建模样品的水分基础数据。
较优的,在利用建模样品建立水分基础数据修正模型时还包括建模样品筛选步骤。
较优的,所述建模样品筛选步骤包括:
剔除马氏距离大于所有待筛选建模样品的马氏距离的均值的一定倍数的建模样品,所述一定倍数为大于1.2倍。
较优的,所述建模样品筛选步骤包括:
剔除水分基础数据异常的建模样品,建模样品在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,建模样品的两个平行样的水分基础数据的差距大于两个平行样的水分基础数据的均值的一定值的建模样品即为水分基础数据异常的建模样品。
较优的,所述建模样品筛选步骤包括:
剔除模型预测水分基础数据异常建模样品,为将待筛选的建模样品利用Y预测=A预测BQ计算各个待筛选建模样品的预测水分基础数据Y预测;计算预测水分基础数据和由烘干减重法获得的真实水分基础数据的绝对误差E和平均绝对误差R,其中,E=|Y-Y预测|;R等于所有建模样本的绝对误差之和除以他们的样品数;将E大于3R的建模样品进行剔除。
优选地,本发明还公开了一种采用多个样品对模型进行验证的方法,所述方法为:将模型加载到微波水分仪中,用于验证的样品经由微波水分仪检测并获得的原始信号,原始信号经由模型获得对应的预测水分基础数据;同时用于验证的样品由烘干减重法获得真实水分基础数据,将真实水分基础数据和预测水分基础数据进行误差评价。更优选地,如果多个样品的真实水分基础数据与预测水分基础数据具有相关性,则模型具有可行性。相关性用相关系数评价,相关系数越大,模型越精确,预测能力越好。一般情况下,本领域技术人员认为相关系数为0.1~0.3时为弱相关,相关系数大于0.3小于等于0.5时为中等相关,相关系数大于0.5小于等于1时为强相关。
本发明中上述方法在纺织、烟草、造纸、食品领域中在线连续测试产品水分基础数据时均可以使用。本发明中方法是对采用微波水分仪检测时可能会对测试获得的水分基础数据造成误差的各种原因进行锁定和分析,并通过建模和加载模型去除可能造成误差的因素,从而保证最终经由微波水分仪检测输出的待测样品的水分基础数据不被仪器本身、环境和样品之间的差异所影响,最大可能的接近真实水分基础数据,从而保证了获得的水分基础数据的准确性。其特别适合于大规模样品的在线检测,不仅解决了频繁调整检测通道的问题,而且操作简单,降低工人的劳动强度。
附图说明
图1为本发明中一个具体的实施例中用剔除原始信号异常的建模样品的示意图;
图2为本发明中一个具体的实施例中用分基础数据剔除异常建模样品的示意图;
图3为本发明中一个具体的实施例中建模样品真实水分基础数据与预测水分基础数据的对比图。
图4为实施例中验证样品真实水分基础数据与预测水分基础数据的对比图。
图5为本发明中基于微波水分仪的修正系统的一个实施方式的示意图。
图6为图5中基于微波水分仪的修正系统执行的水分基础数据检测方法的流程图。
图7为本发明中基于微波水分仪的修正系统的另一个实施方式的示意图。
图8为图7中基于微波水分仪的修正系统执行的水分基础数据检测方法的流程图。
具体实施方式
下面借助具体实施例来描述本发明。在下面的描述中,阐述了许多具体细节以便使所属技术领域的技术人员能够更好地了解本发明。但是,对于所属技术领域内的技术人员来说明显的是,本发明的实现可不具有这些具体细节中的一些。此外,应当理解的是,本发明并不限于所介绍的特定实施例。相反,可以考虑用下面的特征的任意组合来实施本发明,而无论它们是否涉及不同的实施例。因此,下面的实施例和优点仅作说明之用,而不应被看作是对权利要求的限定,除非在权利要求中明确提出。
本发明实施例中公开了一种基于微波水分仪的修正模型,所述模型为:
Y预测=A预测BQ,
其中,
Y预测为经过模型修正后微波水分仪上显示的水分基础数据;
A预测为待测样品的原始信号的得分矩阵;
Q为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵Y的载荷矩阵;
B=(ATA)-1ATY,其中A为n个建模样品的原始信号组成的矩阵X的得分矩阵;Y为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵,所述原始信号包括建模样品的MMA信号、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、以及建模样品的水分基础数据的标准偏差五部分组成。
如图5和图7所示,本发明实施例提供了一种基于微波水分仪的修正系统100,所述基于微波水分仪的修正系统包括:
水分基础数据修正模型建模单元110,用于基于建模样品建立水分基础数据修正模型;
水分基础数据修正单元120,与水分基础数据修正模型建模单元连接,用于基于水分基础数据修正模型计算修正的水分基础数据;
其中,所述水分基础数据修正模型为:
Y预测=A预测BQ,
其中,
Y预测为经过模型修正后获得的修正的水分基础数据,即为微波水分仪上显示的水分基础数据,
A预测为待测样品的原始信号的得分矩阵,
Q为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵Y的载荷矩阵,
B=(ATA)-1ATY,其中A为n个建模样品的原始信号组成的矩阵X的得分矩阵,Y为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵,所述原始信号包括建模样品的MMA信号、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、以及建模样品的水分基础数据的标准偏差五部分组成。
在一个优选的实施例中,所述建模样品为对同一产品的多产地、多等级随机进行取样后获得的。
优选地,MMA信号为由微波水分仪的微波发射端发出的信号,经过样品后,接收端接收到的信号的输出值。AMP电压值为微波信号穿透样品前后的能量衰减值。AMP电压值的标准偏差能够一定程度上反应样品本身的密度。样品的水分基础数据的标准偏差是指对同一个样品取两个平行样,并经由烘干减重法得到两个平行样的水分基础数据,并进一步根据标准偏差公式获得样品的标准偏差。原始信号的五个维度的参数中,前四个参数即样品本身的MMA信号、AMP电压值、外部环境对仪器造成的背景电压和AMP电压值的标准偏差均可以在微波水分仪上数据显示中直接获得。样品的水分基础数据的标准偏差由烘干减重法测量后计算获得。
每一个样品的原始信号分别对应一个MMA信号值、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、样品的水分基础数据的标准偏差。如若样品有i个,则各样品组成的样本的原始信号为由i行5列的矩阵。
在本发明一个具体的实施例中,将多产地、多等级的产品进行取样获取样品,并用微波水分仪检测装置提取样品的原始信号。具体为:从含有多产地、多等级的烟叶的原烟仓库中随机抽取烟叶,大约600g形成一个混合样品的样本,编上编号。在进行微波水分仪测试时将每个样品用铡刀或剪刀,处理成长约5cm左右的烟叶,其中烟叶尾部的梗去除。处理完毕后的每个样品大约剩余500g;在本发明实施例中,连续取样一个月,每天取5个样品进行测量,形成150个样品组成的样本。
将其依次放入微波水分仪检测装置的样品筒中测量原始信号的前四个维度的数值,并由烘干减重法获得样品的原始信号的第五个维度的值,形成了一个150行5列的矩阵X,为了去除矩阵X中可能含有的跟烟叶本身无关的信息,对X进行主成分投影,得到样本的得分矩阵A。计算每个烟叶样品的马氏距离,用马氏距离将异常的原始信号及对应样品进行剔除,保存有用的原始信号及对应样品。
较优的,在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,两个平行样的水分基础数据的平均值为各建模样品的水分基础数据。
优选地,用微波水分仪检测装置测试样品前,将样品进行预处理,以满足微波水分仪检测装置使用时的需要。所述预处理可以根据产品的具体性能进行调整。
如图7所示,在一个较优的实施例中,所述的基于微波水分仪的修正模型还包括:
建模样品筛选单元130,与水分基础数据修正单元连接,用于对建模样品进行筛选。
如图7所示,在一个较优的实施例中,所述建模样品筛选单元130包括:
异常原始信号建模样品剔除子单元131,用于剔除马氏距离大于所有待筛选建模样品的马氏距离的均值的一定倍数的建模样品,所述一定倍数为大于1.2倍。
所述倍数可以根据样品测试、生产和实际的需要进行设定,如可以为1.2倍,1.3倍,1.4倍,1.5倍,1.6倍,1.7倍,1.8倍,1.9倍等。更优选地,如果样品的将马氏距离大于所有样品的马氏距离的均值的1.8倍,认为此样品为异常的原始信号对应的样品,应将其剔除。
更优选地,马氏距离的计算公式为其中,ai为第i个样品的原始信号的得分矩阵,所述得分矩阵为将原始信号进行主成分投影后获得;为各样品的平均得分矩阵;Acen为均值中心化矩阵,通过计算可以得到上述样品的马氏距离,并求所有样品的马氏距离的均值AD(i),将其中大于均值AD(i)的一定倍数的样品进行剔除。在本发明的具体实施例中通过计算剔除了10个吸光度异常的烟叶样品。具体如图1所示。
如图7所示,在一个优选的实施例中,所述的建模样品筛选单元130还包括:
水分基础数据异常建模样品剔除子单元132,用于剔除水分基础数据异常的建模样品,建模样品在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,建模样品的两个平行样的水分基础数据的差距大于两个平行样的水分基础数据的均值的一定值的建模样品即为水分基础数据异常的建模样品。所述一定值为一定百分含量,其可以根据实验精确度的需要和样品的质量进行调整,以保证两个平行样之间有较小的水分基础数据的差别。一般情况下,所述一定值不大于5%的数值。如可以为5%、4.5%、4%、3.5%、3%、2.5%、2%、1.5%、1%等。
优选地,烘干减重法为将样品在100℃的标准烘箱中烘2小时。
更优选地,水分基础数据为样品经过烘干减重法前后的质量差。
在本发明一个具体的实施例中,采用烘干减重法测量样本时,在样品测量前进行粉碎,测量时每一个样品做两个平行样,将每个平行样进行称重分别为G1、G2,将样品放入烘箱中在100℃下烘干2小时候后取出冷却,并进行称量分别为H1、H2,计算两个平行样之间的水份基础数据的差距H=|(G1-H1)-(G2-H2)|,若H≤0.3,样品为合格样品,此时此样品的水份基础数据反之,这个样品属于异常样品,应该剔除。将原始信号异常和水分值异常的样品剔除后,还剩133个样品。如图2所示。
如图7所示,在一个较优的实施例中,所述建模样品筛选单元130包括:
模型预测水分基础数据异常建模样品剔除子单元133,用于剔除模型预测水分基础数据异常建模样品,模型预测水分基础数据异常建模样品是指:将待筛选的建模样品利用Y预测=A预测BQ计算各个待筛选建模样品的预测水分基础数据Y预测;计算预测水分基础数据和由烘干减重法获得的真实水分基础数据的绝对误差E和平均绝对误差R,其中,E=|Y-Y预测|;R等于所有建模样本的绝对误差之和除以他们的样品数;E大于3R的建模样品即为模型预测水分基础数据异常建模样品。如图3所示。
本发明中原始信号与水分基础数据之间的关系的修正模型,是通过偏最小二乘回归法建模获得的,其中具体的建模及运算过程如下:
式中,X为n个样品的原始信号组成的矩阵,为由微波水分仪检测装置检测获得;
Y为n个样品对应的水分基础数据组成的浓度矩阵,为由烘干减重法测量获得,tk(n×1)为X的第k个主因子的得分矩阵;pk(1×m)为X矩阵的第k个主因子的载荷矩阵;其中n为得分矩阵的行数;m为载荷矩阵的列数;f为主因子数;
A和U分别为X和Y的得分矩阵,P和Q分别为X和Y的载荷矩阵,EX和EY分别为X和Y的偏最小二乘回归法(简称为PLS)的拟合残差矩阵,接着,根据偏最小二乘法的原理,将A和U做线性回归:U=AB,B=(ATA)-1ATY;在预测时,首先根据P求出待测样品得分矩阵的得分A预测,然后由下式得到此样品对应的浓度矩阵的预测值Y预测=A预测BQ。
在构建模型过程中,最初是忽略残差矩阵EX和EY,求出中间的参数后,再返回求残差矩阵。
具体过程如下:开始取主因子数f=1时有:
对X=APT,左边乘AT然后右乘P得:
对Y=UQT,左边乘UT然后两边同除以QT得:取浓度矩阵Y作为U的起始迭代值,以U代替A,根据方程:X=UWT计算W,其解为:W为X的权重向量;对权重归一化后求X的得分矩阵A,方程为:X=AWT,其解为:以A代替U计算Y的载荷矩阵Q,其方程为:Y=AQT;其解为:对载荷矩阵Q归一化后求Y的得分矩阵U,方程为:Y=UQT;其解为:再以此U代替A返回最开始计算WT,由WT计算A1,如此反复迭代,若A已收敛,即若||A-A1||≤10-6||A||,停止迭代;否则返回继续求X的权重向量W直至获得的X的得分矩阵收敛;根据收敛后的A求X的载荷矩阵P,其方程为:X=APT;其解为:对载荷矩阵P归一化后求X的得分矩阵A=A||P||;标准化权重向量W=W||P||;计算A与U之间的内在关系再计算残差矩阵EX=X-APT;EY=Y-UQT=Y-BAQT;最后以EX代替X,EY代替Y,返回最开始的步骤即求X的权重向量W,以此类推,求出X、Y的主因子的W、A、P、U、Q、B,最后通过交互检验法确定最佳主因子数f时迭代停止。
如图6所示,本发明还公开了上述所述微波水分仪水分基础数据检测方法,包括下列步骤:
S110:利用建模样品建立水分基础数据修正模型,所述水分基础数据修正模型为:
Y预测=A预测BQ,
其中,
Y预测为经过模型修正后微波水分仪上显示的水分基础数据;
A预测为待测样品的原始信号的得分矩阵;
Q为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵Y的载荷矩阵;
B=(ATA)-1ATY,其中A为n个建模样品的原始信号组成的矩阵X的得分矩阵;Y为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵,所述原始信号包括建模样品的MMA信号、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、以及建模样品的水分基础数据的标准偏差五部分组成;
S120:获得待测样品的原始信号的得分矩阵,采用水分基础数据修正模型生成修正后的水分基础数据。
较优的,在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,两个平行样的水分基础数据的平均值为各建模样品的水分基础数据。
在一个较优的实施例中,在利用建模样品建立水分基础数据修正模型时还包括建模样品筛选步骤S130。如图8所示:
所述建模样品筛选步骤包括:
剔除原始信号异常的建模样品S131,原始信号异常的建模样品是指马氏距离大于所有待筛选建模样品的马氏距离的均值的一定倍数的建模样品,所述一定倍数为大于1.2倍。
较优的,所述建模样品筛选步骤S130包括:
剔除水分基础数据异常的建模样品S132,建模样品在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,建模样品的两个平行样的水分基础数据的差距大于两个平行样的水分基础数据的均值的一定值的建模样品即为水分基础数据异常的建模样品。
较优的,所述建模样品筛选步骤S130包括:
剔除模型预测水分基础数据异常建模样品S133,为将待筛选的建模样品利用Y预测=A预测BQ计算各个待筛选建模样品的预测水分基础数据Y预测;计算预测水分基础数据和由烘干减重法获得的真实水分基础数据的绝对误差E和平均绝对误差R,其中,E=|Y-Y预测|;R等于所有建模样本的绝对误差之和除以他们的样品数;将E大于3R的建模样品进行剔除。
本发明实施例又进一步的采用多个样品对模型进行验证的方法,所述方法为:将模型加载到微波水分仪中,用于验证的样品经由微波水分仪检测并获得的原始信号,原始信号经由模型获得对应的预测水分基础数据;同时用于验证的样品由烘干减重法获得真实水分基础数据,将真实水分基础数据和预测水分基础数据进行误差评价。更优选地,如果多个样品的真实水分基础数据与预测水分基础数据具有相关性,则模型具有可行性。相关性用相关系数评价,相关系数越大,模型越精确,预测能力越好。一般情况下,本领域技术人员认为相关系数为0.1~0.3时为弱相关,相关系数大于0.3小于等于0.5时为中等相关,相关系数大于0.5小于等于1时为强相关。
本发明一个具体的实施例中用35个样品对所建的模型进行验证分析。
表1验证样品的真实水分基础数据和预测水分基础数据对比,如图4所示。即为误差评价。
表1
表2为验证样品的真实水分基础数据与预测水分基础数据的统计量。
表2
表3为验证样品的真实水分基础数据与预测水分基础数据的相关系数。
表3
表4验证样品的真实水分基础数据与预测水分基础数据的样本检验
表4
表2、表3和表4为跟随性评价。从上述结果可知,微波水分仪检测模型的验证样品的预测水分基础数据与真实水分基础数据之间的相关系数0.89,两者为强相关,并且可以通过配对T检验。由此确定本实施例中的模型具有可行性,其可以较为精准的预测待测样品的水分基础数据。
根据以上实施例的记载,本领域技术人员能够理解,本发明技术方案是对采用微波水分仪检测时可能会对测试获得的水分基础数据造成误差的各种原因进行锁定和分析,并通过建模和加载模型去除可能造成误差的因素,从而保证最终经由微波水分仪检测输出的待测样品的水分基础数据不被仪器本身、环境和样品之间的差异所影响,最大可能的接近真实水分基础数据,从而保证了获得的水分基础数据的准确性。具体到本发明实施例中,造成误差的各种原因包括由环境造成仪器信号差异、仪器本身携带信号的差异、样品本身不均匀性的差异。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (13)
1.一种基于微波水分仪的修正模型,其特征在于,所述模型为
Y预测=A预测BQ,
其中,
Y预测为经过模型修正后微波水分仪上显示的水分基础数据;
A预测为待测样品的原始信号的得分矩阵;
Q为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵Y的载荷矩阵;
B=(ATA)-1ATY,其中A为n个建模样品的原始信号组成的矩阵X的得分矩阵;Y为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵,所述原始信号包括建模样品的MMA信号、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、以及建模样品的水分基础数据的标准偏差五部分组成。
2.一种基于微波水分仪的修正系统,其特征在于,所述的修正系统包括:
水分基础数据修正模型建模单元,用于基于建模样品建立水分基础数据修正模型;
水分基础数据修正单元,与水分基础数据修正模型建模单元连接,用于基于水分基础数据修正模型计算修正的水分基础数据;
其中,所述水分基础数据修正模型为:
Y预测=A预测BQ,
其中,
Y预测为经过模型修正后获得的修正的水分基础数据,即为微波水分仪上显示的水分基础数据,
A预测为待测样品的原始信号的得分矩阵,
Q为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵Y的载荷矩阵,B=(ATA)-1ATY,其中A为n个建模样品的原始信号组成的矩阵X的得分矩阵,Y为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵,所述原始信号包括建模样品的MMA信号、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、以及建模样品的水分基础数据的标准偏差五部分组成。
3.如权利要求2所述的修正系统,其特征在于:在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,两个平行样的水分基础数据的平均值为各建模样品的水分基础数据。
4.如权利要求2所述的修正系统,其特征在于,所述的基于微波水分仪的修正系统还包括:建模样品筛选单元,与水分基础数据修正模型建模单元连接,用于对建模样品进行筛选。
5.如权利要求4所述的修正系统,其特征在于,所述建模样品筛选单元包括:
异常原始信号建模样品剔除子单元,用于剔除马氏距离大于所有待筛选建模样品的马氏距离的均值的一定倍数的建模样品,所述一定倍数为大于1.2倍。
6.如权利要求4所述的修正模型,其特征在于,所述建模样品筛选单元包括:
水分基础数据异常建模样品剔除子单元,用于剔除水分基础数据异常的建模样品,建模样品在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,建模样品的两个平行样的水分基础数据的差距大于两个平行样的水分基础数据的均值的一定值的建模样品即为水分基础数据异常的建模样品。
7.如权利要求4所述的修正模型,其特征在于,所述建模样品筛选单元包括:
模型预测水分基础数据异常建模样品剔除子单元,用于剔除模型预测水分基础数据异常建模样品,模型预测水分基础数据异常建模样品是指:将待筛选的建模样品利用Y预测=A预测BQ计算各个待筛选建模样品的预测水分基础数据Y预测;计算预测水分基础数据和由烘干减重法获得的真实水分基础数据的绝对误差E和平均绝对误差R,其中,E=|Y-Y预测|;R等于所有建模样本的绝对误差之和除以他们的样品数;E大于3R的建模样品即为模型预测水分基础数据异常建模样品。
8.一种微波水分仪水分基础数据检测方法,包括下列步骤:
利用建模样品建立水分基础数据修正模型,所述水分基础数据修正模型为:
Y预测=A预测BQ,
其中,
Y预测为经过模型修正后微波水分仪上显示的水分基础数据;
A预测为待测样品的原始信号的得分矩阵;
Q为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵Y的载荷矩阵;
B=(ATA)-1ATY,其中A为n个建模样品的原始信号组成的矩阵X的得分矩阵;Y为n个建模样品由烘干减重法获得的水分基础数据组成的浓度矩阵,所述原始信号包括建模样品的MMA信号、AMP电压值、外部环境对仪器造成的背景电压、AMP电压值的标准偏差、以及建模样品的水分基础数据的标准偏差五部分组成;
获得待测样品的原始信号的得分矩阵,采用水分基础数据修正模型生成修正后的水分基础数据。
9.如权利要求8所述的微波水分仪水分基础数据检测方法,其特征在于:在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,两个平行样的水分基础数据的平均值为各建模样品的水分基础数据。
10.如权利要求8所述的微波水分仪水分基础数据检测方法,其特征在于,在利用建模样品建立水分基础数据修正模型时还包括建模样品筛选步骤。
11.如权利要求10所述的微波水分仪水分基础数据检测方法,其特征在于,所述建模样品筛选步骤包括:剔除原始信号异常的建模样品,原始信号异常的建模样品是指马氏距离大于所有待筛选建模样品的马氏距离的均值的一定倍数的建模样品,所述一定倍数为大于1.2倍。
12.如权利要求10所述的微波水分仪水分基础数据检测方法,其特征在于,所述建模样品筛选步骤包括:
剔除水分基础数据异常的建模样品,建模样品在用烘干减重法测量获得建模样品对应的水分基础数据时,每个建模样品均取两个质量相同的平行样,建模样品的两个平行样的水分基础数据的差距大于两个平行样的水分基础数据的均值的一定值的建模样品即为水分基础数据异常的建模样品。
13.如权利要求10所述的微波水分仪水分基础数据检测方法,其特征在于,所述建模样品筛选步骤包括:
剔除模型预测水分基础数据异常建模样品,为将待筛选的建模样品利用Y预测=A预测BQ计算各个待筛选建模样品的预测水分基础数据Y预测;计算预测水分基础数据和由烘干减重法获得的真实水分基础数据的绝对误差E和平均绝对误差R,其中,E=|Y-Y预测|;R等于所有建模样本的绝对误差之和除以他们的样品数;将E大于3R的建模样品进行剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610669890.4A CN106338526B (zh) | 2016-08-15 | 2016-08-15 | 一种基于微波水分仪的修正模型及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610669890.4A CN106338526B (zh) | 2016-08-15 | 2016-08-15 | 一种基于微波水分仪的修正模型及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106338526A true CN106338526A (zh) | 2017-01-18 |
CN106338526B CN106338526B (zh) | 2019-04-02 |
Family
ID=57825223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610669890.4A Active CN106338526B (zh) | 2016-08-15 | 2016-08-15 | 一种基于微波水分仪的修正模型及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106338526B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110095429A (zh) * | 2019-04-30 | 2019-08-06 | 济南弗莱德科学仪器有限公司 | 一种成品油质量快速检测方法 |
CN110286054A (zh) * | 2019-07-09 | 2019-09-27 | 山东俊富非织造材料有限公司 | 一种亲水乳液浓度的检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915744A (zh) * | 2010-07-05 | 2010-12-15 | 北京航空航天大学 | 物质成分含量的近红外光谱无损检测方法及装置 |
CN102590232A (zh) * | 2011-01-18 | 2012-07-18 | 丹东东方测控技术有限公司 | 在线微波水分仪水分检测的非线性性自动校正方法 |
CN103336015A (zh) * | 2013-07-18 | 2013-10-02 | 北京紫东科技有限公司 | 利用微波水分仪在线检测原烟烟包水分含量的方法 |
CN104990894A (zh) * | 2015-07-09 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于加权吸光度及相似样本的汽油性质检测方法 |
-
2016
- 2016-08-15 CN CN201610669890.4A patent/CN106338526B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915744A (zh) * | 2010-07-05 | 2010-12-15 | 北京航空航天大学 | 物质成分含量的近红外光谱无损检测方法及装置 |
CN102590232A (zh) * | 2011-01-18 | 2012-07-18 | 丹东东方测控技术有限公司 | 在线微波水分仪水分检测的非线性性自动校正方法 |
CN103336015A (zh) * | 2013-07-18 | 2013-10-02 | 北京紫东科技有限公司 | 利用微波水分仪在线检测原烟烟包水分含量的方法 |
CN104990894A (zh) * | 2015-07-09 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于加权吸光度及相似样本的汽油性质检测方法 |
Non-Patent Citations (1)
Title |
---|
胡耀华等: "近红外光谱测定猪眼肌肌内脂肪中脂肪酸含量", 《光谱学与光谱分析》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110095429A (zh) * | 2019-04-30 | 2019-08-06 | 济南弗莱德科学仪器有限公司 | 一种成品油质量快速检测方法 |
CN110286054A (zh) * | 2019-07-09 | 2019-09-27 | 山东俊富非织造材料有限公司 | 一种亲水乳液浓度的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106338526B (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101564199B (zh) | 均质化生产控制型打叶复烤方法 | |
van den Berg et al. | Process analytical technology in the food industry | |
CN110687072B (zh) | 一种基于光谱相似度的校正集和验证集的选择及建模方法 | |
CN110455722A (zh) | 橡胶树叶片磷含量高光谱反演方法和系统 | |
CN104020127B (zh) | 一种利用近红外光谱快速测量烟叶中无机元素的方法 | |
CN109799195B (zh) | 一种激光诱导击穿光谱的高精度定量分析方法 | |
CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
CN104990895A (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
CN105092519A (zh) | 基于增量偏最小二乘法的样品成份测定方法 | |
CN106053383A (zh) | 一种烟草加工过程中的近红外在线检测方法 | |
CN106338526B (zh) | 一种基于微波水分仪的修正模型及检测方法 | |
CN111160667B (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
CN112179871A (zh) | 一种酱类食品中己内酰胺含量无损检测的方法 | |
CN115034303A (zh) | 一种食品有害物质定向检测方法及系统 | |
CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
CN110210005A (zh) | 一种无参考值的光谱波数选择方法 | |
CN101226146A (zh) | 基于多光谱散射图像的苹果硬度预测方法 | |
CN110376154A (zh) | 基于光谱校正的水果在线检测方法及系统 | |
Windham et al. | Prediction of fat content in poultry meat by near-infrared transmission analysis | |
CN117589710A (zh) | 一种汽油非常规添加剂组分测定方法 | |
AU2020252264A1 (en) | Method for configuring a spectrometry device | |
Lim et al. | Measurement of cross link densities of prevulcanized natural rubber latex and latex products using low-cost near infrared spectrometer | |
CN111967799B (zh) | 集总参数表贴环行器物料及工艺问题识别方法 | |
CN106124451B (zh) | 一种透过包装袋在线近红外检测的修正系统及检测的方法 | |
DE102004014338A1 (de) | Verfahren zum Bestimmen der Eigenschaften einer Stoffprobe |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |