CN114062313A - 一种基于谐波特征三角形的气体浓度反演模型 - Google Patents

一种基于谐波特征三角形的气体浓度反演模型 Download PDF

Info

Publication number
CN114062313A
CN114062313A CN202111289869.9A CN202111289869A CN114062313A CN 114062313 A CN114062313 A CN 114062313A CN 202111289869 A CN202111289869 A CN 202111289869A CN 114062313 A CN114062313 A CN 114062313A
Authority
CN
China
Prior art keywords
concentration
harmonic
variable
information
inversion 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.)
Granted
Application number
CN202111289869.9A
Other languages
English (en)
Other versions
CN114062313B (zh
Inventor
阳春华
刘紫怀
李勇刚
罗旗舞
马润洲
蓝丽娟
桂卫华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202111289869.9A priority Critical patent/CN114062313B/zh
Publication of CN114062313A publication Critical patent/CN114062313A/zh
Application granted granted Critical
Publication of CN114062313B publication Critical patent/CN114062313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Optics & Photonics (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谐波特征三角形的气体浓度反演模型，模型构建包括如下步骤：采集多个浓度下的大量二次谐波数据；分别提取出各浓度下连续信号中每个二次谐波信号中峰值与左右谷值的位置与幅度，构成谐波特征三角形；提取谐波特征三角形中具备强浓度信息的所有变量，包括边长，重心距，角度，面积这四大类变量信息；对提取的这些变量进行综合评估与筛选；在确定浓度反演模型的维度以及所选用的变量之后，利用已知浓度的数据作为定位点进行曲线拟合，并完成非线性插值，从而实现对全浓度范围的浓度反演模型构建。本发明提供一种全新的气体浓度反演模型构建方法，突破了传统气体浓度反演模型依赖于二次谐波峰值或峰峰值的限制。

Description

一种基于谐波特征三角形的气体浓度反演模型
技术领域
本发明属于光学检测领域，具体涉及一种基于谐波特征三角形的气体浓度反演模型。
背景技术
可调谐半导体激光吸收光谱(TDLAS)技术因其具有高灵敏度、高选择性、非侵入式检测等优点被广泛运用到气体检测领域，可用于温度、浓度、压力、流速等流场参数的检测。而波长调制光谱技术(WMS)也已是目前在TDLAS中最常用的灵敏探测方法。在WMS中的众多谐波信号中，由于二次谐波信号在理论上具有相对较大的峰值，且与被测气体的浓度信息具有近似正比的关系而被广泛用于气体浓度反演过程，然而这些检测工况大多数是在封闭的气室环境中。但在实际工业应用中，特别是在开放光路的检测环境下，二次谐波信号往往会受到各类噪声的影响，从而出现信号的偏移与畸变，使得原有的线性关系不在满足。如果仍然采用单一峰值或者峰峰值的浓度判定方法，将无法满足检测精度的要求。
然而，目前几乎没有适用于开放光路下封装玻璃药瓶内氧气浓度的反演模型，因为绝大部分气体浓度反演技术依然遵循二次谐波峰值与浓度近似正比的单一关系，这使得实际采用数据与模型本身差异较大，从而严重影响封装玻璃药瓶内氧气的检测精度。
发明内容
本发明通过该方法提出了一种基于谐波特征三角形的气体浓度反演模型，该方法实现的核心是构造二次谐波信号的特征三角形，从而挖掘谐波信号在形态上存在的内在特征，并将其中的强浓度信息联合起来实现气体浓度的精确反演。该方法突破了传统气体浓度反演模型依赖于二次谐波峰值或峰峰值的限制，为气体浓度反演技术向高维度拓展提供了新型手段。
具体的，本发明提出的一种全新的基于谐波特征三角形的气体浓度反演模型包括如下步骤：
S1：选择气体浓度在线检测系统，以封装的玻璃药瓶内气体中的氧气为待测气体对象，利用可调谐激光器照射所述玻璃药瓶内的气体，从锁相解调器采集由氧气吸收光谱解调出的二次谐波数据；对多个不同氧气浓度的所述玻璃药瓶进行连续测量，连续采集一定组数的二次谐波数据，每组包含固定的原始数据点，并将所述二次谐波数据依次保存于数据库中；
S2：对所述二次谐波数据进行信号处理，将连续二次谐波信号分割成独立且数据点完整的单个二次谐波信号，分割后的每个所述二次谐波数据的点数一致；再提取单个所述二次谐波数据中的峰值、左侧谷值与右侧谷值的定位信息，构造出特征三角形；
S3：提取所述特征三角形中的变量信息，将所述变量信息归类；
S4：对所述变量信息评估和筛选；
S5：利用筛选后的所述变量信息构建浓度反演模型。
进一步优选的，在步骤S1中，所述气体浓度在线检测系统中气体压强为1atm、温度为296K、吸收总光程为100mm(其中所述玻璃药瓶内为22mm，所述玻璃药瓶外为78mm)；所述玻璃药品为2ml封装西林药瓶，其中以氮气作平衡气体，以浓度为2％的氧气为目标气体，选取760.88nm为目标中心吸收波长；选取氧气浓度为0％，2％，5％，10％，15％，21％的作为反演模型定位浓度值。
优选的，在步骤S2中，提取单个所述二次谐波数据中的峰值、左侧谷值与右侧谷值的定位信息具体步骤如下：
第一步，获取所述二次谐波数据中最大值点的定位，即为峰值的定位信息；
第二步，从最大值点左侧的第一个相邻数据点开始，找到二次谐波左侧数据的第一个极小值点，即为左侧谷值的定位信息；
第三步，与最大值点右侧的第一个相邻数据点开始，找到二次谐波右侧数据的第一个极小值点，即为右侧谷值的定位信息；
所述定位信息包括横轴的采样点位置与纵轴的谐波幅值，所述定位信息的横轴信息是相对于单个所述二次谐波信号本身。
进一步优选的，在步骤S2中，所述特征三角形构造方法为，将所述峰值、左侧谷值与右侧谷值的定位信息依次首尾相接实现单个所述二次谐波数据的特征三角形构造。
优选的，在步骤S3中，所述特征三角形的变量信息包括变量I边长(L)、变量II重心距(C)、变量III角度(An)和变量IV面积(S)；
其中，所述变量I边长(L)中包含四个子变量，分别为左边长(L_PTL)，右边长(L_PTR)，底边长(L_LTR)，以及边长和(L_ALL)；所述变量II重心距(C)中包含四个子变量，分别为重心到左角的距离(C_L)，重心到右角的距离(C_R)，重心到顶角的距离(C_P)，以及重心到三角的距离和(C_ALL)；所述变量III角度(An)中包含三个子变量，分别为左角角度(An_L)，右角角度(An_R)，与顶角角度(An_P)。
进一步优选的，将所述变量信息归类的方法为构造信息矩阵TA，A为子变量类型；所述信息矩阵TA统一为6行100列，其中不同行表示不同浓度，不同列为不同时刻采集的二次谐波；所述信息矩阵TA表示如下：
Figure BDA0003334517480000031
进一步优选的，在步骤S4中，对所述变量信息评估的方法包括得到指标I和指标II，所述指标I代表变量的相关性，用于刻画变量与浓度信息之间关系的紧密程度；所述指标II代表变量的稳定性，具用于衡量该变量在不同时刻所表征浓度信息的稳定程度；
对所述变量信息评估前，进行归一化预处理：通过选用极值法实现区间缩放，以将所述变量信息的数据值控制在0和1之间，所述极值法的具体表达式如下：
Figure BDA0003334517480000032
所述指标I通过计算浓度标准矩阵TN与各自的信息矩阵TA之间的皮尔逊相关系数来获得的，具体表达式如下：
Figure BDA0003334517480000033
其中，所述浓度标准矩阵TN为6行100列，表示如下：
Figure BDA0003334517480000034
若所述皮尔逊相关系数结果为负值，则取其绝对值替代；
所述指标II通过求取它们各自信息矩阵TA行向量的方差和来获得，其计算方法如下表示：
Figure BDA0003334517480000035
进一步优选的，在步骤S5中，所述浓度反演模型为三维模型，选取评估结果中综合排名前二的变量参与到所述浓度反演模型的构建过程，具体方法如下：
将进行归一化预处理的所述变量信息的矩阵按照行向量进行平均，得到各自列向量；接着，将两者分配到所述三维模型的X轴与Y轴上，并取出浓度标准矩阵TN的第一列分配到Z轴上；在所述三维模型中一次绘制出这六个定位点的位置；利用多维最小拟合方法进行浓度反演曲线拟合。
进一步优选的，对于氧气浓度未知的所述二次谐波数据，步骤S3中的所述特征三角形的变量信息包括两个，分别为所述特征三角形的边长、与重心到三角的距离和，通过求取所述变量信息的均值进行归类；在步骤S4中，对所述变量信息评估和筛选包括：在空间坐标系中做出垂直方向的直线，并找到与浓度反演曲线上与该直线距离最近的浓度值，则该浓度值为待测所述二次谐波数据的浓度反演值，用于在步骤S5中构建所述浓度反演模型。
也即：对于任意未知浓度的二次谐波信号，其浓度反演的具体过程如下：首先完成连续信号分割，完成特征三角形的构造；随后，提取所有特征三角形的边长和与重心到三角的距离和这两个变量，并求取变量均值作为浓度反演模型输入量；最后，在空间坐标系中做出改垂直方向的直线，并找到与浓度反演曲线上与该直线距离最近的浓度值，则该浓度值为该待测二次谐波信号的浓度反演值。一般在没有对反演精度做特殊要求的情况下，我们会将得到的浓度值就近取整。
本发明提出了一种基于谐波特征三角形的气体浓度反演模型，其有益效果如下：
1、本发明面向开放光路下封装玻璃药瓶氧气浓度反演过程中存在的实际问题，创新性地提出了基于二次谐波信号的特征三角形概念。该概念的提出打破了传统上对于二次谐波信号的简单认识，从信号形态学的维度来重新认识这一信号。在此基础上，本发明进一步地探索了谐波特征三角形中可能存在的诸多与浓度信息由密切关联的变量，涉及十二种之多，并对这些变量进行了严格的评估与筛选，确定了其优先级顺序。
2、本发明提出了两种面向谐波特征三角形变量信息的评估与筛选方法，并将两种方案综合在一起用于变量的优先级划分。同时，数据的归一化预处理规避了不同变量所在数值量级差异而来的评估失准。所提出的性能评估方法既重点考虑了变量与浓度之间的相关关系，也引入对变量本身稳定性的考究。这一关键环节为后续浓度反演模型的最终精度打下坚实基础。
3、基于有益效果1和有益效果2，本发明提出了一套完整的用于开放光路下封装玻璃药瓶内氧气浓度反演的模型构建方法及浓度反演手段。该方法具有多特征联合分析的先天优势，具有更强的鲁棒性与适应性，也突破了传统气体浓度反演模型对二次谐波峰值或峰峰值特征的依赖。该浓度反演模型更加适用于开放光路下的实际工况，更能准确刻画封装玻璃药瓶内氧气浓度的实际情况，还为其他气体浓度反演技术向高维度拓展提供了新型手段。
附图说明
图1为一种全新的基于谐波特征三角形的气体浓度反演模型；
图2为各浓度下所采集的二次谐波序列片段以及对应的参考分割线；
图3为氧气浓度为0％的二次谐波序列片段以及构建的特征三角形；
图4为氧气浓度为2％的二次谐波序列片段以及构建的特征三角形；
图5为氧气浓度为5％的二次谐波序列片段以及构建的特征三角形；
图6为氧气浓度为10％的二次谐波序列片段以及构建的特征三角形；
图7为氧气浓度为15％的二次谐波序列片段以及构建的特征三角形；
图8为氧气浓度为21％的二次谐波序列片段以及构建的特征三角形；
图9为特征三角形中拟提取的可能具备强浓度信息的变量；
图10为各变量在指标I与指标II下的性能评估结果；
图11为用于构建三维氧气浓度反演模型的定位点位置；
图12为依据浓度定位点所拟合的浓度反演曲线；
具体实施方式
下面将结合实施例对本发明做进一步的说明。
如图1所示，本发明提供的一种基于谐波特征三角形的气体浓度反演模型，该方法实现的核心是挖掘谐波信号在形态上存在的内在特征，并将其中的强浓度特征联合起来实现气体浓度的精确反演。该方法突破了传统气体浓度反演模型依赖于二次谐波峰值或峰峰值的限制，为气体浓度反演技术向高维度拓展提供了新型手段。
具体的，本发明提出的一种基于谐波特征三角形的气体浓度反演模型，包括如下步骤：
S1：在稳定环境下，待气体浓度在线检测系统运行稳定后，以氧气为待测气体对象，利用可调谐激光器照射玻璃瓶内的气体，同时从锁相解调器采集由氧气吸收光谱解调出的二次谐波样本数据。对多个不同浓度的封装玻璃药瓶进行连续测量，对每一种浓度的封装玻璃药瓶连续采集100组二次谐波原始数据，每组包含312个原始数据点，即312个采样点，并将这些数据依次保存于数据库中。
本实施例中，气体浓度在线检测系统稳定工作在气体压强为1atm、温度为296K以及吸收总光程为100mm(瓶内22mm，瓶外78mm)的开放光路环境下，以氮气作平衡气体，以浓度为2％的氧气为目标气体，选取760.88nm为目标中心吸收波长，以2ml封装西林药瓶作为检测对象，其中氧气浓度为0％，2％，5％，10％，15％，21％的作为反演模型定位浓度值，氧气浓度为4％，6％，12％的作为反演模型验证浓度值。
S2：对于各浓度下封装玻璃药瓶连续采集的二次谐波数据，首先将连续谐波信号分割成独立且数据点完整的单个谐波信号，分割后的每个二次谐波数据点数需保证一致，均为312个数据点。
图2中展示了对氧气浓度为0％，2％，5％，10％，15％，21％的封装玻璃药瓶所采集的二次谐波序列片段，同时还给出了相邻二次谐波信号之间的参考分割线；针对单一的任意二次谐波波形，谐波峰值与左右谷值的定位方法都是相同的，其定位信息包括横轴的采样点位置与纵轴的谐波幅值。具体步骤如下：第一步，获取该二次谐波数据中最大值点的定位，即谐波峰值定位；第二步，从最大值左侧的第一个相邻数据点开始，找到二次谐波左侧数据的第一个极小值点，即为左侧谷值定位；第三步，与最大值右侧的第一个相邻数据点开始，找到二次谐波右侧数据的第一个极小值点，即为右侧谷值定位。值得注意的是，在记录二次谐波左右谷值所在定位时，其定位信息中的横轴信息是相对于单个二次谐波信号本身的，而非在整个连续信号中的位置。
图3至图8中展示在各浓度下的单个二次谐波中，由所定位的峰值与左右谷值依次首位相接所构造的特征三角形。
S3：提取所有特征三角形中的如下变量信息，如图9所示，变量I边长(L)中包含四个子变量，即左边长(L_PTL)，右边长(L_PTR)，底边长(L_LTR)，以及边长和(L_ALL)；变量II重心距(C)中同样包含四个子变量，即重心到左角的距离(C_L)，重心到右角的距离(C_R)，重心到顶角的距离(C_P)，以及重心到三角的距离和(C_ALL)；变量III角度(An)中则包含三个子变量，即左角角度(An_L)，右角角度(An_R)，与顶角角度(An_P)；最后是变量IV面积(S)，该变量不含有子变量。
将所有信息按照子变量类型归类，构成信息矩阵TA，A为子变量类型。TA统一为6行100列，其中不同行表示不同浓度，不同列为不同时刻采集的二次谐波，TA表示如下：
Figure BDA0003334517480000061
S4：接下来进行变量的评估与筛选。本方法提供了两项关键指标用于筛选特征三角形中具有强浓度信息的变量，其中指标I代表变量的相关性，具体用于刻画变量与浓度信息之间关系的紧密程度；指标II代表变量的稳定性，具体用于衡量该变量在不同时刻所表征浓度信息的稳定程度。但为了避免因为各变量因数量级差异所带来的评估误差，在评估手段执行前加入了数据归一化的预处理步骤，这里选用极值法来实现区间缩放，将所有变量值控制在0和1之间，极值法的具体表达式如下：
Figure BDA0003334517480000062
有了归一化的变量信息矩阵TA STD，下面进行评估指标的具体计算方法说明，各变量的指标I是通过计算浓度标准矩阵TN与各自的信息矩阵TA之间的皮尔逊相关系数来获得的，具体表达式如下：
Figure BDA0003334517480000071
其中的浓度标准矩阵TN也是为6行100列，表示如下：
Figure BDA0003334517480000072
值得注意的是，本方法中若皮尔逊相关系数结果为负值时，则取其绝对值替代。而各变量的指标II是通过求取它们各自信息矩阵TA行向量的方差和来获得。所以，各变量的指标II的计算方法可以如下表示：
Figure BDA0003334517480000073
按照上述指标I与指标II的计算方式，各变量的评估结果如图10所示，具体排序见表1所示。
表1.各变量评估结果及排序
Figure BDA0003334517480000074
S5：本方法拟构建一个三维浓度反演模型，所以选取评估综合排名前二的变量作为浓度反演依据，即变量I边长(L)中的边长和(L_ALL)与变量II重心距(C)中的重心到三角的距离和(C_ALL)。
浓度反演模型的构建依赖于多维最小二乘拟合的方法，而用于拟合的定位点则是由所选定参与浓度反演的变量集合给出，具体方法如下：首先将归一化后的变量信息矩阵TL_ALL STD和TC_ALL STD按照行向量进行平均，从而得到列向量TL_ALL AVE和TC_ALL AVE；接着，将两者分配到三维坐标轴的X轴与Y轴上，并取出浓度标准矩阵TN的第一列分配到Z轴上；随后，在三维坐标系中一次绘制出这六个定位点的位置；最后，利用多维最小拟合方法进行浓度反演曲线拟合。图11中给出了氧气浓度为0％，2％，5％，10％，15％，21％所在的反演模型定位点，而图12中给出了它们的三维拟合曲线，从而实现了0％至21％的浓度反演全覆盖。其中，具体拟合的表达式如下：
x＝f(z)＝0.0001117*z3-0.004343*z2+0.07390*z+0.1915
y＝g(z)＝0.0001097*z3-0.004272*z2+0.07347*z+0.1906
对于任意未知浓度的二次谐波信号，其浓度反演的具体过程如下：首先完成连续信号分割，完成特征三角形的构造；随后，提取所有特征三角形的边长和与重心到三角的距离和这两个变量，并求取变量均值作为浓度反演模型输入量；最后，在空间坐标系中做出改垂直方向的直线，并找到与浓度反演曲线上与该直线距离最近的浓度值，则该浓度值为该待测二次谐波信号的浓度反演值。一般在没有对反演精度做特殊要求的情况下，我们会将得到的浓度值就近取整。
为了进一步证明本方法所构建浓度反演模型的优越性，实施例选用氧气浓度为4％，6％与12％的各100组数据，经同样数据预处理后给予模型所需的输入量进行浓度反演，对其反演的浓度值就近取整，在与真实浓度进行比较，实现反演准确性验证。其对比结果如表2所示，可见验证结果与预期相符合。
表2.基于谐波特征三角形的浓度反演模型与传统模型对比结果
Figure BDA0003334517480000081
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。

Claims (9)

1.一种基于谐波特征三角形的气体浓度反演模型，其特征在于：包括如下步骤：
S1：选择气体浓度在线检测系统，以封装的玻璃药瓶内气体中的氧气为待测气体对象，利用可调谐激光器照射所述玻璃药瓶内的气体，从锁相解调器采集由氧气吸收光谱解调出的二次谐波数据；对多个不同氧气浓度的所述玻璃药瓶进行连续测量，连续采集一定组数的二次谐波数据，每组包含固定的原始数据点，并将所述二次谐波数据依次保存于数据库中；
S2：对所述二次谐波数据进行信号处理，将连续二次谐波信号分割成独立且数据点完整的单个二次谐波信号，分割后的每个所述二次谐波数据的点数一致；再提取单个所述二次谐波数据中的峰值、左侧谷值与右侧谷值的定位信息，构造出特征三角形；
S3：提取所述特征三角形中的变量信息，将所述变量信息归类；
S4：对所述变量信息评估和筛选；
S5：利用筛选后的所述变量信息构建浓度反演模型。
2.根据权利要求1所述的一种基于谐波特征三角形的气体浓度反演模型，其特征在于，在步骤S1中，所述气体浓度在线检测系统中气体压强为1atm、温度为296K、吸收总光程为100mm(其中所述玻璃药瓶内为22mm，所述玻璃药瓶外为78mm)；所述玻璃药品为2ml封装西林药瓶，其中以氮气作平衡气体，以浓度为2％的氧气为目标气体，选取760.88nm为目标中心吸收波长；选取氧气浓度为0％，2％，5％，10％，15％，21％的作为反演模型定位浓度值。
3.根据权利要求1所述的一种基于谐波特征三角形的气体浓度反演模型，其特征在于，在步骤S2中，提取单个所述二次谐波数据中的峰值、左侧谷值与右侧谷值的定位信息具体步骤如下：
第一步，获取所述二次谐波数据中最大值点的定位，即为峰值的定位信息；
第二步，从最大值点左侧的第一个相邻数据点开始，找到二次谐波左侧数据的第一个极小值点，即为左侧谷值的定位信息；
第三步，与最大值点右侧的第一个相邻数据点开始，找到二次谐波右侧数据的第一个极小值点，即为右侧谷值的定位信息；
所述定位信息包括横轴的采样点位置与纵轴的谐波幅值，所述定位信息的横轴信息是相对于单个所述二次谐波信号本身。
4.根据权利要求3所述的一种基于谐波特征三角形的气体浓度反演模型，其特征在于，在步骤S2中，所述特征三角形构造方法为，将所述峰值、左侧谷值与右侧谷值的定位信息依次首尾相接实现单个所述二次谐波数据的特征三角形构造。
5.根据权利要求1所述的一种基于谐波特征三角形的气体浓度反演模型，其特征在于，在步骤S3中，所述特征三角形的变量信息包括变量I边长(L)、变量II重心距(C)、变量III角度(An)和变量IV面积(S)；
其中，所述变量I边长(L)中包含四个子变量，分别为左边长(L_PTL)，右边长(L_PTR)，底边长(L_LTR)，以及边长和(L_ALL)；所述变量II重心距(C)中包含四个子变量，分别为重心到左角的距离(C_L)，重心到右角的距离(C_R)，重心到顶角的距离(C_P)，以及重心到三角的距离和(C_ALL)；所述变量III角度(An)中包含三个子变量，分别为左角角度(An_L)，右角角度(An_R)，与顶角角度(An_P)。
6.根据权利要求5所述的一种基于谐波特征三角形的气体浓度反演模型，其特征在于，将所述变量信息归类的方法为构造信息矩阵TA，A为子变量类型；所述信息矩阵TA统一为6行100列，其中不同行表示不同浓度，不同列为不同时刻采集的二次谐波；所述信息矩阵TA表示如下：
Figure FDA0003334517470000021
。
7.根据权利要求1所述的一种基于谐波特征三角形的气体浓度反演模型，其特征在于，在步骤S4中，对所述变量信息评估的方法包括得到指标I和指标II，所述指标I代表变量的相关性，用于刻画变量与浓度信息之间关系的紧密程度；所述指标II代表变量的稳定性，具用于衡量该变量在不同时刻所表征浓度信息的稳定程度；
对所述变量信息评估前，进行归一化预处理：通过选用极值法实现区间缩放，以将所述变量信息的数据值控制在0和1之间，所述极值法的具体表达式如下：
Figure FDA0003334517470000022
所述指标I通过计算浓度标准矩阵TN与各自的信息矩阵TA之间的皮尔逊相关系数来获得的，具体表达式如下：
Figure FDA0003334517470000023
其中，所述浓度标准矩阵TN为6行100列，表示如下：
Figure FDA0003334517470000031
若所述皮尔逊相关系数结果为负值，则取其绝对值替代；
所述指标II通过求取它们各自信息矩阵TA行向量的方差和来获得，其计算方法如下表示：
Figure FDA0003334517470000032
8.根据权利要求7所述的一种基于谐波特征三角形的气体浓度反演模型，其特征在于，在步骤S5中，所述浓度反演模型为三维模型，选取评估结果中综合排名前二的变量参与到所述浓度反演模型的构建过程，具体方法如下：
将进行归一化预处理的所述变量信息的矩阵按照行向量进行平均，得到各自列向量；接着，将两者分配到所述三维模型的X轴与Y轴上，并取出浓度标准矩阵TN的第一列分配到Z轴上；在所述三维模型中一次绘制出这六个定位点的位置；利用多维最小拟合方法进行浓度反演曲线拟合。
9.根据权利要求1所述的一种基于谐波特征三角形的气体浓度反演模型，其特征在于，对于氧气浓度未知的所述二次谐波数据，步骤S3中的所述特征三角形的变量信息包括两个，分别为所述特征三角形的边长、与重心到三角的距离和，通过求取所述变量信息的均值进行归类；在步骤S4中，对所述变量信息评估和筛选包括：在空间坐标系中做出垂直方向的直线，并找到与浓度反演曲线上与该直线距离最近的浓度值，则该浓度值为待测所述二次谐波数据的浓度反演值，用于在步骤S5中构建所述浓度反演模型。
CN202111289869.9A 2021-11-02 2021-11-02 一种基于谐波特征三角形的气体浓度反演模型 Active CN114062313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111289869.9A CN114062313B (zh) 2021-11-02 2021-11-02 一种基于谐波特征三角形的气体浓度反演模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111289869.9A CN114062313B (zh) 2021-11-02 2021-11-02 一种基于谐波特征三角形的气体浓度反演模型

Publications (2)

Publication Number Publication Date
CN114062313A true CN114062313A (zh) 2022-02-18
CN114062313B CN114062313B (zh) 2023-07-14

Family

ID=80236508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111289869.9A Active CN114062313B (zh) 2021-11-02 2021-11-02 一种基于谐波特征三角形的气体浓度反演模型

Country Status (1)

Country Link
CN (1) CN114062313B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104535530A (zh) * 2014-12-05 2015-04-22 山东省科学院海洋仪器仪表研究所 一种高精度气体浓度检测方法及检测装置
US20160299065A1 (en) * 2014-09-29 2016-10-13 Siemens Aktiengesellschaft Method and Gas Analyzer for Measuring the Concentration of a Gas Component in a Sample Gas
CN106872378A (zh) * 2017-01-13 2017-06-20 中南大学 一种波长调制光谱检测玻璃瓶内氧气浓度的温度补偿方法
CN110044844A (zh) * 2019-05-29 2019-07-23 中南大学 一种基于多次谐波联合分析的气体浓度反演方法及系统
CN110286093A (zh) * 2019-07-17 2019-09-27 中南大学 一种阈值动态调节的玻璃瓶内气体浓度检测方法
CN110658159A (zh) * 2018-06-29 2020-01-07 中国科学院合肥物质科学研究院 一种波长调制气体浓度反演方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160299065A1 (en) * 2014-09-29 2016-10-13 Siemens Aktiengesellschaft Method and Gas Analyzer for Measuring the Concentration of a Gas Component in a Sample Gas
CN104535530A (zh) * 2014-12-05 2015-04-22 山东省科学院海洋仪器仪表研究所 一种高精度气体浓度检测方法及检测装置
CN106872378A (zh) * 2017-01-13 2017-06-20 中南大学 一种波长调制光谱检测玻璃瓶内氧气浓度的温度补偿方法
CN110658159A (zh) * 2018-06-29 2020-01-07 中国科学院合肥物质科学研究院 一种波长调制气体浓度反演方法
CN110044844A (zh) * 2019-05-29 2019-07-23 中南大学 一种基于多次谐波联合分析的气体浓度反演方法及系统
CN110286093A (zh) * 2019-07-17 2019-09-27 中南大学 一种阈值动态调节的玻璃瓶内气体浓度检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
D. VIVEIROS ET AL: "Gas sensing using wavelength modulation spectroscopy", SECOND INTERNATIONAL CONFERENCE ON APPLICATIONS OF OPTICS AND PHOTONICS *
刘永胜 等: "封装西林药瓶残留氧气检测中的谐波基线校正和去噪方法", 光谱学与光谱分析 *
朱高峰 等: "WMS的玻璃药瓶内氧气含量检测及其标定方法改进", 光谱学与光谱分析 *
朱高峰 等: "基于波长调制光谱技术的氧气浓度检测及其标定方法", 分析实验室 *
申帅 等: "基于近红外吸收光谱的西林瓶内氧气残留浓度反演研究", 红外与毫米波学报 *
苏雷什·库马尔·戈拉卡拉, 自己动手做推荐引擎 *

Also Published As

Publication number Publication date
CN114062313B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
US5124932A (en) Method for analyzing asymmetric clusters in spectral analysis
CN102539377B (zh) 基于中红外吸收光谱的多组分混合气体定性定量分析方法
CN105486658B (zh) 一种具有无测点温度补偿功能的近红外物性参数测量方法
CN103913432A (zh) 基于粒子群算法的近红外光谱波长选择方法
CN106560699A (zh) 用于武夷岩茶产地鉴别的联合检测方法
CN101576489A (zh) 光干涉检测甲烷或二氧化碳装置及精度自动补偿检测方法
CN110285781B (zh) 一种相对于基准面的平面平行度快速评定方法
CN108760647A (zh) 一种基于可见/近红外光谱技术的小麦带菌量线检测方法
CN110516920B (zh) 基于指标融合的陀螺仪质量等级评估方法
CN108846200B (zh) 一种基于迭代法的准静态桥梁影响线识别方法
CN116985183B (zh) 一种近红外光谱分析仪质量监测管理方法及系统
CN105045220B (zh) 一种用于实验室诊断领域或工业生产领域的基于多变量z分数质量控制图的质量控制方法
CN105466885B (zh) 基于无测点温度补偿机制的近红外在线测量方法
CN105259136B (zh) 近红外校正模型的无测点温度修正方法
CN114062313B (zh) 一种基于谐波特征三角形的气体浓度反演模型
CN106485049B (zh) 一种基于蒙特卡洛交叉验证的nirs异常样本的检测方法
CN103853817B (zh) 基于gis的海量统计数据的空间奇异点发掘方法
CN115345256B (zh) 应用于智能制造的工业产品测试系统
CN107843190A (zh) 一种光学关键尺寸测量系统及其方法
CN114781056B (zh) 一种基于特征匹配的飞机整机外形测量方法
CN105717094A (zh) 一种基于大数据库辨识的金属元素含量分析方法
CN111220571B (zh) 一种基于幅值离散度的二次谐波信号拟合方法及系统
CN109211806A (zh) 一种用于激光吸收光谱层析成像的谱线选取方法
CN109214268A (zh) 一种基于集成流形学习的填料塔液泛状态在线监测方法
CN106323888A (zh) 一种超低排放烟气测量方法

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
GR01 Patent grant
GR01 Patent grant