CN107643252B - Wms检测瓶内氧气浓度的实时扣背景非线性校正方法 - Google Patents

Abstract

本发明公开了WMS检测瓶内氧气浓度的实时扣背景非线性校正方法，首先采集氧气浓度为0％玻璃瓶和待测玻璃瓶的二次谐波数据进行数据平均及滤波处理，经非线性校正后提取相应的谐波特征峰值P₀和P。将建立氧气浓度反演模型时大气的特征峰值P'和氧气浓度为21％玻璃瓶的特征峰值P'₂₁之和的一半作为检测有无瓶子的阈值，如果P小于此阈值，则进一步实时扣背景及乘法校正处理，即将氧气浓度为0％玻璃瓶初始建模时特征峰值P₀'除以当前的特征峰值P₀作为校正因子，将(P‑P₀)与校正因子相乘后得到实际的对应待测样本特征峰值，送往浓度反演模型中进行预测。本发明的技术效果在于，实现对背景波动抑制，能有效提高玻璃瓶内氧气浓度预测的精度和稳定性。

Description

WMS检测瓶内氧气浓度的实时扣背景非线性校正方法

技术领域

本发明涉及气体检测技术领域，特别涉及一种主要用于基于波长调制光谱检测玻璃瓶内氧气浓度的实时扣背景非线性校正方法。

背景技术

在制药行业中，国际上已有公司将波长调制光谱(wavelength modulationspectroscopy，WMS)技术应用在密封玻璃药瓶内氧浓度检测上，如美国LIGHTHOUSE公司，意大利贝威蒂公司等。但通过WMS技术析取的二次谐波信号存在背景波动，因玻璃瓶瓶壁引起的光学噪声、系统仪器噪声、非线性强度调制及随机的自由空间的温度湿度等影响，导致背景波动无规律，从而使浓度-峰值反演模型存在不同程度的非线性，影响浓度测量的精度和稳定性。

目前在光谱技术的实时扣背景非线性校正研究中，Werle等提出先采集背景气体的谱线信号，再采集目标气体谱线吸收信号进行扣除的方法，Persson等人通过改进光路或气室结构进行非线性处理以减少基线影响，但都只适合于有气体吸收池的系统中；数据预处理进行基线校正的方法也较多，目前主要有小波变换、正交信号处理等，但运算复杂，实时性不强。

发明内容

本发明的目的是为波长调制光谱检测玻璃瓶内氧气浓度提供一种准确的实时扣背景非线性校正方法，克服背景波动带来的误差，提高系统检测精度和稳定性。

为了实现上述技术目的，本发明的技术方案是，WMS检测瓶内氧气浓度的实时扣背景非线性校正方法，包括以下步骤：

步骤1，使用包括氧气浓度为0％的多个已知氧气浓度且各不相同的玻璃瓶样本作为初始建模样本，采集激光照射下的多个相应二次谐波数据，并进行数据预处理后，提取相应的谐波峰值，然后将不同氧气浓度样本的谐波峰值减去0％氧气浓度样本的谐波峰值，作为标准数据库中各不同氧气浓度样本的特征峰值数据，再取每种氧气浓度下多个玻璃瓶样本，重复前述采集二次谐波数据进行处理后得到特征峰值数据的步骤，将得到的同一氧气浓度下的特征峰值算术平均，最后将算术平均后的特征峰值与相应浓度值进行最小二乘线性拟合，作为氧气浓度反演模型；

步骤2，采集检测区域和已知氧气浓度为0％玻璃瓶的二次谐波数据；

步骤3，分别对步骤2中得到的二次谐波进行数据预处理后，提取检测区域的谐波特征峰值P和已知氧气浓度为0％玻璃瓶的谐波特征峰值P₀，将两者相减得到P-P₀，作为实时扣背景后的特征峰值；

步骤4，将步骤1中氧气浓度为0％玻璃瓶的特征峰值P₀'除以当前的特征峰值P₀，获得乘法校正因子k＝P₀'/P₀；

步骤5，将步骤4中的乘法校正因子k和步骤3中的差值P-P₀相乘，得到实时扣背景及非线性校正后的实际待测样本峰值PP；

步骤6，将步骤5中得到的数据PP代入氧气浓度反演模型中，实现浓度预测。

所述的方法，步骤2中，在计算实时扣背景后的特征峰值之前，还包括将P与预设的阈值相比较，以确定检测区域是否存在待测的玻璃瓶的步骤，当P大于阈值时，则判断检测区域不存在待测的玻璃瓶，并重复步骤2，否则继续执行后续步骤。

所述的方法，预设的阈值，是分别采集检测区域大气的氧气二次谐波数据和氧气浓度为21％玻璃瓶的氧气二次谐波数据，并将这两个数据分别进行数据预处理后得到的两个谐波特征峰值之和的一半作为阈值。

所述的方法，所述的数据预处理包括对二次谐波进行粗大误差剔除及多周期平均、窗口滑动加权平均滤波和基于L-M算法的非线性校正。

所述的方法，所述的二次谐波进行粗大误差剔除及多周期平均包括以下步骤：

对每个初始建模样本取20个周期的二次谐波信号进行粗大误差剔除及平均处理，即将20列采样数据去掉最大值和最小值再进行平均，得到相应的一列二次谐波数据。

所述的方法，所述的窗口滑动加权平均滤波包括以下步骤：

窗口大小设置为19，用3次多项式进行最小二乘拟合，用拟合所得的多项式计算出需计算的测量点的值，作为平滑结果。

所述的方法，所述的基于L-M算法的非线性校正包括以下步骤：

选用高斯线型的二阶导数作为吸收的二次谐波波形标准表达式，高斯线型及其二阶导数的表达式分布如公式(1)、(2)所示，其中a、b、c为高斯线型参数，x为采样数据点，

以所测波形数据和标准数据的误差的平方和及迭代次数作为L-M优化算法的终止标志，以迭代前后偏差大小作为信赖域放大或缩小的依据，经过不断迭代，计算得到曲线校正的最优化参数，从而获取校正后的信号来替代被测信号完成非线性校正。

本发明的技术效果在于，利用高斯线型的二阶导数作为吸收二次谐波表达式，经L-M算法非线性校正后，再结合实时扣背景谱线及乘法因子校正，实现对背景波动抑制，能有效提高玻璃瓶内氧气浓度预测的精度和稳定性。

附图说明

图1为本发明的流程示意图；

图2为浓度为0％玻璃瓶的二次谐波信号非线性校正对比图；

图3为浓度为4％玻璃瓶的二次谐波信号非线性校正对比图；

图4为浓度为1％玻璃瓶多次测量的预测结果分布图。

具体实施方式

为了更好的理解本发明的技术方案，以下结合说明书附图对本发明的实施方式作进一步描述。

参见图1，以下以透明西林瓶(瓶身直径22mm)内氧气浓度检测为例，介绍波长调制光谱检测瓶内氧气浓度的实时扣背景非线性校正方法。

在一定气体压强和温度条件下，以氮气作平衡气体，采集不同氧气浓度的玻璃药瓶作为初始建模样本，样本浓度分别为0％、1％、4％、8％、12％、15％、21％，进行数据预处理：

步骤1：对每个初始建模样本取20个周期的二次谐波信号进行粗大误差剔除及平均处理，即将20列采样数据去掉最大值和最小值再进行平均，得到相应的一列二次谐波数据，以减少随机噪声；

步骤2：窗口滑动加权平均滤波快速处理，窗口大小设置为19，用3次多项式进行最小二乘拟合，用拟合所得的多项式计算出该测量点的值，作为平滑结果，以抑制系统周期性干扰。

步骤3：基于L-M算法的非线性校正处理，选用高斯线型的二阶导数作为吸收的二次谐波波形标准表达式，高斯线型及其二阶导数的表达式分布如公式(1)、(2)所示，其中a、b、c为高斯线型参数。

以所测波形数据和标准数据的误差的平方和及迭代次数作为L-M优化算法的终止标志，以迭代前后偏差大小作为信赖域放大或缩小的依据，经过不断迭代，计算得到曲线校正的最优化参数，从而获取校正后的信号来替代被测信号完成系统非线性校正功能，0％和4％浓度的玻璃样瓶处理结果分别如图2、图3所示。

步骤4：提取非线性校正后的相应二次谐波信号峰值；

步骤5：标准数据库建立，将相应浓度的特征峰值减去0％浓度的玻璃瓶特征峰值，作为各不同浓度标准样本的特征峰值数据。

各种浓度的玻璃瓶样本各取15支，重复步骤1至5，将对应的15个特征峰值算术平均，再进行瓶内氧气吸收的二次谐波平均峰值与相应浓度的最小二乘线性拟合，作为氧气浓度反演模型。

在实际测量未知浓度玻璃瓶时，同时测量氧气浓度为0％玻璃瓶的二次谐波数据，进行粗大误差剔除及多周期平均、平滑滤波、非线性校正等数据处理后，提取相应的谐波特征峰值P和P₀，同时将两者相减，得到实时扣背景后的特征峰值。得到的数据P与事先设定的阈值相比较，确定当前有待测瓶，然后将建立氧气浓度反演模型时氧气浓度为0％玻璃瓶特征峰值P₀'除以当前的特征峰值P₀，获得乘法校正因子k＝P₀'/P₀，实际待测样本峰值由公式PP＝P₀'/P₀×(P-P₀)计算获得，实现了对背景波动的有效抑制。最后将得到的数据PP代入浓度反演模型中，实现浓度预测。

表1给出了利用高斯线型的二阶导数作为吸收的二次谐波波形标准表达式，基于L-M算法的非线性校正校正计算得到的初始参数、优化后的参数以及校正前后两波形数据的相关系数。

由表1可知，相关系数都较高，这说明基于线型L-M算法能够对测量曲线进行非线性处理，而校正后的曲线稳定性好，从而有效抑制系统光学干涉噪声、仪器及环境噪声引起的基线漂移现象。

图4给出了1％浓度玻璃瓶内氧气进行多次测量的结果，对比普通处理结果和本发明所采用的实时扣背景非线性校正后的结果，可以看出，实时扣背景及非线性校正处理后，浓度预测结果波动显著减小，预测的最大偏差分别为0.38％和0.22％，预测的均方根误差分别为0.25％和0.16％，验证了本发明能有效提高系统测量精度和稳定性。

Claims (7)

1.WMS检测瓶内氧气浓度的实时扣背景非线性校正方法，其特征在于，包括以下步骤：

步骤1，使用包括氧气浓度为0％的多个已知氧气浓度且各不相同的玻璃瓶样本作为初始建模样本，采集激光照射下的多个相应二次谐波数据，并进行数据预处理后，提取相应的谐波峰值，然后将不同氧气浓度样本的谐波峰值减去0％氧气浓度样本的谐波峰值，作为标准数据库中各不同氧气浓度样本的特征峰值数据，再取每种氧气浓度下多个玻璃瓶样本，重复前述采集二次谐波数据进行处理后得到特征峰值数据的步骤，将得到的同一氧气浓度下的特征峰值算术平均，最后将算术平均后的特征峰值与相应浓度值进行最小二乘线性拟合，作为氧气浓度反演模型；

步骤2，采集检测区域和已知氧气浓度为0％玻璃瓶的二次谐波数据；

步骤3，分别对步骤2中得到的二次谐波进行数据预处理后，提取检测区域的谐波特征峰值P和已知氧气浓度为0％玻璃瓶的谐波特征峰值P₀，将两者相减得到P-P₀，作为实时扣背景后的特征峰值；

步骤4，将步骤1中氧气浓度为0％玻璃瓶的特征峰值P₀'除以当前的特征峰值P₀，获得乘法校正因子k＝P₀'/P₀；

步骤5，将步骤4中的乘法校正因子k和步骤3中的差值P-P₀相乘，得到实时扣背景及非线性校正后的实际待测样本峰值PP；

步骤6，将步骤5中得到的数据PP代入氧气浓度反演模型中，实现浓度预测。

2.根据权利要求1所述的方法，其特征在于，步骤2中，在计算实时扣背景后的特征峰值之前，还包括将P与预设的阈值相比较，以确定检测区域是否存在待测的玻璃瓶的步骤，当P大于阈值时，则判断检测区域不存在待测的玻璃瓶，并重复步骤2，否则继续执行后续步骤。

3.根据权利要求2所述的方法，其特征在于，预设的阈值，是分别采集检测区域大气的氧气二次谐波数据和氧气浓度为21％玻璃瓶的氧气二次谐波数据，并将这两个数据分别进行数据预处理后得到的两个谐波特征峰值之和的一半作为阈值。

4.根据权利要求1所述的方法，其特征在于，所述的数据预处理包括对二次谐波进行粗大误差剔除及多周期平均、窗口滑动加权平均滤波和基于L-M算法的非线性校正。

5.根据权利要求4所述的方法，其特征在于，所述的二次谐波进行粗大误差剔除及多周期平均包括以下步骤：

对每个初始建模样本取20个周期的二次谐波信号进行粗大误差剔除及平均处理，即将20列采样数据去掉最大值和最小值再进行平均，得到相应的一列二次谐波数据。

6.根据权利要求4所述的方法，其特征在于，所述的窗口滑动加权平均滤波包括以下步骤：

窗口大小设置为19，用3次多项式进行最小二乘拟合，用拟合所得的多项式计算出需计算的测量点的值，作为平滑结果。

7.根据权利要求4所述的方法，其特征在于，所述的基于L-M算法的非线性校正包括以下步骤：

选用高斯线型的二阶导数作为吸收的二次谐波波形标准表达式，高斯线型及其二阶导数的表达式分布如公式(1)、(2)所示，其中a、b、c为高斯线型参数，x为采样数据点，

以所测波形数据和标准数据的误差的平方和及迭代次数作为L-M优化算法的终止标志，以迭代前后偏差大小作为信赖域放大或缩小的依据，经过不断迭代，计算得到曲线校正的最优化参数，从而获取校正后的信号来替代被测信号完成非线性校正。

Images