CN107860748A - 近红外光谱网络化采集系统 - Google Patents
近红外光谱网络化采集系统 Download PDFInfo
- Publication number
- CN107860748A CN107860748A CN201711379987.2A CN201711379987A CN107860748A CN 107860748 A CN107860748 A CN 107860748A CN 201711379987 A CN201711379987 A CN 201711379987A CN 107860748 A CN107860748 A CN 107860748A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- infrared spectrum
- equipment
- data
- forecast model
- 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.)
- Pending
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 138
- 230000006855 networking Effects 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 102
- 238000001228 spectrum Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 239000000126 substance Substances 0.000 claims description 52
- 238000004611 spectroscopical analysis Methods 0.000 claims description 50
- 239000000203 mixture Substances 0.000 claims description 42
- 230000003993 interaction Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 238000004321 preservation Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000007726 management method Methods 0.000 abstract description 3
- 238000013497 data interchange Methods 0.000 abstract description 2
- 235000013405 beer Nutrition 0.000 description 11
- 239000000796 flavoring agent Substances 0.000 description 7
- 235000019634 flavors Nutrition 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000009512 hedan Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013024 troubleshooting Methods 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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种近红外光谱网络化采集系统,包括近红外光谱设备、近红外接口驱动适配器、检测终端和运维平台。通过设计近红外接口驱动适配器对不同品牌、不同类型的近红外光谱设备进行统一驱动控制,由此可以实现对不同近红外光谱设备的统一规范化管理;通过连通多台近红外光谱设备与远程运维平台的数据互通,根据任务需求建立标准化的采集规则,由此可以实现光谱采集的批量性和快速性;通过在远程运维平台中针对系统中的每一台近红外光谱设备建立与之对应的预测模型,由此可以对预测模型实现统一维护,降低了预测模型的维护难度,为样品内在质量的快速检测提供了技术保障,能够很好地适应企业对多点检测的标准化、统一化及批量化的检测要求。
Description
技术领域
本发明属于光谱采集设备技术领域,具体地说,是涉及一种基于近红外光谱设备构建的网络化采集系统。
背景技术
面对目前激烈的市场竞争环境以及消费者对啤酒产品不同口味的需求,保持不同地区、不同生产厂家生产的啤酒风味的统一性和稳定性、满足消费者口味喜好是企业一直关注的重点。啤酒成分非常复杂,啤酒风味是依靠所含的多种化学成分发挥作用的,任何单一的成分或指标都难以有效地表征啤酒的风味特征。因啤酒风味的复杂性、所含风味物质的低含量和多样性,人们对啤酒风味的整体把握,尚受到现有检测技术与数据分析技术的约束。因此,研究快速有效的检测手段将在认知产品质量风味特征内在规律、提高啤酒质量稳定性等方面产生重要意义。
目前啤酒及原料的化学成分指标检测手段主要依靠连续流动法和光度法等传统分析方法,前处理复杂、耗时、费力、废液多,且无法进行大规模样品检测。相比于这些传统分析方法,近红外光谱分析技术具有快速、环保、低成本等技术优势,主要利用有机物中含有的C-H、N-H、O-H、C-C等化学键的泛频振动或转动,以漫反射方式获得在近红外区的吸收光谱。样品中含有的化学成分均具有丰富含氢基团,可通过现代化计量学的手段,挖掘样品光谱中蕴含的关键特征,建立分子光谱与样品化学成分含量之间的预测模型,实现样品化学成分的快速检测,解决单靠传统化学分析方法难以快速完成的问题。
但是,目前大部分用户购买的近红外设备和配备的进口采集光谱软件只能单台设备单台建模,良好模型的建立需要较高的建模技术、化学计量学技术和较高的样品实验室检测成本。对于多台近红外光谱设备而言,每台设备单独建模更需要耗费大量的人力、物力和财力,甚至需要好几年时间,一般企业尚没有技术能力实现。对于啤酒企业而言,利用近红外光谱技术进行啤酒产品和大麦原料的化学成分的快速检测主要基于单机光谱数据采集与单机模型构建。随着大品牌资源整合、低成本高速扩张趋势不断发展,大品牌多点加工成为必然趋势,如何保证企业内多点检测的标准化、统一化及批量化尤为重要。因此,依靠单台近红外光谱设备单独建模、单独采集光谱数据的现有检测方法已经无法适应大企业的需求。
发明内容
本发明的目的在于提供一种近红外光谱网络化采集系统,可以对不同品牌不同规格的近红外光谱设备实现统一控制与光谱采集,为待测样品内在质量的快速检测提供了技术支持。
为解决上述技术问题,本发明采用以下技术方案予以实现:
一种近红外光谱网络化采集系统,包括近红外光谱设备、近红外接口驱动适配器、检测终端和运维平台;所述近红外光谱设备包括多台,且每一台近红外光谱设备均具有唯一的设备ID;所述检测终端接收检测任务,并生成采集指令发送至近红外接口驱动适配器,通过近红外接口驱动适配器驱动选中的近红外光谱设备运行,采集待测样品的光谱数据;所述检测终端通过近红外接口驱动适配器接收近红外光谱设备采集到的光谱数据,并将每一组光谱数据与其所对应的设备ID相关联,生成检测数据发送至所述运维平台;在所述运维平台中保存有每一台近红外光谱设备所对应的预测模型,所述运维平台根据检测数据中的设备ID调用与之对应的预测模型,并将检测数据中与该设备ID相关联的光谱数据代入所述设备ID所对应的预测模型,预测出待测样品的化学成分。
为了确定通过近红外光谱设备采集到的光谱数据是否为有效数据,本发明在所述近红外光谱网络化采集系统中还设置有温湿度传感器,用于检测每一台近红外光谱设备的环境温度和湿度;所述检测终端在接收到近红外光谱设备反馈的光谱数据时,将该近红外光谱设备的光谱数据、所处的环境温度和湿度以及设备ID相关联,生成所述检测数据发送至所述运维平台。
优选的,所述温湿度传感器的数量优选与所述近红外光谱设备的数量相同,每一台温湿度传感器用于检测一台近红外光谱设备的环境温度和湿度,且具有与该近红外光谱设备相同的设备ID;所述检测终端在控制某一台近红外光谱设备运行并接收到该近红外光谱设备反馈的光谱数据后,控制相同设备ID的温湿度传感器采集环境温度和湿度,生成所述检测数据发送至所述运维平台。
进一步的,所述运维平台在接收到所述检测数据后,首先判断每一个设备ID所对应的环境温度和湿度是否正常,若正常,则调用该设备ID所对应预测模型进行待测样品的化学成分预测;若不正常,则直接生成故障信息,反馈至所述检测终端,以进行故障排查。
进一步的,若所述检测数据中包括多个设备ID,则所述运维平台仅针对环境温度和湿度正常的设备ID调用其对应预测模型,进行待测样品的化学成分预测,以确保预测结果的准确性。
又进一步的,所述近红外光谱设备包括多种品牌,每一种品牌的近红外光谱设备包括多台,所述近红外接口驱动适配器针对每一种品牌的近红外光谱设备设置接口驱动,并针对每一台近红外光谱设备配置接口函数,以用于接收光谱数据;所述运维平台根据待测样品的相关信息选择适宜的近红外光谱设备,生成所述检测任务发送至所述检测终端。
基于本发明的近红外光谱网络化采集系统,可以简化对每一台近红外光谱设备的预测模型的建立过程,其方法为:所述运维平台在针对每一台近红外光谱设备建立预测模型的过程中,首先,选择其中一台近红外光谱设备作为基准设备,对化学成分已知的标准样品进行光谱采集,以生成建模用光谱数据;利用所述建模用光谱数据以及标准样品的实际化学成分建立分子光谱与化学成分含量之间的预测模型,并与所述基准设备所对应的设备ID关联保存;然后,启动与基准设备相同品牌的近红外光谱设备运行,对所述标准样品进行光谱采集,并将采集到的光谱数据代入所述基准设备所对应的预测模型进行化学成分预测,并将预测得到的化学成分与所述标准样品的实际化学成分进行对比,通过调整所述预测模型中的相关参数,以生成当前运行的近红外光谱设备的预测模型,并与该近红外光谱设备的设备ID关联保存;最后,启动与基准设备不同品牌的近红外光谱设备运行,对所述标准样品进行光谱采集,并将采集到的光谱数据代入基准设备的预测模型进行化学成分预测,若预测出的化学成分与所述标准样品的实际化学成分接近,则通过调整所述预测模型中的相关参数,生成当前运行的近红外光谱设备的预测模型,并与该近红外光谱设备的设备ID关联保存;若预测出的化学成分与所述标准样品的实际化学成分相差较远,则针对该品牌的近红外光谱设备重新建立预测模型,并利用重新建立的预测模型调整生成相同品牌的其他近红外光谱设备的预测模型,且与设备ID关联保存。
优选的,在所述近红外光谱网络化采集系统中还设置有webservice数据交互通用接口,连接所述运维平台;所述运维平台将生成的检测任务通过所述webservice数据交互通用接口转换成网络数据,通过互网络发送至所述检测终端;所述检测终端将接收到的光谱数据转换成网络数据,通过互联网发送至webservice数据交互通用接口,以处理成运维平台所接受的数据格式,发送至所述运维平台。
为了便于现场技术人员查看检测结果,本发明在所述近红外光谱网络化采集系统中还设置有显示器,连接所述检测终端;所述检测终端将接收到的光谱数据发送至所述显示器进行显示;所述运维平台将生成的预测结果返回至所述检测终端,并通过所述显示器显示所述预测结果。
优选的,所述显示器优选采用触摸式显示器,接收技术人员的操作指令,并传输至所述检测终端;所述检测终端在通过触摸式显示器接收到光谱采集启动指令时,执行其接收到的检测任务。
与现有技术相比,本发明的优点和积极效果是:本发明通过设计近红外接口驱动适配器对不同品牌、不同类型的近红外光谱设备进行统一驱动控制,由此可以实现对不同近红外光谱设备的统一规范化管理;通过连通多台近红外光谱设备与远程运维平台的数据互通,根据任务需求建立标准化的采集规则,由此可以实现光谱采集的批量性和快速性;通过在远程运维平台中针对系统中的每一台近红外光谱设备建立与之对应的预测模型,由此可以对预测模型实现统一维护,降低了预测模型的维护难度,完全取代了单台近红外光谱设备单台采集单台建模的现状,显著降低了劳动强度,为样品内在质量的快速检测提供了技术保障,能够很好地适应某些企业对多点检测的标准化、统一化及批量化的检测要求。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明所提出的近红外光谱网络化采集系统的一种实施例的整体架构框图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细地描述。
如图1所示,本实施例的近红外光谱网络化采集系统主要包括近红外光谱设备、近红外接口驱动适配器、温湿度传感器、检测终端、webservice数据交互通用接口和运维平台等组成部分。其中,所述近红外光谱设备包括多台,涉及多种不同的品牌,且每一种品牌的近红外光谱设备可以是一台,也可以是多台,分别连接至所述的近红外接口驱动适配器。图1中,A、B、C表示不同品牌的近红外光谱设备,A、B、C后面的阿拉伯数字1、2表示相同品牌的不同近红外光谱设备。为每一台近红外光谱设备赋予唯一的设备ID,在所述近红外接口驱动适配器中,针对每一种品牌的近红外光谱设备分别设置其所需的接口驱动,以用于驱动该品牌的近红外光谱设备运行,采集待测样品的光谱数据。同时,在所述近红外接口驱动适配器中,针对每一台近红外光谱设备还分别配置有接口函数,以用于接收近红外光谱设备采集到的光谱数据。将所述近红外接口驱动适配器连接至检测终端,所述检测终端通过互联网(Internet或Intranet)连接webservice数据交互通用接口,并通过webservice数据交互通用接口与远程的运维平台实现数据互通。所述运维平台根据待测样品的相关信息(例如原料类型、产地、品种、属性等)选择合适的近红外光谱设备,并结合所选中的近红外光谱设备的设备ID生成检测任务,发送至webservice数据交互通用接口,以转换成网络数据发送至检测终端。所述检测终端根据接收到的检测任务生成采集指令,发送至近红外接口驱动适配器,以驱动与检测任务中所指定的设备ID相对应的近红外光谱设备运行,采集待测样品的光谱数据,并将采集到的光谱数据通过近红外接口驱动适配器发送至检测终端。所述检测终端在接收到光谱数据后,通过温湿度传感器采集当前运行的近红外光谱设备所处的环境温度和湿度,并将光谱数据、温湿度数据以及设备ID关联保存,以生成检测数据通过Internet/Intranet网络发送至webservice数据交互通用接口。所述webservice数据交互通用接口是一种跨编程语言和跨操作系统平台的远程调用接口,可以对接收到的检测数据进行数据协议转换,进而生成运维平台所接受的数据协议格式,发送至所述运维平台。在所述运维平台中,针对系统中的每一台近红外光谱设备,均保存有与之对应的预测模型。所述预测模型为分子光谱与样品化学成分含量之间的分析模型。所述运维平台根据检测数据中的设备ID调用与之对应的预测模型,并将检测数据中与该设备ID相关联的光谱数据代入所述设备ID所对应的预测模型,进而预测出待测样品的化学成分及其含量。
由于近红外光谱设备在进行光谱数据采集时,其采集数据的准确度与设备所处的环境温度和湿度密切相关,若环境温度和湿度不在设备正常运行所允许的范围内,则采集到的光谱数据将严重偏离正确值,应视为无效数据。为此,本实施例针对每一台近红外光谱设备专门配置一台温湿度传感器(可以具体包括独立的温度传感器和湿度传感器),以用于准确地采集每一台近红外光谱设备所处的环境温度和湿度。针对每一台温湿度传感器赋予与其对应的近红外光谱设备相同的设备ID,即,每一个设备ID对应一台近红外光谱设备和一台温湿度传感器。检测终端在接收到某一台近红外光谱设备采集到的光谱数据后,根据该近红外光谱设备的设备ID读取该设备ID所对应的温湿度数据,然后将所述设备ID以及与之对应的温湿度数据、光谱数据,或进一步将所述设备ID所对应的设备运行状态、设备性能参数等信息关联保存,形成所述的检测数据,传送至远程的运维平台。
所述运维平台在接收到检测数据后,首先应从检测数据中提取出每一个设备ID所对应的温湿度数据,进而判断出该设备ID所对应的近红外光谱设备在运行期间所处的环境温度和湿度是否正常。若正常,则可以认为采集到的光谱数据有效,此时,可以调用该设备ID所对应预测模型进行待测样品的化学成分预测。若不正常,则可以认为采集到的光谱数据无效,此时,可以针对该设备ID生成故障信息,反馈至所述检测终端。所述检测终端可以进一步连接显示器,如图1所示,通过显示器显示所述故障信息,以便于现场的技术人员能够根据设备ID快速定点异常位置,及时有效地开展故障排查工作。
若所述运维平台接收到的检测数据中包含有多个设备ID,即启动多台近红外光谱设备对待测样品进行光谱扫描,则此时,运维平台可以仅针对环境温度和湿度正常的设备ID调用其对应预测模型,进行待测样品的化学成分预测,以保证预测结果的准确性。
在本实施例中,所述显示器优选采用触摸式显示器,兼具有操作指令输入功能。所述检测终端在接收到远程的运维平台下发的检测任务后,并不立即执行检测任务,而是等到技术人员通过操作触摸式显示屏,输入光谱采集启动指令后,再根据检测任务生成采集指令,控制所述近红外接口驱动适配器驱动相应的近红外光谱设备运行,对待测样品进行光谱扫描。
所述检测终端将接收到的光谱数据在通过网络发送至远程的运维平台的同时,可以一并发送至显示器进行显示,并将运维平台计算出的预测结果通过显示器显示给现场的技术人员,以便于现场的技术人员查阅。
利用本实施例的近红外光谱网络化采集系统,在针对每一台近红外光谱设备建立预测模型时,可以简化预测模型的构建过程。具体方法如下:
(1)运维平台可以在网络中任意选择一台近红外光谱设备作为基准设备,生成检测任务,通过webservice数据交互通用接口发送至检测终端;
(2)检测终端在接收到所述检测任务后,从中解析出设备ID,发送至近红外接口驱动适配器,以调用该设备ID所对应的接口驱动,进而控制所述基准设备运行;
(3)利用所述基准设备对化学成分已知的标准样品进行光谱采集,以生成建模用光谱数据;
(4)近红外接口驱动适配器调用与所述基准设备对应的接口函数采集所述建模用光谱数据,并发送至所述检测终端;
(5)检测终端通过温湿度传感器采集基准设备所处的环境温度和湿度,并将温湿度数据、建模用光谱数据与基准设备的设备ID关联保存后,生成检测数据,通过网络发送至webservice数据交互通用接口;
(6)webservice数据交互通用接口对接收到的检测数据进行协议转换,并发送至所述运维平台;
(7)运维平台在接收到检测数据后,首先判断基准设备所处的环境温度和湿度是否正常,若正常,则执行后续的建模过程;否则,生成故障信息发送至检测终端,并在基准设备所处的环境温度和湿度调节正常后,重新执行上述步骤(2)-(6),以获取到准确的建模用光谱数据;
(8)运维平台从接收到的检测数据中提取出建模用光谱数据,结合所述建模用光谱数据以及标准样品的化学成分建立预测模型(预测模型的具体创建过程为已知技术,本实施例不做详细阐述),并与基准设备所对应的设备ID关联保存;
(9)运维平台在网络中选择与所述基准设备相同品牌的近红外光谱设备,作为下一个建立预测模型的对象,并结合选中的近红外光谱设备的设备ID生成检测任务,通过webservice数据交互通用接口发送至检测终端;
(10)检测终端通过近红外接口驱动适配器驱动选中的近红外光谱设备运行,对同一批标准样品进行光谱采集,并将采集到的光谱数据通过近红外接口驱动适配器发送至检测终端;
(11)检测终端结合设备ID、所述设备ID所对应的光谱数据和温湿度数据等关联生成检测数据,通过网络发送至webservice数据交互通用接口,并通过webservice数据交互通用接口发送至运维平台;
(12)所述运维平台在接收到的温湿度数据正常的情况下,将接收到的光谱数据代入基准设备所对应的预测模型进行化学成分的预测,并将预测得到的化学成分含量与所述标准样品的实际化学成分含量进行对比,由于相同品牌的近红外光谱设备的特性相似,因此,可以通过调整所述预测模型中的相关参数,直接形成当前运行的近红外光谱设备的预测模型,并与该近红外光谱设备的设备ID关联保存;
采用步骤(9)-(12)的方法,对网络中所有与基准设备相同品牌的近红外光谱设备建立预测模型,然后,再对网络中不同于基准设备品牌的其他近红外光谱设备建立预测模型,方法如下:
(13)运维平台在网络中选择一台与所述基准设备不同品牌的近红外光谱设备,作为下一个建立预测模型的对象,并结合选中的近红外光谱设备的设备ID生成检测任务,通过webservice数据交互通用接口发送至检测终端;
(14)重复步骤(10)、(11),将采集到的光谱数据发送至运维平台;所述运维平台在接收到的温湿度数据正常的情况下,将接收到的光谱数据代入基准设备所对应的预测模型进行化学成分的预测,并将预测得到的化学成分含量与所述标准样品的实际化学成分含量进行对比;若预测出的化学成分含量与所述标准样品的实际化学成分含量接近,则可以采用调整基准设备的预测模型中的相关参数的方式来形成当前运行的近红外光谱设备的预测模型;若预测出的化学成分含量与所述标准样品的实际化学成分含量差距较大,则需要结合采集到的光谱数据以及标准样品的化学成分重新创建预测模型,并将当前运行的近红外光谱设备作为同品牌中的基准设备,执行步骤(9)-(12),对相同品牌的近红外光谱设备建立预测模型,并与其所对应的设备ID关联保存;
对于网络中其他品牌的近红外光谱设备,可以重复步骤(13)、(14)完成对网络中所有近红外光谱设备的预测模型的建立过程。
采用本实施例的预测模型创建方法,不用针对每一台近红外光谱设备单独创建预测模型,因此耗时短,效率高,且技术人员可以在运维平台上对所有近红外光谱设备的预测模型进行统一维护,实现了预测模型的标准规范化管理,网络化降低了各台近红外光谱设备的模型维护难度完全取代了近红外光谱设备单台采集单台建模的现状。
此外,当近红外光谱设备出现故障时,检测终端可以向运维平台发送错误信息,运维平台根据错误类型可以对故障原因和故障类型进行分析判断,并发出报警提示,方便现场的技术人员进行故障处理。通过这种机制可以保证本实施例的网络化采集系统功能高效、稳定。
当然,以上所述仅是本发明的一种优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种近红外光谱网络化采集系统,其特征在于,包括近红外光谱设备、近红外接口驱动适配器、检测终端和运维平台;所述近红外光谱设备包括多台,且每一台近红外光谱设备均具有唯一的设备ID;
所述检测终端接收检测任务,并生成采集指令发送至近红外接口驱动适配器,通过近红外接口驱动适配器驱动选中的近红外光谱设备运行,采集待测样品的光谱数据;
所述检测终端通过近红外接口驱动适配器接收近红外光谱设备采集到的光谱数据,并将每一组光谱数据与其所对应的设备ID相关联,生成检测数据发送至所述运维平台;
在所述运维平台中保存有每一台近红外光谱设备所对应的预测模型,所述运维平台根据检测数据中的设备ID调用与之对应的预测模型,并将检测数据中与该设备ID相关联的光谱数据代入所述设备ID所对应的预测模型,预测出待测样品的化学成分。
2.根据权利要求1所述的近红外光谱网络化采集系统,其特征在于,还包括温湿度传感器,用于检测每一台近红外光谱设备的环境温度和湿度;所述检测终端在接收到近红外光谱设备反馈的光谱数据时,将该近红外光谱设备的光谱数据、所处的环境温度和湿度以及设备ID相关联,生成所述检测数据发送至所述运维平台。
3.根据权利要求2所述的近红外光谱网络化采集系统,其特征在于,所述温湿度传感器的数量与所述近红外光谱设备的数量相同,每一台温湿度传感器用于检测一台近红外光谱设备的环境温度和湿度,且具有与该近红外光谱设备相同的设备ID;所述检测终端在控制某一台近红外光谱设备运行并接收到该近红外光谱设备反馈的光谱数据后,控制相同设备ID的温湿度传感器采集环境温度和湿度,生成所述检测数据发送至所述运维平台。
4.根据权利要求3所述的近红外光谱网络化采集系统,其特征在于,所述运维平台在接收到所述检测数据后,首先判断每一个设备ID所对应的环境温度和湿度是否正常,若正常,则调用该设备ID所对应预测模型进行待测样品的化学成分预测;若不正常,则直接生成故障信息,反馈至所述检测终端,以进行故障排查。
5.根据权利要求4所述的近红外光谱网络化采集系统,其特征在于,若所述检测数据中包括多个设备ID,则所述运维平台仅针对环境温度和湿度正常的设备ID调用其对应预测模型,进行待测样品的化学成分预测。
6.根据权利要求1至5中任一项所述的近红外光谱网络化采集系统,其特征在于,所述近红外光谱设备包括多种品牌,每一种品牌的近红外光谱设备包括多台,所述近红外接口驱动适配器针对每一种品牌的近红外光谱设备设置接口驱动,并针对每一台近红外光谱设备配置接口函数,以用于接收光谱数据;所述运维平台根据待测样品的相关信息选择适宜的近红外光谱设备,生成所述检测任务发送至所述检测终端。
7.根据权利要求6所述的近红外光谱网络化采集系统,其特征在于,所述运维平台在针对每一台近红外光谱设备建立预测模型的过程中,包括:
选择其中一台近红外光谱设备作为基准设备,对化学成分已知的标准样品进行光谱采集,以生成建模用光谱数据;
利用所述建模用光谱数据以及标准样品的实际化学成分建立分子光谱与化学成分含量之间的预测模型,并与所述基准设备所对应的设备ID关联保存;
启动与基准设备相同品牌的近红外光谱设备运行,对所述标准样品进行光谱采集,并将采集到的光谱数据代入所述基准设备所对应的预测模型进行化学成分预测,并将预测得到的化学成分与所述标准样品的实际化学成分进行对比,通过调整所述预测模型中的相关参数,以生成当前运行的近红外光谱设备的预测模型,并与该近红外光谱设备的设备ID关联保存;
启动与基准设备不同品牌的近红外光谱设备运行,对所述标准样品进行光谱采集,并将采集到的光谱数据代入基准设备的预测模型进行化学成分预测,若预测出的化学成分与所述标准样品的实际化学成分接近,则通过调整所述预测模型中的相关参数,以生成当前运行的近红外光谱设备的预测模型,并与该近红外光谱设备的设备ID关联保存;
若预测出的化学成分与所述标准样品的实际化学成分相差较远,则针对该品牌的近红外光谱设备重新建立预测模型,并利用重新建立的预测模型调整生成相同品牌的其他近红外光谱设备的预测模型,且与设备ID关联保存。
8.根据权利要求1至5中任一项所述的近红外光谱网络化采集系统,其特征在于,还包括webservice数据交互通用接口,连接所述运维平台;
所述运维平台将生成的检测任务通过所述webservice数据交互通用接口转换成网络数据,通过互网络发送至所述检测终端;
所述检测终端将接收到的光谱数据转换成网络数据,通过互联网发送至webservice数据交互通用接口,以处理成运维平台所接受的数据格式,发送至所述运维平台。
9.根据权利要求8所述的近红外光谱网络化采集系统,其特征在于,还包括显示器,连接所述检测终端;所述检测终端将接收到的光谱数据发送至所述显示器进行显示;所述运维平台将生成的预测结果返回至所述检测终端,并通过所述显示器显示所述预测结果。
10.根据权利要求9所述的近红外光谱网络化采集系统,其特征在于,所述显示器为触摸式显示器,接收技术人员的操作指令,并传输至所述检测终端;所述检测终端在通过触摸式显示器接收到光谱采集启动指令时,执行其接收到的检测任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711379987.2A CN107860748A (zh) | 2017-12-20 | 2017-12-20 | 近红外光谱网络化采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711379987.2A CN107860748A (zh) | 2017-12-20 | 2017-12-20 | 近红外光谱网络化采集系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107860748A true CN107860748A (zh) | 2018-03-30 |
Family
ID=61707135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711379987.2A Pending CN107860748A (zh) | 2017-12-20 | 2017-12-20 | 近红外光谱网络化采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107860748A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846660A (zh) * | 2018-05-29 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 一种识别异常资金的方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907564A (zh) * | 2010-06-24 | 2010-12-08 | 江苏大学 | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 |
CN102117447A (zh) * | 2011-02-24 | 2011-07-06 | 北京农业信息技术研究中心 | 作物品质区域预测系统及方法 |
CN102879352A (zh) * | 2012-09-13 | 2013-01-16 | 江苏恒顺醋业股份有限公司 | 食醋近红外透射光谱的采集装置及食醋原产地鉴别方法 |
CN106092959A (zh) * | 2016-06-30 | 2016-11-09 | 上海仪器仪表研究所 | 一种基于云平台的近红外食品质量监测系统 |
CN106323889A (zh) * | 2016-08-11 | 2017-01-11 | 上海赛诚医药科技有限公司 | 基于云服务器的质量检测系统 |
CN206300897U (zh) * | 2016-05-31 | 2017-07-04 | 北京雪莲集团有限公司 | 一种在线快速无损纺织品检测系统 |
CN107306272A (zh) * | 2016-04-14 | 2017-10-31 | 刘中清 | 一种基于云平台的在用润滑油远程监控系统及应用 |
-
2017
- 2017-12-20 CN CN201711379987.2A patent/CN107860748A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907564A (zh) * | 2010-06-24 | 2010-12-08 | 江苏大学 | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 |
CN102117447A (zh) * | 2011-02-24 | 2011-07-06 | 北京农业信息技术研究中心 | 作物品质区域预测系统及方法 |
CN102879352A (zh) * | 2012-09-13 | 2013-01-16 | 江苏恒顺醋业股份有限公司 | 食醋近红外透射光谱的采集装置及食醋原产地鉴别方法 |
CN107306272A (zh) * | 2016-04-14 | 2017-10-31 | 刘中清 | 一种基于云平台的在用润滑油远程监控系统及应用 |
CN206300897U (zh) * | 2016-05-31 | 2017-07-04 | 北京雪莲集团有限公司 | 一种在线快速无损纺织品检测系统 |
CN106092959A (zh) * | 2016-06-30 | 2016-11-09 | 上海仪器仪表研究所 | 一种基于云平台的近红外食品质量监测系统 |
CN106323889A (zh) * | 2016-08-11 | 2017-01-11 | 上海赛诚医药科技有限公司 | 基于云服务器的质量检测系统 |
Non-Patent Citations (1)
Title |
---|
秦玉华: "烟叶通用近红外定量模型稳健性研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846660A (zh) * | 2018-05-29 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 一种识别异常资金的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Davchev et al. | Blockchain-based distributed cloud/fog platform for IoT supply chain management | |
CN106092959B (zh) | 一种基于云平台的近红外食品质量监测系统 | |
CN104914069B (zh) | 可迁移计算的肉类品质近红外检测方法及装置 | |
CN101619850B (zh) | 基于热电系统负荷在线预测的调度方法与系统 | |
CN103197640B (zh) | 生产工艺智能管控系统和方法 | |
CN101698896B (zh) | 炉口辐射信息融合用于炼钢在线终点控制的方法 | |
KR20200071805A (ko) | IoT기반 실시간 에너지 모니터링 및 데이터 분석 시스템 | |
CN102777370B (zh) | 基于LabVIEW的高压泵性能测试系统的实现方法 | |
CN102131101A (zh) | 智能视频图像质量自动分析系统及其分析方法 | |
CN104930660A (zh) | 空气状态监测方法和监测装置 | |
CN102059256A (zh) | 一种用于高线轧机的设备运行和工艺量状态监测系统 | |
CN105956987A (zh) | 一种公路交通工程试验检测数据采集和评价系统 | |
CN110617209A (zh) | 泵站机组的在线监测诊断方法和系统 | |
CN103926652B (zh) | 手机控制光纤熔接机的方法以及实现该方法的光纤熔接机 | |
CN106382960A (zh) | 基于互联网+技术的建筑室内环境自动监测系统及方法 | |
CN106155026A (zh) | 一种水泥厂煤耗及碳排放监测方法 | |
CN104917803A (zh) | 一种基于用户行为管控的自主巡检系统 | |
CN101639687A (zh) | 一种集成化工艺质量控制系统及其实现方法 | |
CN107860748A (zh) | 近红外光谱网络化采集系统 | |
CN104931455A (zh) | 一种在线近红外光谱分析仪 | |
CN111353713B (zh) | 一种工厂生产用产品质量认证管理系统 | |
FR2835822A1 (fr) | Distributeur de carburant utilisant des agents de logiciel pour faciliter les diagnostics et l'entretien | |
CN108037081A (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
CN101776906A (zh) | 用于车载设备生产的多生命周期管理系统及其实现方法 | |
CN107765618A (zh) | 基于物联网的污水监控系统及其监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180330 |
|
RJ01 | Rejection of invention patent application after publication |