CN111781151A - 一种快速检测水泥生料成分含量的方法及系统 - Google Patents
一种快速检测水泥生料成分含量的方法及系统 Download PDFInfo
- Publication number
- CN111781151A CN111781151A CN202010644214.8A CN202010644214A CN111781151A CN 111781151 A CN111781151 A CN 111781151A CN 202010644214 A CN202010644214 A CN 202010644214A CN 111781151 A CN111781151 A CN 111781151A
- Authority
- CN
- China
- Prior art keywords
- cement raw
- raw material
- cement
- detection model
- 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 186
- 239000002994 raw material Substances 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims description 31
- 238000002329 infrared spectrum Methods 0.000 claims description 25
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 11
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims description 9
- 229910052593 corundum Inorganic materials 0.000 claims description 9
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 9
- 229910001845 yogo sapphire Inorganic materials 0.000 claims description 9
- 229910052681 coesite Inorganic materials 0.000 claims description 8
- 229910052906 cristobalite Inorganic materials 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 239000000377 silicon dioxide Substances 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 229910052682 stishovite Inorganic materials 0.000 claims description 8
- 229910052905 tridymite Inorganic materials 0.000 claims description 8
- 238000010238 partial least squares regression Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- -1 polytetrafluoroethylene Polymers 0.000 claims description 5
- 229920001343 polytetrafluoroethylene Polymers 0.000 claims description 5
- 239000004810 polytetrafluoroethylene Substances 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 239000004615 ingredient Substances 0.000 claims description 4
- 235000012054 meals Nutrition 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 5
- 235000021180 meal component Nutrition 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004809 Teflon Substances 0.000 description 1
- 229920006362 Teflon® Polymers 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001917 fluorescence detection Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 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
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)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种快速检测水泥生料成分含量的方法及系统,方法包括以下步骤:在水泥生产线出料皮带的斜上方周圈均匀布置有红外光源,红外光源的出射光束照向水泥生料产生漫反射光;在水泥生产线出料皮带的正上方设置有近红外光谱仪,近红外光谱仪接收含有水泥生料样品信息的漫反射光;近红外光谱仪将水泥生料近红外光谱图发送给水泥生料成分含量分析装置;水泥生料成分含量分析装置安装有水泥生料成分含量的定量检测模型软件,根据水泥生料近红外光谱图采用定量检测模型进行检测水泥生料成分含量。本发明能够直接对水泥生产线现场所取的样本进行测试,检测成本低、速度快、测试重复性好。
Description
技术领域
本发明涉及一种快速检测水泥生料成分含量的方法及系统,属于水泥生产制造技术领域。
背景技术
水泥在我国的城乡建设占据着不可或缺的地位,我国是水泥需求大国,更是水泥生产大国。但大多数水泥企业水泥生产自动化生产水平较低,严重制约了我国水泥生产。水泥生产作为典型的流程行业,每个环节之间紧密联系,水泥生料的质量好坏对后续环节将会造成一定的影响。因此对水泥生料成份的检测尤为重要。
目前绝大多数水泥厂对水泥生料检测采用XRF荧光检测法,此检测方法需要经过二次研磨,压片制样等处理,过程繁琐费时。
因此,需要一种简便、快速检测水泥生料中SiO2、Al2O3、Fe2O3、CaO含量的方法。
发明内容
针对以上方法存在的不足,本发明提出了一种快速检测水泥生料成分含量的方法及系统,能够直接对水泥生产线现场所取的样本进行测试,检测成本低、速度快、测试重复性好。
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快速检测水泥生料成分含量的方法,包括以下步骤:
在水泥生产线出料皮带的斜上方周圈均匀布置有红外光源,红外光源的出射光束照向水泥生料产生漫反射光;
在水泥生产线出料皮带的正上方设置有近红外光谱仪,近红外光谱仪接收含有水泥生料样品信息的漫反射光;
近红外光谱仪将水泥生料近红外光谱图发送给水泥生料成分含量分析装置;
水泥生料成分含量分析装置安装有水泥生料成分含量的定量检测模型软件,根据水泥生料近红外光谱图采用定量检测模型进行检测水泥生料成分含量。
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和CaO。
作为本实施例一种可能的实现方式,所述定量检测模型的建立过程包括以下步骤:
采集原材料配比不同情况下水泥生产线生产的水泥生料样本;
采用近红外光谱仪对水泥生料样本进行扫描,得到水泥生料近红外光谱图数据;
将水泥生料样本划分为校正集和验证集,并对水泥生料近红外光谱图数据进行预处理;
对处理后的近红外光谱数据进行波段挑选,选择出水泥生料成分对应的光谱波段;
根据挑选的校正集样本波段数据建立定量检测模型;
利用挑选的验证集样本波段数据对所述定量检测模型进行验证和优化;
利用优化后定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,所述近红外光谱波段为4000-10000cm-1,以聚四氟乙烯为背景进行参照采用近红外光谱仪对水泥生料样本进行扫描,扫描次数为32-64次。
作为本实施例一种可能的实现方式,采用K-S分集、SPXY分集或随机分集法将水泥生料样本划分为校正集和验证集,校正集占总样本的80%-90%。
作为本实施例一种可能的实现方式,采用选用一阶导、Savitzky-Golay平滑、均值中心化或SNV对水泥生料近红外光谱图数据进行预处理。
作为本实施例一种可能的实现方式,采用CARS-SPA波段挑选法对处理后的近红外光谱数据进行波段挑选。
作为本实施例一种可能的实现方式,采用主成份分析法、偏最小二乘回归法、多元线性回归法、神经网络法、支持向量机法中的一种或多种组合建立定量检测模型。
作为本实施例一种可能的实现方式,在对所述定量检测模型进行验证和优化过程中,通过校正标准偏差和验证标准偏差两个参数来衡量定量检测模型的预测能力的好坏,两个参数越小表示定量检测模型预测能力越强;采用校正集和验证集的线性相关系数R2来衡量直线关系中预测值和实测值直接的相关程度,R2越接近1预测值和实测值的相关性越好。
另一方面,本发明实施例提供的一种水泥生料成分含量快速检测系统,包括:
红外光源,均匀布置在水泥生产线出料皮带的斜上方周圈,且红外光源的出射光束照向水泥生料产生漫反射光;
近红外光谱仪,设置在水泥生产线出料皮带的正上方设置有近红外光谱仪,近红外光谱仪接收含有水泥生料样品信息的漫反射光,并将水泥生料近红外光谱图发送给水泥生料成分含量分析装置;
水泥生料成分含量分析装置,安装有水泥生料成分含量的定量检测模型软件模块,定量检测模型软件模块根据水泥生料近红外光谱图采用定量检测模型进行检测水泥生料成分含量。
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和CaO。
作为本实施例一种可能的实现方式,所述定量检测模型软件模块包括:
水泥生料样本采集模块,用于采集原材料配比不同情况下水泥生产线生产的水泥生料样本;
近红外光谱数据采集模块,用于采用近红外光谱仪对水泥生料样本进行扫描,得到水泥生料近红外光谱图数据;
近红外光谱预处理模块,用于将水泥生料样本划分为校正集和验证集,并对水泥生料近红外光谱图数据进行预处理;
光谱波段选择模块,用于对处理后的近红外光谱数据进行波段挑选,选择出水泥生料成分对应的光谱波段;
检测模型建立模块,用于根据挑选的校正集样本波段数据建立定量检测模型;
验证优化模块,用于利用挑选的验证集样本波段数据对所述定量检测模型进行验证和优化;
水泥生料成分检测模块,用于利用优化后定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,所述近红外光谱波段为4000-10000cm-1,以聚四氟乙烯为背景进行参照采用近红外光谱仪对水泥生料样本进行扫描,扫描次数为32-64次。
作为本实施例一种可能的实现方式,采用K-S分集、SPXY分集或随机分集法将水泥生料样本划分为校正集和验证集,校正集占总样本的80%-90%。
作为本实施例一种可能的实现方式,采用选用一阶导、Savitzky-Golay平滑、均值中心化或SNV对水泥生料近红外光谱图数据进行预处理。
作为本实施例一种可能的实现方式,采用CARS-SPA波段挑选法对处理后的近红外光谱数据进行波段挑选。
作为本实施例一种可能的实现方式,采用主成份分析法、偏最小二乘回归法、多元线性回归法、神经网络法、支持向量机法中的一种或多种组合建立定量检测模型。
作为本实施例一种可能的实现方式,在对所述定量检测模型进行验证和优化过程中,通过校正标准偏差和验证标准偏差两个参数来衡量定量检测模型的预测能力的好坏,两个参数越小表示定量检测模型预测能力越强;采用校正集和验证集的线性相关系数R2来衡量直线关系中预测值和实测值直接的相关程度,R2越接近1预测值和实测值的相关性越好。
本发明实施例的技术方案可以具有的有益效果如下:
本发明能够直接对水泥生产线现场水泥生料中SiO2、Al2O3、Fe2O3、CaO含量进行快速检测,不仅检测成本低、速度快、测试重复性好,而且减轻了水泥企业化验人员工作量。
本发明通过建立水泥生料中各个主要成分含量模型,利用此模型检测出待测样品中的主要成分含量,不需破坏样本,不仅用时短,而且对操作人员操作时无潜在危害。
附图说明:
图1是根据一示例性实施例示出的一种快速检测水泥生料成分含量的方法的流程图;
图2是根据一示例性实施例示出的一种定量检测模型的建立过程流程图;
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成份含量建模示意图;
图5是一种水泥生料的Al2O成份含量建模示意图;
图6是一种水泥生料的Fe2O3成份含量建模示意图;
图7是一种水泥生料的CaO成份含量建模示意图。
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。
图1是根据一示例性实施例示出的一种快速检测水泥生料成分含量的方法的流程图。如图1所示,本发明实施例提供的一种快速检测水泥生料成分含量的方法,包括以下步骤:
在水泥生产线出料皮带的斜上方周圈均匀布置有红外光源,红外光源的出射光束照向水泥生料产生漫反射光;
在水泥生产线出料皮带的正上方设置有近红外光谱仪,近红外光谱仪接收含有水泥生料样品信息的漫反射光;
近红外光谱仪将水泥生料近红外光谱图发送给水泥生料成分含量分析装置;
水泥生料成分含量分析装置安装有水泥生料成分含量的定量检测模型软件,根据水泥生料近红外光谱图采用定量检测模型进行检测水泥生料成分含量。
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和CaO。
作为本实施例一种可能的实现方式,如图2所示,所述定量检测模型的建立过程包括以下步骤:
采集原材料配比不同情况下水泥生产线生产的水泥生料样本;
采用近红外光谱仪对水泥生料样本进行扫描,得到水泥生料近红外光谱图数据;
将水泥生料样本划分为校正集和验证集,并对水泥生料近红外光谱图数据进行预处理;
对处理后的近红外光谱数据进行波段挑选,选择出水泥生料成分对应的光谱波段;
根据挑选的校正集样本波段数据建立定量检测模型;
利用挑选的验证集样本波段数据对所述定量检测模型进行验证和优化;
利用优化后定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,所述近红外光谱波段为4000-10000cm-1,以聚四氟乙烯为背景进行参照采用近红外光谱仪对水泥生料样本进行扫描,扫描次数为32-64次。
作为本实施例一种可能的实现方式,采用K-S分集、SPXY分集或随机分集法将水泥生料样本划分为校正集和验证集,校正集占总样本的80%-90%。
作为本实施例一种可能的实现方式,采用选用一阶导、Savitzky-Golay平滑、均值中心化或SNV对水泥生料近红外光谱图数据进行预处理。
作为本实施例一种可能的实现方式,采用CARS-SPA波段挑选法对处理后的近红外光谱数据进行波段挑选。
作为本实施例一种可能的实现方式,采用主成份分析法、偏最小二乘回归法、多元线性回归法、神经网络法、支持向量机法中的一种或多种组合建立定量检测模型。
作为本实施例一种可能的实现方式,在对所述定量检测模型进行验证和优化过程中,通过校正标准偏差和验证标准偏差两个参数来衡量定量检测模型的预测能力的好坏,两个参数越小表示定量检测模型预测能力越强;采用校正集和验证集的线性相关系数R2来衡量直线关系中预测值和实测值直接的相关程度,R2越接近1预测值和实测值的相关性越好。
另一方面,本发明实施例提供的一种水泥生料成分含量快速检测系统,包括:
红外光源,均匀布置在水泥生产线出料皮带的斜上方周圈,且红外光源的出射光束照向水泥生料产生漫反射光;
近红外光谱仪,设置在水泥生产线出料皮带的正上方设置有近红外光谱仪,近红外光谱仪接收含有水泥生料样品信息的漫反射光,并将水泥生料近红外光谱图发送给水泥生料成分含量分析装置;
水泥生料成分含量分析装置,安装有水泥生料成分含量的定量检测模型软件模块,定量检测模型软件模块根据水泥生料近红外光谱图采用定量检测模型进行检测水泥生料成分含量。
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和CaO。
作为本实施例一种可能的实现方式,所述定量检测模型软件模块包括:
水泥生料样本采集模块,用于采集原材料配比不同情况下水泥生产线生产的水泥生料样本;
近红外光谱数据采集模块,用于采用近红外光谱仪对水泥生料样本进行扫描,得到水泥生料近红外光谱图数据;
近红外光谱预处理模块,用于将水泥生料样本划分为校正集和验证集,并对水泥生料近红外光谱图数据进行预处理;
光谱波段选择模块,用于对处理后的近红外光谱数据进行波段挑选,选择出水泥生料成分对应的光谱波段;
检测模型建立模块,用于根据挑选的校正集样本波段数据建立定量检测模型;
验证优化模块,用于利用挑选的验证集样本波段数据对所述定量检测模型进行验证和优化;
水泥生料成分检测模块,用于利用优化后定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,所述近红外光谱波段为4000-10000cm-1,以聚四氟乙烯为背景进行参照采用近红外光谱仪对水泥生料样本进行扫描,扫描次数为32-64次。
作为本实施例一种可能的实现方式,采用K-S分集、SPXY分集或随机分集法将水泥生料样本划分为校正集和验证集,校正集占总样本的80%-90%。
作为本实施例一种可能的实现方式,采用选用一阶导、Savitzky-Golay平滑、均值中心化或SNV对水泥生料近红外光谱图数据进行预处理。
作为本实施例一种可能的实现方式,采用CARS-SPA波段挑选法对处理后的近红外光谱数据进行波段挑选。
作为本实施例一种可能的实现方式,采用主成份分析法、偏最小二乘回归法、多元线性回归法、神经网络法、支持向量机法中的一种或多种组合建立定量检测模型。
本发明所述定量检测模型的具体建立过程如下:
(1)采集96个原材料配比不同的水泥生料样本。
(2)使用ABB公司生产的MB3600近红外光谱仪采集上述水泥生料样本的近红外光谱数据,如图3所示,检测近红外光谱波段为4000-10000cm-1,以聚四氟乙烯为背景进行参照,扫描次数为32次。每个样本重复扫描4次,取平均光谱。
(3)将步骤(2)所得到的近红外光谱图数据和对应的化验室数据一一关联建立水泥生料样本集,采用SPXY分集法将样本分为校正集和验证集,校正集样本数为80,验证集样本数为16。本方法具体实现由matlab软件进行实现,根据SPXY算法原理,自行编写了SPXY样本集划分程序对光谱数据和对应的化验值进行划分,设定校正集样本数为80。
(4)对校正集进行光谱预处理,依次选用一阶导、Savitzky-Golay平滑、均值中心化、SNV对校正集进行光谱数据预处理。然后采用CARS-SPA法对预处理后的光谱数据进行波段选择。以SiO2为例进行说明首先采用Savitzky-Golay平滑法对光谱数据进行预处理,处理方式为采用matlab根据Savitzky-Golay处理算法原理,自行编写的Savitzky-Golay处理程序,其中平滑数设为12,多项式项设为3,导数阶设为1。然后对处理后的光谱进行波段挑选,采用matlab进行CARS-SPA程序编写,参数设置为:A=40;K=10;N=500;Nmcs=40;,m_min=10,其中A为交叉验证的最大潜在变量数,K为交叉验证的数目,N和Nmcs为蒙特卡罗抽样的个数,m_min为SPA最小选定波长。最终SiO2、Al2O3、Fe2O3、CaO对应的挑选出的光谱波段分别为47、41、61、40个波段。
(5)选用偏最小二乘回归建模法,建立SiO2、Al2O3、Fe2O3、CaO等水泥生料成分的定量检测模型,如图4-7所示。水泥生料成分的建模效果如表1所示。
表1化验室值和近红外光谱检测值对比表:
(6)采用验证集样品光谱数据进行验证。
在对所述定量检测模型进行验证和优化过程中,通过校正标准偏差和验证标准偏差两个参数来衡量定量检测模型的预测能力的好坏,两个参数越小表示定量检测模型预测能力越强;采用校正集和验证集的线性相关系数R2来衡量直线关系中预测值和实测值直接的相关程度,R2越接近1预测值和实测值的相关性越好,如表2所示。
表2模型建模评价参数表:
与现有技术相比较,本发明具有以下优点:
(1)采用近红外光谱分析技术对水泥生料中的SiO2、Al2O3、Fe2O3、CaO含量进行检测,该方法操作简便、检测速度快、准确度高、成本低,环保安全。
(2)本发明可对生产线实时采样进行检测,能最大限度地减少认为和环境影响,检测的数据具有很好的实时性和重复性。
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)
1.一种快速检测水泥生料成分含量的方法,其特征是,包括以下步骤:
在水泥生产线出料皮带的斜上方周圈均匀布置有红外光源,红外光源的出射光束照向水泥生料产生漫反射光;
在水泥生产线出料皮带的正上方设置有近红外光谱仪,近红外光谱仪接收含有水泥生料样品信息的漫反射光;
近红外光谱仪将水泥生料近红外光谱图发送给水泥生料成分含量分析装置;
水泥生料成分含量分析装置安装有水泥生料成分含量的定量检测模型软件,根据水泥生料近红外光谱图采用定量检测模型进行检测水泥生料成分含量。
2.根据权利要求1所述的一种快速检测水泥生料成分含量的方法,其特征是,所述水泥生料成分包括SiO2、Al2O3、Fe2O3和CaO。
3.根据权利要求2所述的一种快速检测水泥生料成分含量的方法,其特征是,所述定量检测模型的建立过程包括以下步骤:
采集原材料配比不同情况下水泥生产线生产的水泥生料样本;
采用近红外光谱仪对水泥生料样本进行扫描,得到水泥生料近红外光谱图数据;
将水泥生料样本划分为校正集和验证集,并对水泥生料近红外光谱图数据进行预处理;
对处理后的近红外光谱数据进行波段挑选,选择出水泥生料成分对应的光谱波段;
根据挑选的校正集样本波段数据建立定量检测模型;
利用挑选的验证集样本波段数据对所述定量检测模型进行验证和优化;
利用优化后定量检测模型进行水泥生料成分含量的检测。
4.根据权利要求3所述的一种快速检测水泥生料成分含量的方法,其特征是,所述近红外光谱波段为4000-10000cm-1,以聚四氟乙烯为背景进行参照采用近红外光谱仪对水泥生料样本进行扫描,扫描次数为32-64次。
5.根据权利要求3所述的一种快速检测水泥生料成分含量的方法,其特征是,采用K-S分集、SPXY分集或随机分集法将水泥生料样本划分为校正集和验证集,校正集占总样本的80%-90%。
6.根据权利要求3所述的一种快速检测水泥生料成分含量的方法,其特征是,采用选用一阶导、Savitzky-Golay平滑、均值中心化或SNV对水泥生料近红外光谱图数据进行预处理。
7.根据权利要求3所述的一种快速检测水泥生料成分含量的方法,其特征是,采用CARS-SPA波段挑选法对处理后的近红外光谱数据进行波段挑选。
8.根据权利要求3所述的一种快速检测水泥生料成分含量的方法,其特征是,采用主成份分析法、偏最小二乘回归法、多元线性回归法、神经网络法、支持向量机法中的一种或多种组合建立定量检测模型。
9.一种水泥生料成分含量快速检测系统,其特征是,包括:
红外光源,均匀布置在水泥生产线出料皮带的斜上方周圈,且红外光源的出射光束照向水泥生料产生漫反射光;
近红外光谱仪,设置在水泥生产线出料皮带的正上方设置有近红外光谱仪,近红外光谱仪接收含有水泥生料样品信息的漫反射光,并将水泥生料近红外光谱图发送给水泥生料成分含量分析装置;
水泥生料成分含量分析装置,安装有水泥生料成分含量的定量检测模型软件模块,定量检测模型软件模块根据水泥生料近红外光谱图采用定量检测模型进行检测水泥生料成分含量。
10.根据权利要求9所述的一种水泥生料成分含量快速检测系统,其特征是,所述定量检测模型软件模块包括:
水泥生料样本采集模块,用于采集原材料配比不同情况下水泥生产线生产的水泥生料样本;
近红外光谱数据采集模块,用于采用近红外光谱仪对水泥生料样本进行扫描,得到水泥生料近红外光谱图数据;
近红外光谱预处理模块,用于将水泥生料样本划分为校正集和验证集,并对水泥生料近红外光谱图数据进行预处理;
光谱波段选择模块,用于对处理后的近红外光谱数据进行波段挑选,选择出水泥生料成分对应的光谱波段;
检测模型建立模块,用于根据挑选的校正集样本波段数据建立定量检测模型;
验证优化模块,用于利用挑选的验证集样本波段数据对所述定量检测模型进行验证和优化;
水泥生料成分检测模块,用于利用优化后定量检测模型进行水泥生料成分含量的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010644214.8A CN111781151A (zh) | 2020-07-06 | 2020-07-06 | 一种快速检测水泥生料成分含量的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010644214.8A CN111781151A (zh) | 2020-07-06 | 2020-07-06 | 一种快速检测水泥生料成分含量的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111781151A true CN111781151A (zh) | 2020-10-16 |
Family
ID=72759070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010644214.8A Pending CN111781151A (zh) | 2020-07-06 | 2020-07-06 | 一种快速检测水泥生料成分含量的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111781151A (zh) |
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 |
CN1982872A (zh) * | 2005-12-16 | 2007-06-20 | 天津天士力制药股份有限公司 | 快速检测滴丸剂水分含量的近红外漫反射光谱法 |
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 |
CN108051396A (zh) * | 2017-12-14 | 2018-05-18 | 山东沃华医药科技股份有限公司 | 一种心可舒片有效成分含量的快速检测方法 |
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 CN202010644214.8A patent/CN111781151A/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 |
CN1982872A (zh) * | 2005-12-16 | 2007-06-20 | 天津天士力制药股份有限公司 | 快速检测滴丸剂水分含量的近红外漫反射光谱法 |
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 |
CN108051396A (zh) * | 2017-12-14 | 2018-05-18 | 山东沃华医药科技股份有限公司 | 一种心可舒片有效成分含量的快速检测方法 |
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 |
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 | |
CN108333171B (zh) | 基于激光诱导击穿光谱检测乳粉中微量元素含量的方法 | |
NO338171B1 (no) | Fremgangsmåte for å bestemme Kappa-tall i kjemisk masse med synlig nær-infrarød spektrometri, samt anordning og massetilberedingslinje for dette. | |
CN104390927B (zh) | 煤炭样品中灰分的快速检测方法 | |
CN114252430B (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 | |
CN105158195A (zh) | 基于近红外光谱技术快速测定制浆材综纤维素含量的方法 | |
CN111579523B (zh) | 一种利用近红外光谱法快速检测孕马尿中结合雌激素含量的方法 | |
CN104596975A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法 | |
CN104316492A (zh) | 近红外光谱测定马铃薯块茎中蛋白质含量的方法 | |
CN110376154A (zh) | 基于光谱校正的水果在线检测方法及系统 | |
CN110672547B (zh) | 一种测定乙苯过氧化氢含量的方法 | |
CN111781151A (zh) | 一种快速检测水泥生料成分含量的方法及系统 | |
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 | |
CN104568811B (zh) | 煤炭样品中发热量的新型快速检测方法 | |
CN107688007A (zh) | 一种基于近红外光谱分析技术的导热油品质的检测方法 | |
CN108318446A (zh) | 一种检测花生种子总维生素e含量的近红外光谱模型及应用 | |
CN111751320A (zh) | 基于波段挑选的水泥生料成分含量检测方法及系统 | |
CN110174362B (zh) | 一种检测中性糖和酸性糖含量的方法 | |
CN111487219A (zh) | 一种基于近红外光谱技术的快速检测香梨木质素含量方法 | |
CN104515749B (zh) | 煤炭样品中内水的快速检测方法 | |
CN104374735B (zh) | 煤炭样品中全硫的新型快速检测方法 | |
CN104568821B (zh) | 一种同时检测煤炭样品中7项指标的方法 | |
CN104596974A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶填充值的方法 | |
CN104390936B (zh) | 煤炭样品中挥发分的快速检测方法 | |
CN103940773A (zh) | 一种快速测定血必净注射液中吐温-80含量的方法 |
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: 20201016 |
|
RJ01 | Rejection of invention patent application after publication |