CN113702305A - 基于自适应差分吸收光谱技术的气体浓度线性测量方法 - Google Patents
基于自适应差分吸收光谱技术的气体浓度线性测量方法 Download PDFInfo
- Publication number
- CN113702305A CN113702305A CN202110941183.7A CN202110941183A CN113702305A CN 113702305 A CN113702305 A CN 113702305A CN 202110941183 A CN202110941183 A CN 202110941183A CN 113702305 A CN113702305 A CN 113702305A
- Authority
- CN
- China
- Prior art keywords
- gas
- measurement
- absorption spectrum
- measured
- adaptive
- 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
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
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
本发明提供一种基于自适应差分吸收光谱技术的气体浓度线性测量方法,其包括待测气体全光谱数据的采集及处理、自适应滑动窗自动选取测量波段并计算估计系数、自适应动态筛选最优估计系数、反演待测气体最优测量浓度值并计算相对测量误差;本发明通过自适应滑动窗完成测量波段的自动划分,并计算不同测量波段下的估计系数;通过自适应动态筛选待测气体的最优估计系数,反演待测气体最优测量浓度值,并计算相对测量误差验证该方法的可行性;本发明消除了基于差分吸收光谱技术气体测量过程中的非线性效应,解决了气体测量中的定标困难问题,提高了测量精度,最终实现未知浓度气体的准确测量,同时拓展了检出限,实现气体动态测量。
Description
技术领域
本申请涉及气体检测技术领域,具体地涉及一种基于自适应波段选择与差分吸收光谱技术的气体浓度线性测量方法。
背景技术
近些年,大气中各种悬浮颗粒物含量超标导致出现雾霾天气,进而引发大气浑浊、视野模糊、能见度恶化、影响人体系统正常运行等问题。而雾霾的主要组成成分为二氧化硫、氮氧化物及可吸入颗粒物,其中的气态污染物主要来源于汽车尾气和燃煤,遇到空气中存在的氧化氮和金属氧化物颗粒等污染物发生转化,易引起马斯河谷事件等环境灾害;形成酸雨致使土壤酸化、腐蚀建筑及工业设备,严重危害人体健康,影响工业及电站安全。随着环保意识的不断增强,环境质量备受关注,而气体检测则是环境质量报告的主要途径,通过气体检测手段可以更直观地了解空气质量,并及时采取防治空气污染措施。
差分吸收光谱技术(Differential Optical Absorption Spectroscopy,DOAS)已广泛应用于对紫外波段和可见波段具有特征吸收特性气体的检测工作中,Beer-Lambert定律作为DOAS技术的理论基础,可从理论上建立吸光度与浓度之间的线性关系,但实际测量过程中吸光度与浓度之间的关系出现偏离Beer-Lambert定律的现象,即出现非线性效应,一旦出现非线性效应,则会使得定标困难,从而很难准确测量气体浓度,并且引起测量灵敏度降低等问题,因此非常有必要明确非线性效应产生的本质,以便从根本上消除或补偿非线性效应引发的一系列误差。很多研究人员已然发现非线性效应带来的严重影响,开展了相关研究:A.ROSEN等提出非线性效应的产生是因为待测气体浓度过高,并得出NO、NH3、SO2在230nm处的线性测量区域分别为6mg/m2,36mg/m2,90mg/m2;J.Falden等为消除吸光度与浓度之间的非线性效应,引入了根据吸光度测量值预测给定波长下真实光谱吸光度的校正方法;Tolbin等指出吸收系数与浓度的非线性关系,表明Beer-Lambert定律存在非线性偏差;邵理堂等采用全谱及最小二乘全局寻优有效检测了短光程、低浓度下的污染气体浓度,提高了短光程和低浓度条件下DOAS技术的测量精度,拓展了DOAS技术检出限。
当前研究成果在利用DOAS技术测量污染气体时多采用按照一定规则选取部分具有明显差分吸收结构的离散波长和相应的吸收谱线来反演气体浓度,而应用于低浓度气体测量时检测信号信噪比很低,光谱仪接收到的透射光强较弱,其测量浓度值必然存在误差;对于全谱测量方法,只适用于低浓度气体的测量,浓度过高又会导致吸光度较强波段出现饱和吸收现象,从而引起测量误差。
因此,需要提供一种基于自适应波段选择与差分吸收光谱技术的气体浓度线性测量方法,解决现有技术存在的问题。
发明内容
为了克服现有技术的不足,本发明的目的是提出一种基于自适应差分吸收光谱技术(Adaptive-Differential Optical Absorption Spectroscopy,A-DOAS)的气体浓度线性测量方法,其针对待测气体的差分吸收光谱自动划分测量波段并计算估计系数k,而后通过自适应动态筛选最优估计系数,最后反演得出待测气体最优测量浓度值,消除非线性效应误差,本发明同时适用于高、低浓度测量环境,实现了未知浓度气体的动态、精确测量,保证测量精度的同时获取更宽的动态测量范围。
为实现上述目的,本发明所采用的解决方案为:
一种基于自适应差分吸收光谱技术的气体浓度线性测量方法,其包括以下步骤:
步骤1:采集和处理待测气体数据,获得待测气体的差分吸收光谱Pm(λ);
步骤2:设置自适应滑动窗,根据设置的自适应滑动窗自动选取测量波段并根据所述步骤1中的差分吸收光谱Pm(λ)计算不同测量波段下的估计系数k;
步骤3:自适应动态筛选最优估计系数kbest,具体步骤为:
步骤31:根据自适应滑动窗窗口长度对所述步骤2中不同测量波段下的估计系数k进行分组,针对具有相同窗口长度的估计系数k按初步筛选方法进行初步筛选,获得各个组别的最佳估计系数数据集D;
步骤32:针对所述步骤31获得的各个组别的最佳估计系数数据集D按照二次筛选方法进行二次筛选,所述二次筛选方法在控制非线性效应引起的测量误差的基础上,降低最优估计系数kbest对非线性效应的敏感性,并选择最宽的测量波段宽度Δλ;将所述数据集D中的数据按数量w和数量增量Δw拆分为i组数据子集,建立筛选最佳估计系数的目标函数G(ki0)为:
式中:ki0为第i组数据子集的最佳估计系数;kc为数据集D中第c个数据;c为数据集D中数据的序号;n为i的取值数;DE-S为数据集D的维度;
令所述目标函数G(ki0)对ki0的偏导数为零,获得ki0,将所述ki0回代至目标函数G(ki0)获取每个数据子集的目标函数值,建立最优估计系数筛选函数Gbest为:
Gbest=min(G(Ki0))
根据所述Gbest反推最佳估计系数,获得当前测量气体的最优估计系数kbest;
步骤4:根据所述步骤3获得的最优估计系数kbest,反演待测气体最优测量浓度值,获得相对测量误差。
可优选的是,所述步骤31中的初步筛选方法为:
kj-kmax|≤r
式中:r为以标准偏差为基准的筛选半径;SD为样本的标准差;num为组别样本数量;α为标准差倍数,α的值根据设定的置信区间确定;kmax为相同自适应滑动窗窗口宽度划分的不同测量波段下的估计系数k的最大值;kj为当前组别中在筛选半径内的估计系数,j为估计系数k的取值数。
可优选的是,所述步骤2设置自适应滑动窗具体为自适应滑动窗窗口长度设定方法为:
式中:Np为第p组滑动窗的窗口长度;λR-L为起始滑动窗的窗口长度;ΔN为相邻组分滑动窗窗口长度增量;λE-S为待测气体的特征吸收波段;Δλmin为待测气体的有效测量最小波段宽度。
可优选的是,所述步骤2中根据自适应滑动窗自动选取测量波段并根据所述步骤1中的差分吸收光谱Pm(λ)计算不同测量波段下的估计系数k具体为:在所述第p组滑动窗的窗口长度Np下,按照移动步距S对整段特征吸收波段进行划分,设定滑动窗左边界λL和右边界λR,获得固定长度窗口滑动表达式为:
λL=λ0+qS
λR=λ0+qS+Np
式中:λ0为滑动窗起始左边界波长;q为自适应滑动窗的滑动步数;
根据所述自适应滑动窗窗口长度设定方法和固定长度窗口滑动方法自适应划分测量波段,选定标准气体浓度值,获取所述标准气体浓度值下的标准气体的吸收光谱,将所述标准气体的吸收光谱作为参考光谱,利用多波长最小二乘拟合法建立待测气体与标准气体的吸收光谱之间的关系F(k):
式中:Pm(λ)为波长为λ浓度为Cm的待测气体的差分吸收光谱;Ps(λ)为波长为λ浓度为C0的标准气体的差分吸收光谱;
可优选的是,所述步骤1中采集和处理待测气体数据具体为:
步骤11:搭建光学实验装置,采集多组待测气体的数据,获得多组待测气体的紫外特征吸收光谱数据;
步骤12:对所述步骤11获得的多组待测气体的紫外特征吸收光谱数据进行小波去噪处理,获得滤除噪声后的特征吸收光谱数据I(λ);
步骤13:对所述步骤12获得的滤除噪声后的特征吸收光谱数据I(λ)进行多项式拟合,获得慢变吸收部分S(λ),所述特征吸收光谱数据I(λ)滤除慢变吸收部分S(λ)后得到快变吸收部分,将所述快变吸收部分作为差分吸收光谱Pm(λ)。
进一步,所述步骤12中小波去噪处理具体为:选择db小波作为小波基将含噪信号进行多尺度分解,再采用小波软阈值法对各尺度上的小波系数进行量化阈值处理,最后进行小波逆变换得到重构信号,所述重构信号作为滤除噪声后的特征吸收光谱数据I(λ)。
更进一步的是,所述步骤13中差分吸收光谱Pm(λ)根据Beer-Lambert定律获得,具体为:
Pm(λ)=ln[I(λ)/S(λ)]
式中:λ为波长。
可优选的是,所述步骤4中根据所述步骤3获得的最优估计系数kbest,反演待测气体最优测量浓度值,计算相对测量误差具体为将所述最优估计系数kbest通过公式Cm=kbest·C0反演得到最优测量浓度值,式中Cm为待测气体的测量浓度值;C0为参考光谱的浓度值。
与现有技术相比,本发明的有益效果在于:
通过对待测气体的差分吸收光谱自动划分测量波段及自适应动态筛选最优估计系数,最后反演得出待测气体最优测量浓度值,消除非线性效应误差:
(1)有效拓展了差分吸收光谱法检出限,获得相对更宽的动态测量范围;
(2)消除了非线性效应对测量精度的影响,提高了气体测量精度。
附图说明
图1为本发明实施例的自适应气体浓度测量方法流程图;
图2为本发明实施例的气体测量装置示意图;
图3为本发明实施例中自适应滑动窗选取波段示意图;
图4为发明本实施例中传统DOAS技术与A-DOAS技术测量SO2气体浓度值对比图;
图5为本发明实施例中自适应差分吸收光谱技术测量精度分析。
图中:
1—二氧化硫储气罐;2、5—质量流量计;3—三通阀;4、14—电磁阀;
6—浮子流量计;7—氮气储气罐;8—计算机;9—光谱仪;10—光纤;
11—准直透镜;12、17—石英透镜;13—遮光板;15—压力传感器;16—气体吸收池;
18—氘灯光源。
具体实施方式
以下,参照附图对本发明的实施方式进行说明。
本发明实施例提供了一种基于自适应差分吸收光谱技术的气体浓度线性测量方法,A-DOAS气体浓度线性测量的流程图及气体测量装置图分别如图1、图2所示,以下结合流程图及测量装置图描述本发明具体优选实施例。
如图1所示,基于自适应差分吸收光谱技术的气体浓度线性测量流程包含:待测气体特征吸收光谱数据的采集与处理、自适应滑动窗自动选取测量波段并计算估计系数、自适应动态筛选最优估计系数、反演待测气体最优测量浓度值并计算相对测量误差。
以下实施例中,待测气体为不同浓度梯度的二氧化硫标准气体,设置6组不同浓度梯度的气体浓度分别为50ppm、100ppm、300ppm、900ppm、1200ppm、1500ppm,使用自适应差分吸收光谱技术测量气体浓度并与真实浓度对比,验证该新方法精度。
以下实施例中,搭建如图2所示光学实验装置,该实验装置由气路、光路及数据采集三个部分构成,气路部分包括:二氧化硫储气罐1、氮气储气罐7、质量流量计2和5、浮子流量计6、三通阀3及电磁阀4和14;光路部分包括:氘灯光源18、石英透镜12和17、气体吸收池16、遮光板13、压力传感器15、准直透镜11及光纤10;数据采集部分包括:光谱仪9、计算机8。
不同浓度梯度的二氧化硫标准气体均使用质量流量计基于1500ppm二氧化硫气体及纯氮气配置而来,氘灯光源18发出的光由石英透镜转化为平行光,然后穿过充满二氧化硫气体的30cm气体吸收池16,透射光经准直透镜11耦合进光纤10中,由光谱仪9采集特征吸收光谱并传送至计算机8,计算机8完成滤波、光谱数据处理及浓度计算工作。
基于上述内容,具体步骤包括:
步骤1:待测气体特征吸收光谱数据的采集与处理,具体包括以下步骤:
步骤11:搭建基于自适应差分吸收光谱技术的气体测量光学实验装置;
步骤12:分别将上述6组不同浓度梯度的SO2标准待测气体通入所搭建的气体测量装置光路中,通过光谱仪9采集待测气体特征吸收光谱的特征吸收光谱数据,每个浓度梯度测量100组原始吸收光谱数据,然后取平均值,即每个浓度梯度下得到一组平均后的SO2气体在210-230nm波段的特征吸收光谱数据;
步骤13:对上述待测气体特征吸收光谱数据进行小波去噪处理,将原始光谱信号即含有噪声的信号记为:
Iα=f(tα)+eα (1)
其中:f(tα)为理想吸收光谱信号,eα为随机噪声信号,以db小波为小波基利用正交小波变换对Iα进行多尺度分解,获取多级细节信号dβ,分解层数为3层。
sigma=median(|dβ|)/0.6745 (2)
步骤15:最后进行小波逆变换得到重构信号,得到滤除噪声后的特征吸收光谱数据I(λ);
步骤16:对滤除噪声后的特征吸收光谱数据I(λ)进行多项式拟合,则通过拟合得到慢变吸收部分为S(λ),滤除特征吸收光谱数据中的慢变吸收部分,保留的特征吸收光谱数据的快变吸收部分作为差分吸收光谱Pm(λ),根据Beer-Lambert定律公式(4)及公式(5)、(6),可得差分吸收光谱Pm(λ)如公式(7):
I0′(λ)=I0(λ)×exp[-σm(λ)CL] (4)
I(λ)=I0′(λ)/I0(λ) (5)
S(λ)=polynomial(I(λ)) (6)
Pm(λ)=ln[I(λ)/S(λ)] (7)
其中:λ为波长,I0(λ)为入射光强;I0′(λ)为透射光强;σm(λ)为待测气体的特征吸收截面;L为光程;C为待测气体浓度。
步骤2:设置自适应滑动窗自动选取测量波段并计算估计系数,自适应滑动窗选取波段过程示意图如图3所示,具体包括:
步骤21:自适应滑动窗自动选取测量波段过程中,自适应滑动窗窗口长度设置函数如公式(8):
其中:Np为第p组滑动窗的窗口长度,λR-L为起始滑动窗的窗口长度即第1组滑动窗的窗口长度,ΔN为相邻组分滑动窗窗口长度增量,λE-S为待测气体的特征吸收波段,Δλmin为待测气体的有效测量最小波段宽度,该参数可通过差分吸收光谱数据Pm(λ)计算获得,本实施例中设定λR-L=3nm,Δλmin=3nm,ΔN=0.5nm。
步骤22:在第p组滑动窗的窗口长度Np下,按照移动步距S=0.5nm对整段特征吸收波段从短波长至长波长进行划分,设定滑动窗左、右边界分别为λL,λR,则公式(9)、(10)表明了滑动窗左右边界滑动,即固定长度窗口滑动的表达式为:
λL=λ0+qS (9)
λR=λ0+qS+Np (10)
其中:λ0为滑动窗起始左边界波长,q为自适应滑动窗的滑动步数,q=0,1,2,…,根据自适应滑动窗窗口长度设定方法和固定长度窗口滑动方法自适应划分测量波段。
步骤23:选定标准气体浓度值,上述标准气体与未知浓度气体必须为同一种气体,获取该标准气体浓度值下的标准气体的吸收光谱,将选定的标准气体的吸收光谱作为参考光谱,再使用多波长最小二乘拟合法并利用公式(11)和(12)建立待测气体与标准气体的吸收光谱之间的关系,并根据公式(13)计算不同测量波段下的估计系数k:
其中:F(k)为待侧气体吸收光谱与标准气体吸收光谱之间差的平方和,Pm(λ)为波长为λ浓度为Cm的SO2气体的差分吸收光谱,Ps(λ)为波长为λ浓度为C0的标准气体的差分吸收光谱。
步骤3:自适应动态筛选最优估计系数kbest,具体包括:
步骤31:将所求得估计系数依据所使用滑动窗的窗口长度进行组别归纳,对上述估计系数k按组别进行初步筛选,得到各个组别的最佳估计系数数据集D,针对相同窗口长度所得估计系数的筛选方法如公式(14)所示:
其中:r为以标准偏差为基准的筛选半径,SD为样本的标准差,num为组别样本数量,α为“68-95-99.7法则”中的标准差倍数,本实施例中设定99.7%的置信区间,则α=3;kmax为相同自适应滑动窗窗口宽度划分的不同测量波段下的估计系数k的最大值,kj为当前组别中在筛选半径内的估计系数,j为估计系数k的取值数,该过程初步筛选出了99.7%置信区间内的所有估计系数,即获得了各个组别的最佳估计系数数据集D。
步骤32:针对上述各个组别的最佳估计系数数据集D进行二次筛选,明确自适应动态筛选最优估计系数的要求:
要求一:最优估计系数kbest,必须保证筛选所得最优估计系数对非线性效应引起的影响不敏感,即消除了非线性效应引起的测量误差;
要求二:测量波段宽度,使用窄波段进行测量时测量结果波动性很大,不能保证测量结果的稳定性,因此在保证准确度的前提下选择最宽的测量宽度Δλ;
结合上述要求一、要求二,对最佳估计系数数据集D进行二次筛选,将数据集D中的数据按数量w,数量增量Δw拆分为i组数据子集,建立筛选最佳估计系数的目标函数,其表达式如公式(15)所示:
按照公式(16)对目标函数求偏导:
其中:ki0为目标函数G(ki0)偏导等于0时求得的当前数据子集的最佳估计系数,即第i组数据子集的最佳估计系数,kc为数据集D中第c个数据;c为数据集D中数据的序号,n为i的取值数,DE-S为数据集D的维度。
步骤33:将上述最佳估计系数ki0回代至目标函数G(ki0)中以获取每个数据子集的目标函数值,可根据公式(17)获得最优目标函数值Gbest,该值反映了数据子集内测量结果对非线性效应影响的敏感程度及其波动程度,G(ki0)函数值越小则表明测量结果抵抗非线性效应干扰的能力越强,并且其稳定性越强:
Gbest=min(G(Ki0)) (17)
根据筛选所得最优目标函数值Gbest反推其相应的最佳估计系数ki0,则ki0为当前测量气体的最优估计系数kbest。
步骤4:反演待测气体最优测量浓度值并计算相对测量误差,具体为根据步骤3所得最优估计系数kbest通过公式(18)反演得到最优测量浓度值:
Cm=kbest·C0 (18)
其中:Cm为待测气体的测量浓度值,C0为参考光谱浓度值。
提供一具体实施例,说明本发明的技术方案和技术效果,传统DOAS技术测量气体浓度过程中使用全波段进行气体浓度反演,其测量结果与A-DOAS技术的测量结果对比如图4所示,充分证明了该方法有效消除了非线性效应的影响,提高了测量灵敏度。
基于自适应差分吸收光谱技术的气体浓度线性测量方法与传统差分吸收光谱技术测量气体浓度的结果对比图,如图5所示,其中展示了6个不同浓度梯度测量结果的精度分析;上述实施例中,6个不同浓度组分采用本发明进行浓度测量所得最大相对测量误差为1.8%,同时在50-1500ppm浓度范围内的相对测量误差均不超过2%,该实验结果表明,本发明提出的基于自适应差分吸收光谱技术的气体浓度线性测量方法有效拓展了差分吸收光谱法检出限,获得相对更宽的动态测量范围,并且消除了非线性效应对测量精度的影响,解决了非线性效应曲线定标困难及测量灵敏度下降的问题,提高了气体测量精度。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于自适应差分吸收光谱技术的气体浓度线性测量方法,其特征在于,其包括以下步骤:
步骤1:采集和处理待测气体数据,获得待测气体的差分吸收光谱Pm(λ);
步骤2:设置自适应滑动窗,根据设置的自适应滑动窗自动选取测量波段并根据所述步骤1中的差分吸收光谱Pm(λ)计算不同测量波段下的估计系数k;
步骤3:自适应动态筛选最优估计系数kbest,具体步骤为:
步骤31:根据自适应滑动窗窗口长度对所述步骤2中不同测量波段下的估计系数k进行分组,针对具有相同窗口长度的估计系数k按初步筛选方法进行初步筛选,获得各个组别的最佳估计系数数据集D;
步骤32:针对所述步骤31获得的各个组别的最佳估计系数数据集D按照二次筛选方法进行二次筛选,所述二次筛选方法在控制非线性效应引起的测量误差的基础上,降低最优估计系数kbest对非线性效应的敏感性,并选择最宽的测量波段宽度Δλ;将所述数据集D中的数据按数量w和数量增量Δw拆分为i组数据子集,建立筛选最佳估计系数的目标函数G(ki0)为:
式中:ki0为第i组数据子集的最佳估计系数;kc为数据集D中第c个数据;c为数据集D中数据的序号;n为i的取值数;DE-S为数据集D的维度;
令所述目标函数G(ki0)对ki0的偏导数为零,获得ki0,将所述ki0回代至目标函数G(ki0)获取每个数据子集的目标函数值,建立最优估计系数筛选函数Gbest为:
Gbest=min(G(Ki0))
根据所述Gbest反推最佳估计系数,获得当前测量气体的最优估计系数kbest;
步骤4:根据所述步骤3获得的最优估计系数kbest,反演待测气体最优测量浓度值,获得相对测量误差。
4.根据权利要求3所述的基于自适应差分吸收光谱技术的气体浓度线性测量方法,其特征在于,所述步骤2中根据自适应滑动窗自动选取测量波段并根据所述步骤1中的差分吸收光谱Pm(λ)计算不同测量波段下的估计系数k具体为:在所述第p组滑动窗的窗口长度Np下,按照移动步距S对整段特征吸收波段进行划分,设定滑动窗左边界λL和右边界λR,获得固定长度窗口滑动方法:
λL=λ0+qS
λR=λ0+qS+Np
式中:λ0为滑动窗起始左边界波长;q为自适应滑动窗的滑动步数;
根据所述自适应滑动窗窗口长度设定方法和固定长度窗口滑动方法自适应划分测量波段,选定标准气体浓度值,获取所述标准气体浓度值下的标准气体的吸收光谱,将所述标准气体的吸收光谱作为参考光谱,利用多波长最小二乘拟合法建立待测气体与标准气体的吸收光谱之间的关系F(k):
式中:Pm(λ)为波长为λ浓度为Cm的待测气体的差分吸收光谱;Ps(λ)为波长为λ浓度为C0的标准气体的差分吸收光谱;
5.根据权利要求1所述的基于自适应差分吸收光谱技术的气体浓度线性测量方法,其特征在于,所述步骤1中采集和处理待测气体数据具体为:
步骤11:搭建光学实验装置,采集多组待测气体的数据,获得多组待测气体的紫外特征吸收光谱数据;
步骤12:对所述步骤11获得的多组待测气体的紫外特征吸收光谱数据进行小波去噪处理,获得滤除噪声后的特征吸收光谱数据I(λ);
步骤13:对所述步骤12获得的滤除噪声后的特征吸收光谱数据I(λ)进行多项式拟合,获得慢变吸收部分S(λ),所述特征吸收光谱数据I(λ)滤除慢变吸收部分S(λ)后得到快变吸收部分,将所述快变吸收部分作为差分吸收光谱Pm(λ)。
6.根据权利要求5所述的基于自适应差分吸收光谱技术的气体浓度线性测量方法,其特征在于,所述步骤12中小波去噪处理具体为:选择db小波作为小波基将含噪信号进行多尺度分解,再采用小波软阈值法对各尺度上的小波系数进行量化阈值处理,最后进行小波逆变换得到重构信号,所述重构信号作为滤除噪声后的特征吸收光谱数据I(λ)。
7.根据权利要求5所述的基于自适应差分吸收光谱技术的气体浓度线性测量方法,其特征在于,所述步骤13中差分吸收光谱Pm(λ)根据Beer-Lambert定律获得,具体为:
Pm(λ)=ln[I(λ)/S(λ)]
式中:λ为波长。
8.根据权利要求1所述的基于自适应差分吸收光谱技术的气体浓度线性测量方法,其特征在于,所述步骤4中根据所述步骤3获得的最优估计系数kbest,反演待测气体最优测量浓度值,计算相对测量误差具体为将所述最优估计系数kbest通过公式Cm=kbest·C0反演得到最优测量浓度值,式中Cm为待测气体的测量浓度值;C0为参考光谱的浓度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110941183.7A CN113702305B (zh) | 2021-08-17 | 2021-08-17 | 基于自适应差分吸收光谱技术的气体浓度线性测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110941183.7A CN113702305B (zh) | 2021-08-17 | 2021-08-17 | 基于自适应差分吸收光谱技术的气体浓度线性测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113702305A true CN113702305A (zh) | 2021-11-26 |
CN113702305B CN113702305B (zh) | 2022-07-15 |
Family
ID=78652945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110941183.7A Active CN113702305B (zh) | 2021-08-17 | 2021-08-17 | 基于自适应差分吸收光谱技术的气体浓度线性测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113702305B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637027A (zh) * | 2015-02-26 | 2015-05-20 | 武汉大学 | 顾及非局部特性与时空变化的遥感数据时空定量融合方法 |
CN105181615A (zh) * | 2015-09-16 | 2015-12-23 | 燕山大学 | 一种二氧化硫和硫化氢气体浓度检测装置及其检测方法 |
CN106596456A (zh) * | 2016-04-01 | 2017-04-26 | 南京理工大学 | 基于可变移动窗口选择溶液近红外光谱谱区的方法 |
CN107271392A (zh) * | 2017-06-12 | 2017-10-20 | 重庆大学 | 一种基于气体差分吸收截面特征测量低浓度so2的方法 |
CN110455735A (zh) * | 2019-08-28 | 2019-11-15 | 燕山大学 | 一种一硫化碳吸收截面测量装置及方法 |
CN111426643A (zh) * | 2020-03-12 | 2020-07-17 | 北京中科锐景科技有限公司 | 一种大气二氧化氮柱浓度反演条带噪声自适应窗口校正方法 |
-
2021
- 2021-08-17 CN CN202110941183.7A patent/CN113702305B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637027A (zh) * | 2015-02-26 | 2015-05-20 | 武汉大学 | 顾及非局部特性与时空变化的遥感数据时空定量融合方法 |
CN105181615A (zh) * | 2015-09-16 | 2015-12-23 | 燕山大学 | 一种二氧化硫和硫化氢气体浓度检测装置及其检测方法 |
CN106596456A (zh) * | 2016-04-01 | 2017-04-26 | 南京理工大学 | 基于可变移动窗口选择溶液近红外光谱谱区的方法 |
CN107271392A (zh) * | 2017-06-12 | 2017-10-20 | 重庆大学 | 一种基于气体差分吸收截面特征测量低浓度so2的方法 |
CN110455735A (zh) * | 2019-08-28 | 2019-11-15 | 燕山大学 | 一种一硫化碳吸收截面测量装置及方法 |
CN111426643A (zh) * | 2020-03-12 | 2020-07-17 | 北京中科锐景科技有限公司 | 一种大气二氧化氮柱浓度反演条带噪声自适应窗口校正方法 |
Non-Patent Citations (2)
Title |
---|
LINYING LI ET.AL: "Study on the origin of linear deviation with the Beer-Lambert law in absorption spectroscopy by measuring sulfur dioxide", 《SPECTROCHIMICA ACTA PART A: MOLECULAR AND BIOMOLECULAR SPECTROSCOPY》 * |
YUNGANG ZHANG ET.AL: "Optical H2S and SO2 sensor based on chemical conversion and partition differential optical absorption spectroscopy", 《SPECTROCHIMICA ACTA PART A: MOLECULAR AND BIOMOLECULAR SPECTROSCOPY》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113702305B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101105446A (zh) | 差分吸收光谱空气质量检测系统 | |
CN111239071A (zh) | 一种光谱法海水硝酸盐浓度检测方法 | |
CN108918446B (zh) | 一种超低浓度二氧化硫紫外差分特征提取算法 | |
US20190064064A1 (en) | Spectrophotometer and spectrophotometry method | |
CN115839927B (zh) | 一种基于非线性方程组解法的气体间浓度干扰补偿修正方法 | |
TW201945713A (zh) | 氣體分析方法及裝置 | |
CN111948166A (zh) | 一种烟气中多种气体污染物同时快速定量分析的方法 | |
CN111426643B (zh) | 一种大气二氧化氮柱浓度反演条带噪声自适应窗口校正方法 | |
CN115728259A (zh) | 一种多组分气体分析方法 | |
CN117030654A (zh) | 一种空气中痕量级二氧化硫浓度测量方法 | |
CN110823820A (zh) | 用于cod测量中的浊度干扰消除方法 | |
CN113702305B (zh) | 基于自适应差分吸收光谱技术的气体浓度线性测量方法 | |
CN117368141B (zh) | 基于人工智能的高氯酸盐废水浓度智能检测方法 | |
CN112666104A (zh) | 一种基于doas的气体浓度反演方法 | |
CN111766210B (zh) | 一种近岸复杂海水硝酸盐氮多光谱测量方法 | |
US20070114417A1 (en) | Method for cross interference correction for correlation spectroscopy | |
DE3116344C2 (zh) | ||
CN114166798A (zh) | 一种基于曲率的tdlas露点测量信号增强方法 | |
CN110553988B (zh) | 一种基于叠加态思想的no低浓度信号提取方法 | |
CN115656058A (zh) | 一种基于doas的no2浓度测量方法 | |
Jia et al. | Application of Wavelet Transform in Differential Absorption Spectrum Data Analysis | |
CN117407654A (zh) | 基于噪声强度约束的分段多项式拟合tdlas信号去噪方法 | |
EP3936854A1 (en) | Automated detection and quantification of gas emissions | |
CN116124723A (zh) | 基于定标系数和光稀释效应校正获取so2浓度图像的方法 | |
CN117388204B (zh) | 一氧化氮气体分析系统、方法及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |