CN111751320A - 基于波段挑选的水泥生料成分含量检测方法及系统 - Google Patents
基于波段挑选的水泥生料成分含量检测方法及系统 Download PDFInfo
- Publication number
- CN111751320A CN111751320A CN202010644276.9A CN202010644276A CN111751320A CN 111751320 A CN111751320 A CN 111751320A CN 202010644276 A CN202010644276 A CN 202010644276A CN 111751320 A CN111751320 A CN 111751320A
- Authority
- CN
- China
- Prior art keywords
- cement raw
- raw material
- cement
- components
- near infrared
- 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
- 239000004568 cement Substances 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 85
- 239000002994 raw material Substances 0.000 claims abstract description 128
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 75
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 238000012216 screening Methods 0.000 claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 9
- 239000004615 ingredient Substances 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012569 chemometric method Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000003556 assay Methods 0.000 claims description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 16
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 10
- 229910052593 corundum Inorganic materials 0.000 description 10
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 10
- 229910001845 yogo sapphire Inorganic materials 0.000 description 10
- 229910052681 coesite Inorganic materials 0.000 description 8
- 229910052906 cristobalite Inorganic materials 0.000 description 8
- 239000000377 silicon dioxide Substances 0.000 description 8
- 229910052682 stishovite Inorganic materials 0.000 description 8
- 229910052905 tridymite Inorganic materials 0.000 description 8
- 239000000463 material Substances 0.000 description 6
- 238000009533 lab test Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000021180 meal component Nutrition 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000013619 trace mineral Nutrition 0.000 description 3
- 239000011573 trace mineral Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 1
- 239000013522 chelant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000004476 mid-IR spectroscopy Methods 0.000 description 1
- -1 organic matters Substances 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于波段挑选的水泥生料成分含量检测方法及系统,检测方法包括以下步骤:S1,采集水泥生产线不同时段所生产水泥生料的近红外光谱信息;S2,对采集的近红外光谱进行预处理;S3,对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段;S4,根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型;S5,利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。本发明通过建立检测模型对水泥生料成分含量进行检测,能够快速的对水泥生料成分含量进行检测,利用本发明能够切实从技术上实现水泥生料的安全、快速检测。
Description
技术领域
本发明涉及一种基于波段挑选的水泥生料成分含量检测方法及系统,属于水泥生产制造技术领域。
背景技术
水泥质量的控制是水泥生产过程中非常重要的一环,直接影响了产品的最终质量,如果售出使用会对建筑工程造成极大的安全隐患。
目前大多数水泥企业对水泥生料成分含量检测方法大多采用XRF荧光分析仪化验检测。该方法在化验前需要对样本进行粉磨,压片制样过程,从采样到制样最后到化验此过程需要二十分钟左右,该方法严重制约了水泥企业的发展,同时也耗费了大量的人力。此种检测方法存在放射性物质,对操作人员身体造成一定伤害。因此,一种基于波段挑选的水泥生料成分含量检测方法能够方便企业对水泥生料成分含量进行快速准确检测,还实现了安全检测避免潜在威胁。既保障了企业的利益还保障了操作人员的人身安全。
近红外光谱检测技术是发展最快的分析技术之一,广泛应用于农业和工业各种领域。在无机微量元素虽然在红外区没有吸收峰,但是被测物中的有机质、金属及非金属氧化物可与无机微量元素形成螯合物或络合物,这就使得近红外光谱与中红外光谱定性、定量检测无机微量元素成为可能。同时近红外光谱分析技术具有快速、操作简单、安全等特点,是一种理想的快速检测水泥生料成分含量的方法。因此,本发明提出了一种基于波段挑选的水泥生料成分含量检测方法。
发明内容
针对以上方法存在的不足,本发明提出了一种基于波段挑选的水泥生料成分含量检测方法及系统,能够解决现有水泥生料成分含量检测方法存在的操作复杂、化验时间长的缺陷。
本发明解决其技术问题采取的技术方案是:
一方面,本发明实施例提供的一种基于波段挑选的水泥生料成分含量检测方法,包括以下步骤:
S1,采集水泥生产线不同时段所生产水泥生料的近红外光谱信息;
S2,对采集的近红外光谱进行预处理;
S3,对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段;
S4,根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型;
S5,利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。
作为本实施例一种可能的实现方式,所述水泥生料成分包括SiO2、Al2O3、 Fe2O3、CaO。
作为本实施例一种可能的实现方式,所述步骤S1具体为:采用连续取样器采集水泥生产线不同时段生产的水泥生料样本,采用近红外光谱仪采集水泥生料样本的近红外光谱。
作为本实施例一种可能的实现方式,所述水泥生料样本利用SPXY法进行样本划分为建模样本和验证样本。
作为本实施例一种可能的实现方式,所述近红外光谱为10000-4000cm-1波长范围内的近红外光谱,利用漫反射的方式进行采集。
作为本实施例一种可能的实现方式,所述步骤S2具体为:采用SG(savgol) 平滑算法对采集的近红外光谱进行去除噪音处理。
作为本实施例一种可能的实现方式,所述SG平滑算法的平滑参数包括导数阶数(OD)、多项式次数(DP)和平滑点数(NSP=2m+1)。SG平滑算法把光谱区间的2m+1个连续点作为一个窗口,在窗口内用多项式(以点的编号i为自变量,i=0,±1,±2,…,±m)对实测光谱数据做最小二乘拟合,得到相应的多项式系数,然后采用得到的多项式系数计算出该窗口中心波长点(i=0)的平滑值和各阶导数值。能够去除近红外光谱的噪音,获取高信噪比的近红外光谱。
作为本实施例一种可能的实现方式,所述步骤S3具体为:根据水泥生料成分的光谱特性对预处理后的近红外光谱先采用Bipls法进行一次波段筛选,再采用cars法进行二次波段筛选水泥生料成分对应的光谱波段。采用Bipls法进行挑选,可以剔除绝大多数光谱波段,减小了建模数据维度,再采用cars法进行二次筛选,减少了建立检测模型所用的波段数量。
作为本实施例一种可能的实现方式,所述步骤S4具体为:采用化学计量法根据筛选的水泥生料成分对应的光谱波段和对应水泥生料的成分化验结果建立检测模型,所述检测模型用于表示近红外光谱和水泥生料成分含量之间的函数关系。
作为本实施例一种可能的实现方式,所述化学计量法包括多元线性回归、偏最小二乘、支持向量机或神经网络方法。
另一方面,本发明实施例提供的一种基于波段挑选的水泥生料成分含量检测系统,包括:
数据采集模块,用于采集水泥生产线不同时段所生产水泥生料的近红外光谱信息;
预处理模块,用于对采集的近红外光谱进行预处理;
波段筛选模块,用于对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段;
检测模型建立模块,用于根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型;
检测模块,用于利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。
作为本实施例一种可能的实现方式,所述数据采集模块具体用于采用连续取样器采集水泥生产线不同时段生产的水泥生料样本,采用近红外光谱仪采集水泥生料样本的近红外光谱。
作为本实施例一种可能的实现方式,所述水泥生料样本利用SPXY法进行样本划分为建模样本和验证样本。
作为本实施例一种可能的实现方式,所述近红外光谱为10000-4000cm-1波长范围内的近红外光谱,利用漫反射的方式进行采集。
作为本实施例一种可能的实现方式,所述预处理模块具体用于采用SG平滑算法对采集的近红外光谱进行去除噪音处理。
作为本实施例一种可能的实现方式,所述SG平滑算法的平滑参数包括导数阶数(OD)、多项式次数(DP)和平滑点数(NSP=2m+1)。SG平滑算法把光谱区间的2m+1个连续点作为一个窗口,在窗口内用多项式(以点的编号i为自变量,i=0,±1,±2,…,±m)对实测光谱数据做最小二乘拟合,得到相应的多项式系数,然后采用得到的多项式系数计算出该窗口中心波长点(i=0)的平滑值和各阶导数值。能够去除近红外光谱的噪音,获取高信噪比的近红外光谱。
作为本实施例一种可能的实现方式,所述波段筛选模块包括:
一次波段筛选模块,用于根据水泥生料成分的光谱特性对预处理后的近红外光谱先采用Bipls法进行一次波段筛选;
二次波段筛选模块,用于对一次波段筛选后的近红外光谱再采用cars法进行二次波段筛选水泥生料成分对应的光谱波段。
采用Bipls法进行挑选,可以剔除绝大多数光谱波段,减小了建模数据维度,再采用cars法进行二次筛选,减少了建立检测模型所用的波段数量。
作为本实施例一种可能的实现方式,所述检测模型建立模块具体用于采用化学计量法根据筛选的水泥生料成分对应的光谱波段和对应水泥生料的成分化验结果建立检测模型,所述检测模型用于表示近红外光谱和水泥生料成分含量之间的函数关系。
作为本实施例一种可能的实现方式,所述化学计量法包括多元线性回归、偏最小二乘、支持向量机或神经网络方法。
本发明实施例的技术方案可以具有的有益效果如下:
本发明利用水泥生料成分含量在近红外光谱中反应的特征信息,采用波段挑选和偏最小二乘算法将采集到的近红外光谱信息转换为待测水泥生料样本中的成分含量信息,建立检测模型对水泥生料成分含量能够快速进行检测,利用本发明能够切实从技术上实现水泥生料的安全、快速检测。本发明为水泥生产企业及监管单位带来了一种新的水泥生料成分含量检测思路。
本发明能够快速准确地检测水泥生料中SiO2、Al2O3、Fe2O3、CaO的成分含量,与现有技术相比,具有以下优点:
1.快速简便,近红外光谱检测的实际非常短,模型计算时间可以忽略。样本不需再次粉磨和压片,可直接进行测量。
2.多成分可以同时测量,可以同时测量多种水泥生料的成分含量。
3.本发明为水泥生料成分含量在线检测提供了技术支持。
附图说明:
图1是根据一示例性实施例示出的一种基于波段挑选的水泥生料成分含量检测方法的流程图;
图2是根据一示例性实施例示出的一种基于波段挑选的水泥生料成分含量检测系统的结构图;
图3是一种水泥生料的近红外光谱图;
图4是一种水泥生料的SiO2成份对应的Bipls法所挑选出的波段示意图;
图5是一种水泥生料的Al2O3成份对应的Bipls法所挑选出的波段示意图;
图6是一种水泥生料的Fe2O3成份对应的Bipls法所挑选出的波段示意图;
图7是一种水泥生料的CaO成份对应的Bipls法所挑选出的波段示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,本发明实施例提供的一种基于波段挑选的水泥生料成分含量检测方法,包括以下步骤:
S1,采集水泥生产线不同时段所生产水泥生料的近红外光谱信息;
S2,对采集的近红外光谱进行预处理;
S3,对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段;
S4,根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型;
S5,利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。
作为本实施例一种可能的实现方式,所述水泥生料成分包括SiO2、Al2O3、 Fe2O3、CaO。
作为本实施例一种可能的实现方式,所述步骤S1具体为:采用连续取样器采集水泥生产线不同时段生产的水泥生料样本,采用近红外光谱仪采集水泥生料样本的近红外光谱。
作为本实施例一种可能的实现方式,所述水泥生料样本利用SPXY法进行样本划分为建模样本和验证样本。
作为本实施例一种可能的实现方式,所述近红外光谱为10000-4000cm-1波长范围内的近红外光谱,利用漫反射的方式进行采集。
作为本实施例一种可能的实现方式,所述步骤S2具体为:采用SG平滑算法对采集的近红外光谱进行去除噪音处理。
作为本实施例一种可能的实现方式,所述SG平滑算法的平滑参数包括导数阶数(OD)、多项式次数(DP)和平滑点数(NSP=2m+1)。SG平滑算法把光谱区间的2m+1个连续点作为一个窗口,在窗口内用多项式(以点的编号i为自变量,i=0,±1,±2,…,±m)对实测光谱数据做最小二乘拟合,得到相应的多项式系数,然后采用得到的多项式系数计算出该窗口中心波长点(i=0)的平滑值和各阶导数值。能够去除近红外光谱的噪音,获取高信噪比的近红外光谱。
作为本实施例一种可能的实现方式,所述步骤S3具体为:根据水泥生料成分的光谱特性对预处理后的近红外光谱先采用Bipls法进行一次波段筛选,再采用cars法进行二次波段筛选水泥生料成分对应的光谱波段。采用Bipls法进行挑选,可以剔除绝大多数光谱波段,减小了建模数据维度,再采用cars法进行二次筛选,减少了建立检测模型所用的波段数量。
作为本实施例一种可能的实现方式,所述步骤S4具体为:采用化学计量法根据筛选的水泥生料成分对应的光谱波段和对应水泥生料的成分化验结果建立检测模型,所述检测模型用于表示近红外光谱和水泥生料成分含量之间的函数关系。
作为本实施例一种可能的实现方式,所述化学计量法包括多元线性回归、偏最小二乘、支持向量机或神经网络方法。
本实施例利用水泥生料成分含量在近红外光谱中反应的特征信息,采用波段挑选和偏最小二乘算法将采集到的近红外光谱信息转换为待测水泥生料样本中的成分含量信息,建立检测模型对水泥生料成分含量进行快速检测,能够切实从技术上实现水泥生料的安全、快速检测。
如图2所示,本发明实施例提供的一种基于波段挑选的水泥生料成分含量检测系统,包括:
数据采集模块,用于采集水泥生产线不同时段所生产水泥生料的近红外光谱信息;
预处理模块,用于对采集的近红外光谱进行预处理;
波段筛选模块,用于对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段;
检测模型建立模块,用于根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型;
检测模块,用于利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。
作为本实施例一种可能的实现方式,所述水泥生料成分包括SiO2、Al2O3、 Fe2O3、CaO。
作为本实施例一种可能的实现方式,所述数据采集模块具体用于采用连续取样器采集水泥生产线不同时段生产的水泥生料样本,采用近红外光谱仪采集水泥生料样本的近红外光谱。
作为本实施例一种可能的实现方式,所述水泥生料样本利用SPXY法进行样本划分为建模样本和验证样本。
作为本实施例一种可能的实现方式,所述近红外光谱为10000-4000cm-1波长范围内的近红外光谱,利用漫反射的方式进行采集。
作为本实施例一种可能的实现方式,所述预处理模块具体用于采用SG平滑算法对采集的近红外光谱进行去除噪音处理。
作为本实施例一种可能的实现方式,所述SG平滑算法的平滑参数包括导数阶数(OD)、多项式次数(DP)和平滑点数(NSP=2m+1)。SG平滑算法把光谱区间的2m+1个连续点作为一个窗口,在窗口内用多项式(以点的编号i为自变量,i=0,±1,±2,…,±m)对实测光谱数据做最小二乘拟合,得到相应的多项式系数,然后采用得到的多项式系数计算出该窗口中心波长点(i=0)的平滑值和各阶导数值。能够去除近红外光谱的噪音,获取高信噪比的近红外光谱。
作为本实施例一种可能的实现方式,所述波段筛选模块包括:
一次波段筛选模块,用于根据水泥生料成分的光谱特性对预处理后的近红外光谱先采用Bipls法进行一次波段筛选;
二次波段筛选模块,用于对一次波段筛选后的近红外光谱再采用cars法进行二次波段筛选水泥生料成分对应的光谱波段。
采用Bipls法进行挑选,可以剔除绝大多数光谱波段,减小了建模数据维度,再采用cars法进行二次筛选,减少了建立检测模型所用的波段数量。
作为本实施例一种可能的实现方式,所述检测模型建立模块具体用于采用化学计量法根据筛选的水泥生料成分对应的光谱波段和对应水泥生料的成分化验结果建立检测模型,所述检测模型用于表示近红外光谱和水泥生料成分含量之间的函数关系。
作为本实施例一种可能的实现方式,所述化学计量法包括多元线性回归、偏最小二乘、支持向量机或神经网络方法。
利用本发明基于波段挑选的水泥生料成分含量检测系统对水泥生料成分含量进行检测,能够切实从技术上实现水泥生料的安全、快速检测。
本发明基于波段挑选的水泥生料成分含量检测方法的具体实施过程如下:
1.样本采集:采取水泥生产线不同时段所生产的水泥生料样本,采用连续取样器进行采集,每个样本为每小时所生产的水泥生料混合样,共采集了96 个样本。
2.光谱采集:对上述得到的水泥生料运用近红外光谱仪进行光谱扫描得到样品的近红外光谱,对同一样品重复扫描四次,以四次的平均光谱作为该样品的标准光谱。在每扫描10个样本后进行一次背景矫正。得到的水泥生料光谱如图3所示。
3.样本划分:将获得的水泥生料光谱和对应的化验室化验值利用spxy法进行样本划分,划分出80个建模集样本和16个验证集样本,本方法采用matlab 软件编写spxy样本划分程序,建模集设置为80。
4.光谱预处理,获得建模集样本的光谱后进行光谱的预处理。采用matlab 软件根据“savgol”算法编写savgol”处理程序对水泥生料近红外光谱进行预处理,时间窗宽度设为10,多项式拟合项为2,导数阶设为1。
5.光谱波段筛选:先采用BiPLS法对水泥生料进行一次波段筛选,本次筛选可以剔除绝大多数光谱波段,然后再采用cars法进行二次波段筛选。因为水泥生料主要成分含SiO2、Al2O3、Fe2O3、CaO四种氧化物,每种成分对应的光谱波段不同,因此在波段筛选时分别进行挑选。本方法采用matlab软件编写程序进行实现。其中参数设置为:no_of_lv设为10,prepro_method采用mean方法,intervals分别设为(20、30、40、50、60)选出最佳区间,val_method选用syst123,segments设为5,蒙特卡罗抽样的个数为60。经过bipls挑选得出SiO2、Al2O3、Fe2O3、CaO分别均等划分为30、50、30、40时进行波段挑选建立的模型最优,然后在此基础上运用CARS法进行波段筛选,最终SiO2、Al2O3、 Fe2O3、CaO对应的光谱波段分别挑选出84、88、75、76个波段。
6.模型的建立:利用eigenvector公司的PLS_Toolbox_881工具箱选用PLS 建模方法进行数学建模,将筛选后的近红外光谱和化验室化验值建立模型,建模方法采用偏最小二乘回归法。
7.模型验证,将验证集的水泥生料近红外光谱进行波段剔除,保留步骤5 所筛选出的波段,将保留下来的波段来作为验证输入对比预测结果和时间化验室化验值的偏差,来验证建模效果。如表1所示为化验室化验值和近红外技术预测值对比。
表1化验室化验值与近红外建模预测值对比表:
建模模型效果见表2所示。
表2模型评价参数表:
图4-图7分别为SiO2、Al2O3、Fe2O3、CaO四种氧化物成份对应的Bipls法所挑选出的波段。(SiO2、Al2O3、Fe2O3、CaO分别均等划分为30、50、30、40 时进行波段挑选建立的模型最优)。
8.成分检测:利用验证后水泥生料成分含量检测模型对水泥生料成分含量进行检测。
本发明能够快速准确地检测水泥生料中SiO2、Al2O3、Fe2O3、CaO的成分含量,与现有技术相比,具有以下优点:
1.快速简便,近红外光谱检测的实际非常短,模型计算时间可以忽略。样本不需再次粉磨和压片,可直接进行测量。
2.多成分可以同时测量,可以同时测量多种水泥生料的成分含量。
3.本发明为水泥生料成分含量在线检测提供了技术支持。
以上所述只是本发明的优选实施方式,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,这些改进和润饰也被视作为本发明的保护范围。
Claims (10)
1.一种基于波段挑选的水泥生料成分含量检测方法,其特征是,包括以下步骤:
S1,采集水泥生产线不同时段所生产水泥生料的近红外光谱信息;
S2,对采集的近红外光谱进行预处理;
S3,对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段;
S4,根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型;
S5,利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。
2.根据权利要求1所述的基于波段挑选的水泥生料成分含量检测方法,其特征是,所述步骤S1具体为:采用连续取样器采集水泥生产线不同时段生产的水泥生料样本,采用近红外光谱仪采集水泥生料样本的近红外光谱。
3.根据权利要求1所述的基于波段挑选的水泥生料成分含量检测方法,其特征是,所述水泥生料样本利用SPXY法进行样本划分为建模样本和验证样本。
4.根据权利要求1所述的基于波段挑选的水泥生料成分含量检测方法,其特征是,所述步骤S2具体为:采用SG平滑算法对采集的近红外光谱进行去除噪音处理。
5.根据权利要求1所述的基于波段挑选的水泥生料成分含量检测方法,其特征是,所述步骤S3具体为:根据水泥生料成分的光谱特性对预处理后的近红外光谱先采用Bipls法进行一次波段筛选,再采用cars法进行二次波段筛选水泥生料成分对应的光谱波段。
6.根据权利要求1所述的基于波段挑选的水泥生料成分含量检测方法,其特征是,所述步骤S4具体为:采用化学计量法根据筛选的水泥生料成分对应的光谱波段和对应水泥生料的成分化验结果建立检测模型,所述检测模型用于表示近红外光谱和水泥生料成分含量之间的函数关系。
7.根据权利要求6所述的基于波段挑选的水泥生料成分含量检测方法,其特征是,所述化学计量法包括多元线性回归、偏最小二乘、支持向量机或神经网络方法。
8.一种基于波段挑选的水泥生料成分含量检测系统,其特征是,包括:
数据采集模块,用于采集水泥生产线不同时段所生产水泥生料的近红外光谱信息;
预处理模块,用于对采集的近红外光谱进行预处理;
波段筛选模块,用于对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段;
检测模型建立模块,用于根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型;
检测模块,用于利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。
9.根据权利要求8所述的基于波段挑选的水泥生料成分含量检测系统,其特征是,所述波段筛选模块包括:
一次波段筛选模块,用于根据水泥生料成分的光谱特性对预处理后的近红外光谱先采用Bipls法进行一次波段筛选;
二次波段筛选模块,用于对一次波段筛选后的近红外光谱再采用cars法进行二次波段筛选水泥生料成分对应的光谱波段。
10.根据权利要求8所述的基于波段挑选的水泥生料成分含量检测系统,其特征是,所述检测模型建立模块具体用于采用化学计量法根据筛选的水泥生料成分对应的光谱波段和对应水泥生料的成分化验结果建立检测模型,所述检测模型用于表示近红外光谱和水泥生料成分含量之间的函数关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010644276.9A CN111751320A (zh) | 2020-07-06 | 2020-07-06 | 基于波段挑选的水泥生料成分含量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010644276.9A CN111751320A (zh) | 2020-07-06 | 2020-07-06 | 基于波段挑选的水泥生料成分含量检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111751320A true CN111751320A (zh) | 2020-10-09 |
Family
ID=72679747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010644276.9A Pending CN111751320A (zh) | 2020-07-06 | 2020-07-06 | 基于波段挑选的水泥生料成分含量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111751320A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419050A (zh) * | 2021-07-20 | 2021-09-21 | 山东恒拓科技发展有限公司 | 水泥生料成分软测量的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9119837D0 (en) * | 1991-09-17 | 1991-10-30 | Schlumberger Services Petrol | A method to determine the phase composition of cement |
WO2008082313A1 (en) * | 2007-01-04 | 2008-07-10 | Carter Holt Harvey Pulp & Paper Limited | Method for assessing properties of fibre cement board |
CN105259335A (zh) * | 2015-10-26 | 2016-01-20 | 中国建筑材料科学研究总院 | 水泥熟料性能的评价方法及煅烧工艺优化方法 |
CN107589089A (zh) * | 2017-10-30 | 2018-01-16 | 中国科学院合肥物质科学研究院 | 水泥生料成分的检测系统及其控制方法 |
CN109085136A (zh) * | 2018-08-07 | 2018-12-25 | 山东大学 | 近红外漫反射光谱测定水泥生料氧化物成分含量的方法 |
CN111272693A (zh) * | 2018-12-05 | 2020-06-12 | 山东大学 | 一种基于近红外光谱的水泥生料成分在线检测装置 |
-
2020
- 2020-07-06 CN CN202010644276.9A patent/CN111751320A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9119837D0 (en) * | 1991-09-17 | 1991-10-30 | Schlumberger Services Petrol | A method to determine the phase composition of cement |
WO2008082313A1 (en) * | 2007-01-04 | 2008-07-10 | Carter Holt Harvey Pulp & Paper Limited | Method for assessing properties of fibre cement board |
CN105259335A (zh) * | 2015-10-26 | 2016-01-20 | 中国建筑材料科学研究总院 | 水泥熟料性能的评价方法及煅烧工艺优化方法 |
CN107589089A (zh) * | 2017-10-30 | 2018-01-16 | 中国科学院合肥物质科学研究院 | 水泥生料成分的检测系统及其控制方法 |
CN109085136A (zh) * | 2018-08-07 | 2018-12-25 | 山东大学 | 近红外漫反射光谱测定水泥生料氧化物成分含量的方法 |
CN111272693A (zh) * | 2018-12-05 | 2020-06-12 | 山东大学 | 一种基于近红外光谱的水泥生料成分在线检测装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419050A (zh) * | 2021-07-20 | 2021-09-21 | 山东恒拓科技发展有限公司 | 水泥生料成分软测量的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109085136B (zh) | 近红外漫反射光谱测定水泥生料氧化物成分含量的方法 | |
CN105319198B (zh) | 基于拉曼光谱解析技术的汽油苯含量预测方法 | |
CN108802000A (zh) | 一种基于拉曼全谱分析的无损快速胆维丁含量定量方法 | |
CN104897607A (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
CN104089926B (zh) | 用于鉴别稻米镉含量超标的nir光谱分析模型及鉴别方法 | |
EP1186893A3 (en) | Analyzer with sample quality measurement, and method | |
CN104062258A (zh) | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 | |
CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
CN111272686B (zh) | 铁矿石选矿粉铁品位的高光谱检测方法 | |
CN114252430A (zh) | 一种基于激光诱导击穿光谱技术的矿浆品位在线检测方法 | |
US20150025847A1 (en) | Quantitative elemental profiling in optical emission spectroscopy | |
US10914678B2 (en) | Method for quantitative detection of blood lipid content in blood based on terahertz spectroscopy | |
CN103308475A (zh) | 一种同时测量后处理料液中Pu(Ⅳ)及HNO3含量的方法 | |
CN111751320A (zh) | 基于波段挑选的水泥生料成分含量检测方法及系统 | |
CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 | |
CN112834481B (zh) | 一种拉曼光谱增强测量系统及测量方法 | |
CN105954228A (zh) | 基于近红外光谱的油砂中金属钠含量的测量方法 | |
CN104568828A (zh) | 近红外漫反射光谱测定造纸法再造烟叶抗张强度的方法 | |
CN109030410B (zh) | 蜂王浆近红外定量校正模型的构建方法及蜂王浆的检测方法 | |
Cai et al. | Online detection of concentrate grade in the antimony flotation process based on in situ Raman spectroscopy combined with a CNN-GRU hybrid model | |
CN109520950A (zh) | 一种对光谱偏移不敏感的化学成分光谱检测方法 | |
CN115436315A (zh) | 一种基于近红外光谱的水泥外加剂检测方法 | |
CN104596982A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶果胶的方法 | |
KR20140078597A (ko) | 근적외선 분광기를 이용한 이탈리안 라이그라스 사일리지의 pH, 수분함량 및 젖산함량 측정 방법 | |
Tang et al. | Combining Near‐Infrared Spectroscopy and Chemometrics for Rapid Recognition of an Hg‐Contaminated Plant |
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: 20201009 |
|
RJ01 | Rejection of invention patent application after publication |