CN114264770A - 一种基于图谱匹配的气味评价方法 - Google Patents
一种基于图谱匹配的气味评价方法 Download PDFInfo
- Publication number
- CN114264770A CN114264770A CN202110968508.0A CN202110968508A CN114264770A CN 114264770 A CN114264770 A CN 114264770A CN 202110968508 A CN202110968508 A CN 202110968508A CN 114264770 A CN114264770 A CN 114264770A
- Authority
- CN
- China
- Prior art keywords
- odor
- data
- grade
- model
- method based
- 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
Images
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明创造提供了一种基于图谱匹配的气味评价方法,S1:图谱及等级收集,对大量的样品气体进行测试及气味等级评定,进行图谱收集,建立图谱数据库;S2:图谱筛选和分析,将收集到的图谱进行筛选和分析,建立模型;S3:图谱匹配,未知气体采用相同的设备进行分析,获取相同类型的数据,使用步骤S2中的模型,输出数据。本发明创造所述的一种基于图谱匹配的气味评价方法,该方法通过两步数学筛选和分析,可以很好的实现对负责组分气体进行客观化的气味评价,降低了气味评价过程中的主观因素,便于对样品进行管控,使用该方法测试样品可以很好的避免人员参与气味评价,保护人员健康。
Description
技术领域
本发明创造属于化学领域,尤其是涉及一种基于图谱匹配的气味评价方法。
背景技术
气味问题已经成为汽车消费者最为关注的新车质量问题,J.D.POWER连续多年的新车质量研究报告中气味连续多年高居榜首。主机厂对该问题的关注度也越来越高,从2017年开始,对其整车、总成、材料的气味散发性能的测试数量和管控力度在逐年上升。目前采用的气味评判方式分为瓶子法、袋式法和箱式法,评价等级的分类也有6级制、5级制和10级制。但无论如何分类最终给出评分的均为嗅辨员通过鼻子亲身感触给出数据。该方法受到人员主观意愿的影响非常大,主机厂难于取得较好的管控效果;当测试数量较大和评价频率较高时,使用该方法评价会对嗅辨员产生相应的职业危害。在香水、烟草、酿酒等行业由于物质种类构成非常简单已经可以实现通过单一物质的浓度或者总浓度来反馈主观气味的方法,但由于车内物质构成相比于其他行业非常复杂,动辄每个样品包含100+种物质,对汽车行业家里相应的客观方法就成为了本专利的目标。
车内气味的主观评价等级由经过培训的人员进行主观打分得到,打分依据如表1所示,该过程受人员主观因素影响较大,无法通过客观的方式进行同一管控,就需要寻找将车内的主观的气味评价转变为一种可以主观测试的方法。通过建立主观测试数据一客观间的联系,从而对行业进行规范和解决评价争议。
发明内容
有鉴于此,本发明创造旨在提出一种基于图谱匹配的气味评价方法,为了解决将设备信号转化为主观评价结果的的问题。
为达到上述目的,本发明创造的技术方案是这样实现的:
一种基于图谱匹配的气味评价方法,包括如下步骤:
S1:图谱及等级收集,对大量的样品气体进行测试,进行图谱收集,建立图谱数据库;
S2:图谱筛选和分析,将收集到的图谱进行筛选和分析,建立模型;
S3:图谱匹配,未知气体采用相同的设备进行分析,获取相同类型的数据,使用步骤S2中的模型,输出数据。
所述步骤S1中样品气体包含整车、零部件、材料等汽车内饰散发的挥发的混合气体。整车是将车辆放置在背景干净的环境中密闭16h以上,使用气袋收集车内气体;零部件及材料可以使用箱式法和袋子法进行密闭,按照试验规程加热相应时间,获取挥发的混合气体。车内气味的主观评价等级由经过培训的人员进行主观打分得到,打分依据如表1所示,该过程受人员主观因素影响较大,无法通过客观的方式进行同一管控,就需要寻找将车内的主观的气味评价转变为一种可以主观测试的方法。通过建立主观测试数据一客观间的联系,从而对行业进行规范和解决评价争议。
表1气味等级描述表
气味强度评分等级 | 气味强度评分标准描述 |
1级 | 无气味 |
2级 | 可察觉到,无干扰性气味 |
3级 | 可明显察觉到,无干扰性气味 |
4级 | 可明显察觉到,有干扰性气味 |
5级 | 可明显察觉到,有强烈干扰性气味 |
6级 | 不可忍受的气味 |
目前虽然分析设备可以给出部分定性的物质名称和半定量浓度,但均是建立在一定的匹配度上,无法准确的给出复杂成分的结果,同时得到定性分析结果通常较为费时。设备输出的谱图包含了该气体的所有特性,不需要进行复杂的解谱分析,也可以反应样品的情况,不同样品间的图谱差异非常大,图谱的形状对应唯一个样品,类似指纹,每个指纹对应唯一的样品,但车辆内饰变化非常大,将所有气味图谱收集完成无法实现,这就需要结束数学算法进行模型建立,使用模式对未知样品进行气味评价,而非直接谱图匹配。
首先使用分析设备对大批量样品进行测试,同时进行气味评价,每个样品即可获得一张分析设备图谱和一个气味等级,该过程为图谱及等级收集,获取尽可能多的图谱及等级组合组成基础的气味数据库,该图谱的获取可以使用以下设备,气相色谱-质谱联用仪(GC-MS)、高效液相色谱仪(HPLC)、气相色谱-火焰离子探测器(GC-FID)、气相色谱高通量飞行时间质谱仪(GC TOFMS)、便携式GC-MS等分析设备。图谱的描述可以使用关键特征值进行描述,也可以根据时间和电信号强度进行描述。每张谱图对应一个固定的气味等级。
在步骤S1中的气味等级评定,气味等级评定需要经过严格培训,并取得专业证书的评价员5名以上奇数人员,评价人员最少需要2年从业经验,可以对气味等级进行更加丰富细致的划分,对样品气体进行评价,获取气味等级,最大值和最小值超过1级则重新进行评价,对所有人的数据取平均值作为最后的气味等级。
在建立模型时每个图谱和等级构成一组数据,这样的数据需要50组以上,将图谱转换为时间点的电信号强度的对应数据点。对每组数据点进行降维处理,获取关键峰型的关键点。将降维后的所有数据组进行处理,主要使用PCA,K-Means等方式进行聚类分析,将数据按照聚集程度划分为几大类,一般按照气味等级2.5、3、3.5、4、4.5这几个级别(气味等级描述见表1所示)大体可以分为5类。
在每个类别中在进一步建立数学模型,获取更加明确的数学模型,获取更具备针对性和预测精度高的模型,这里主要使用偏最小二乘回归(PLSR)、支持向量机回归(SMVR)和误差反向传播人工神经网络(BP-ANN)回归。
再进行数据验证,采集30组数据,按照上述的数据处理过程进行处理,将仪器分析的降维数据代入已经建立好的模型,通过模型给出预测的气味等级,如3.0/3.2/3.6之类数据,分析这个结果与人员实测结果间的差异,若气味等级差异均小于0.5级则模型较好,否和需要增加建立模型的数据量,再进一步验证,直至等级差异均小于0.5级,则该模型的建立和验证工作完成。
所述步骤S3中对未知气体使用同样的收集和分析方法,同样的降维方式,获取最初的的数据,这里不需要气味人员参与评价工作。将降维后的数据直接代入到上述确立的复核模型,从而直接输出客观化的气味等级。
相对于现有技术,本发明创造所述的一种基于图谱匹配的气味评价方法具有以下有益效果:
有别于其他行业简单组分气味客观化评价方法,该方法针对复杂组分气体进行评价,该方法通过两布数学筛选和分析,可以很好的实现对负责组分气体进行客观化的气味评价,降低了气味评价过程中的主观因素,便于对样品进行管控,使用该方法测试样品可以很好的避免人员参与气味评价,保护人员健康。
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解,本发明创造的示意性实施例及其说明用于解释本发明创造,并不构成对本发明创造的不当限定。在附图中:
图1为本发明创造的气味评价方法路线图;
图2为本发明创造的气味谱图重叠分类示意图;
图3为本发明创造的二维聚类分析图;
图4为本发明创造的三维聚类分析图;
图5实施例中使用K-Means方法的聚类分析视图;
图6实施例中的未知样品分析视图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明创造中的实施例及实施例中的特征可以相互组合。
在本发明创造的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明创造和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明创造的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明创造的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明创造中的具体含义。
下面将参考附图并结合实施例来详细说明本发明创造。
样品准备:这里样品包含整车、零部件、材料等汽车内饰散发的挥发的混合气体。整车是将车辆放置在背景干净的环境中密闭16h以上,使用气袋收集车内气体;零部件及材料可以使用箱式法和袋子法进行密闭,按照试验规程加热相应时间,获取挥发的混合气体。
气体分析:使用GC-MS和GC-FID等需要富集的设备时需要使用TENAX管进行富集,然后使用TD-GC-MS等设备进行分析,获取该混合气体的总离子流图;使用便携式GC-MS、GC-FID或者GC-IMS等直接进样设备时,将气袋直接通过导管连接至设备进样口,通过分析获取相应的谱图。
气味等级评定:经过严格培训,并取得专业证书的评价员5名以上奇数人员,评价人员最少需要2年从业经验,可以对气味等级进行更加丰富细致的划分,对样品气体进行评价,获取气味等级,最大值和最小值超过1级则重新进行评价,对所有人的数据取平均值作为最后的气味等级。
模型建立:每个图谱和等级构成一组数据,这样的数据需要50组以上,将图谱转换为时间点的电信号强度的对应数据点。对每组数据点进行降维处理,获取关键峰型的关键点。将降维后的所有数据组进行处理,主要使用PCA,K-Means等方式进行聚类分析,将数据按照聚集程度划分为几大类,一般按照气味等级2.5、3、3.5、4、4.5这几个级别(气味等级描述见表1所示)大体可以分为5类。
在每个类别中在进一步建立数学模型,获取更加明确的数学模型,获取更具备针对性和预测精度高的模型,这里主要使用偏最小二乘回归(PLSR)、支持向量机回归(SMVR)和误差反向传播人工神经网络(BP-ANN)回归。
测试验证:再采集30组数据,按照上述的数据处理过程进行处理,将仪器分析的降维数据代入已经建立好的模型,通过模型给出预测的气味等级,如3.0/3.2/3.6之类数据,分析这个结果与人员实测结果间的差异,若气味等级差异均小于0.5级则模型较好,否和需要增加建立模型的数据量,再进一步验证,直至等级差异均小于0.5级,则该模型的建立和验证工作完成。
未知样品分析:对未知气体使用同样的收集和分析方法,同样的降维方式,获取最初的的数据,这里不需要气味人员参与评价工作。将降维后的数据直接代入到上述确立的复核模型,从而直接输出客观化的气味等级。
收集40个样品,对40个样品进行数据分析,数据收集主要包含分析设备测试数据和嗅辨员主观评价结果两块,以每个样品8个数据点为例,收集数据如表2所示,其中特征1-8为仪器收集到的特征信号,气味等级为嗅辨员的主观评价。
表2样品特征信号及气味强度表
将收集到的数据进行处理分析,使用K-Means方法对数据进行处理,得到3个类别,如图4所示,
对于其中一个大类的样本,筛选出来进行新模型了建立,这里用到的数据如下表:
序号 | 样品 | 特征1 | 特征2 | 特征3 | 特征4 | 特征5 | 特征6 | 特征7 | 特征8 | 气味等级 |
1 | S-2 | 0.701 | 0.007 | 0.039 | 0.018 | 0.01 | 0.002 | 0.014 | 0.036 | 3.5 |
2 | S-3 | 0.461 | 0.016 | 0.073 | 0.018 | 0.011 | 0.001 | 0.022 | 0.023 | 3.5 |
3 | S-4 | 0.53 | 0.004 | 0.026 | 0.024 | 0.01 | 0.001 | 0.016 | 0.034 | 3.5 |
4 | S-5 | 0.377 | 0.004 | 0.029 | 0.024 | 0.021 | 0.004 | 0.014 | 0.023 | 3.5 |
5 | S-6 | 0.853 | 0.004 | 0.028 | 0.097 | 0.05 | 0.004 | 0.023 | 0.041 | 3.5 |
6 | S-7 | 0.83 | 0.005 | 0.029 | 0.015 | 0.01 | 0.002 | 0.025 | 0.038 | 3.5 |
7 | S-9 | 1.365 | 0.004 | 0.041 | 0.032 | 0.007 | 0.004 | 0.029 | 0.063 | 3.5 |
8 | S-10 | 1.427 | 0.005 | 0.115 | 0.062 | 0.011 | 0.005 | 0.037 | 0.078 | 3.5 |
9 | S-11 | 0.293 | 0.002 | 0.013 | 0.016 | 0.004 | 0.003 | 0.033 | 0.043 | 3.5 |
10 | S-12 | 4.465 | 0.003 | 0.021 | 0.025 | 0.014 | 0.005 | 0.017 | 0.072 | 3.5 |
11 | S-13 | 0.826 | 0.004 | 0.026 | 0.024 | 0.008 | 0.003 | 0.04 | 0.038 | 3.5 |
12 | S-14 | 0.453 | 0.003 | 0.017 | 0.075 | 0.066 | 0.004 | 0.018 | 0.016 | 3.5 |
13 | S-15 | 0.639 | 0.003 | 0.029 | 0.123 | 0.105 | 0.005 | 0.02 | 0.029 | 3.5 |
14 | S-16 | 1.071 | 0.004 | 0.021 | 0.408 | 0.231 | 0.004 | 0.019 | 0.032 | 3.5 |
15 | S-17 | 0.573 | 0.002 | 0.015 | 0.02 | 0.014 | 0.003 | 0.044 | 0.026 | 3.5 |
16 | S-18 | 0.426 | 0.002 | 0.015 | 0.047 | 0.033 | 0.003 | 0.014 | 0.031 | 3.5 |
17 | S-19 | 1.619 | 0.021 | 0.506 | 0.209 | 0.062 | 0.003 | 0.021 | 0.025 | 3.5 |
18 | S-20 | 0.456 | 0.003 | 0.011 | 0.008 | 0.003 | 0.003 | 0.021 | 0.026 | 3.5 |
19 | S-21 | 1.036 | 0.002 | 0.009 | 0.012 | 0.005 | 0.003 | 0.014 | 0.047 | 3.5 |
20 | S-22 | 0.566 | 0.005 | 0.012 | 0.007 | 0.003 | 0.002 | 0.035 | 0.026 | 3.5 |
21 | S-23 | 1.161 | 0.004 | 0.019 | 0.011 | 0.006 | 0.003 | 0.026 | 0.034 | 3.5 |
22 | S-24 | 3.186 | 0.004 | 0.062 | 0.068 | 0.015 | 0.012 | 0.017 | 0.115 | 3.5 |
23 | S-26 | 1.808 | 0.017 | 0.185 | 0.214 | 0.059 | 0.009 | 0.032 | 0.06 | 3.5 |
24 | S-27 | 3.83 | 0.004 | 0.072 | 0.313 | 0.059 | 0.011 | 0.027 | 0.069 | 3.5 |
25 | S-29 | 7.251 | 0.017 | 0.325 | 0.274 | 0.055 | 0.018 | 0.026 | 0.148 | 3.5 |
使用偏最小二乘法进行该类别的模型建立,通过分析每个因素对最终气味的贡献程度和截距,贡献度代表的了该因素对最终结果的贡献率,为该因素的系数。将系数和截距拟合成偏最小二乘法方程,如气味V=2.9081+0.0429X1+0.1064X2-0.0136X3+0.0657X4+0.0260X5-0.0296X6+0.0597X7。
到此分两步完成了模型的建立。然后对一气味未知样品进行测试,获取其8种特征信号,使用相同的聚类算法,评价该特征信号处于哪一类别,从而根据该类别的气味值给出相应的气味结果。图5中未知样品的点落在了绿色的聚集区域,该区域包含的均为3.5级样品的数据点。对该类别数据建立的的偏最小二乘方程为V=2.9081+0.0429X1+0.1064X2-0.0136X3+0.0657X4+0.0260X5-0.0296X6+0.0597X7。将测试数据组代入该方程,得到结果为3.612,最终判定该样品主观评价的气味等级为3.6级。
本发明并不限于上文讨论的实施方式,例如物质特征值可以是任意数目,不局限于8种特征信号,实际上随着特征点数的数目增加,预测的的误差和算法的精度都会提高。一个样品的数据点可以包含成百上千的数据点,如车内气体再GC-MS上可以呈现出100多个峰型,每个峰代表一个特征点,如下表所示。
以上所述仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明创造的保护范围之内。
Claims (8)
1.一种基于图谱匹配的气味评价方法,其特征在于:包括如下步骤:
S1:图谱及等级收集,对大量的样品气体进行测试及气味等级评定,进行图谱收集,建立图谱数据库;
S2:图谱筛选和分析,将收集到的图谱进行筛选和分析,建立模型;
S3:图谱匹配,未知气体采用相同的设备进行分析,获取相同类型的数据,使用步骤S2中的模型,输出数据。
2.根据权利要求1所述的一种基于图谱匹配的气味评价方法,其特征在于:所述步骤S1中样品气体包含整车、零部件、材料等汽车内饰散发的挥发的混合气体,整车是将车辆放置在背景干净的环境中密闭16h以上,使用气袋收集车内气体;零部件及材料可以使用箱式法和袋子法进行密闭,按照试验规程加热相应时间,获取挥发的混合气体。
3.根据权利要求1所述的一种基于图谱匹配的气味评价方法,其特征在于:所述步骤S1中的图谱使用需要富集的设备时使用TENAX管进行富集,获取该混合气体的总离子流图,使用便携式直接进样设备时,将气袋直接通过导管连接至设备进样口,通过分析获取相应的谱图。
4.根据权利要求1所述的一种基于图谱匹配的气味评价方法,其特征在于:所述气体等级评定的人员经过严格培训,并取得专业证书的评价员5名以上奇数人员,评价人员最少需要2年从业经验,对气味等级进行更加丰富细致的划分,对样品气体进行评价,获取气味等级,最大值和最小值超过1级则重新进行评价,对所有人的数据取平均值作为最后的气味等级。
5.根据权利要求1所述的一种基于图谱匹配的气味评价方法,其特征在于:所述步骤S2中的建立模型,每个图谱和等级构成一组数据,数据需要50组以上,将图谱转换为时间点的电信号强度的对应数据点,对每组数据点进行降维处理,获取关键峰型的关键点,将降维后的所有数据组进行处理,主要使用PCA,K-Means方式进行聚类分析,将数据按照聚集程度划分为五类,气味等级分为2.5、3、3.5、4、4.5级别。
6.根据权利要求5所述的一种基于图谱匹配的气味评价方法,其特征在于:所述步骤S2建立模型中的每个类别中再进一步建立数学模型,获取数学模型,使用偏最小二乘回归(PLSR)、支持向量机回归(SMVR)和误差反向传播人工神经网络(BP-ANN)回归。
7.根据权利要求6所述的一种基于图谱匹配的气味评价方法,其特征在于:所述步骤S2中建立数学模型后进行测试验证,采用再采集至少30组数据,按照上述的数据处理过程进行处理,将仪器分析的降维数据代入已经建立好的模型,通过模型给出预测的气味等级,分析这个结果与人员实测结果间的差异,若气味等级差异均小于0.5级则模型建立,若不成立则需要增加建立模型的数据量,再进一步验证,直至等级差异均小于0.5级,则该模型的建立和验证工作完成。
8.根据权利要求1所述的一种基于图谱匹配的气味评价方法,其特征在于:所述步骤S3中对未知气体使用步骤1中的收集步骤,步骤S2中的分析方法,采用的降维方式,获取数据,将降维后的数据直接代入到上述确立的复核模型,从而直接输出客观化的气味等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968508.0A CN114264770A (zh) | 2021-08-23 | 2021-08-23 | 一种基于图谱匹配的气味评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968508.0A CN114264770A (zh) | 2021-08-23 | 2021-08-23 | 一种基于图谱匹配的气味评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114264770A true CN114264770A (zh) | 2022-04-01 |
Family
ID=80824541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110968508.0A Pending CN114264770A (zh) | 2021-08-23 | 2021-08-23 | 一种基于图谱匹配的气味评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114264770A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160216244A1 (en) * | 2013-09-12 | 2016-07-28 | Yeda Research And Development Co. Ltd. | Method and electronic nose for comparing odors |
CN108889149A (zh) * | 2018-07-04 | 2018-11-27 | 中国汽车技术研究中心有限公司 | 一种用于气味评价人员培训的标准气体配置方法 |
CN109521127A (zh) * | 2018-12-25 | 2019-03-26 | 广州广电计量检测股份有限公司 | 一种对单一气味物质进行气味评价的定性定量分析方法 |
CN111007176A (zh) * | 2019-12-26 | 2020-04-14 | 冲之智能科技(天津)有限公司 | 基于气相色谱与离子迁移谱的车内气味等级评价方法 |
CN111954812A (zh) * | 2017-12-08 | 2020-11-17 | 耶达研究及发展有限公司 | 基于电子鼻的气味剂分析的利用 |
CN112285296A (zh) * | 2020-11-11 | 2021-01-29 | 重庆长安汽车股份有限公司 | 一种基于电子鼻的汽车内饰零部件气味评价方法 |
CN112816631A (zh) * | 2021-02-05 | 2021-05-18 | 中汽研汽车检验中心(天津)有限公司 | 一种智能嗅辨评价方法 |
-
2021
- 2021-08-23 CN CN202110968508.0A patent/CN114264770A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160216244A1 (en) * | 2013-09-12 | 2016-07-28 | Yeda Research And Development Co. Ltd. | Method and electronic nose for comparing odors |
CN111954812A (zh) * | 2017-12-08 | 2020-11-17 | 耶达研究及发展有限公司 | 基于电子鼻的气味剂分析的利用 |
CN108889149A (zh) * | 2018-07-04 | 2018-11-27 | 中国汽车技术研究中心有限公司 | 一种用于气味评价人员培训的标准气体配置方法 |
CN109521127A (zh) * | 2018-12-25 | 2019-03-26 | 广州广电计量检测股份有限公司 | 一种对单一气味物质进行气味评价的定性定量分析方法 |
CN111007176A (zh) * | 2019-12-26 | 2020-04-14 | 冲之智能科技(天津)有限公司 | 基于气相色谱与离子迁移谱的车内气味等级评价方法 |
CN112285296A (zh) * | 2020-11-11 | 2021-01-29 | 重庆长安汽车股份有限公司 | 一种基于电子鼻的汽车内饰零部件气味评价方法 |
CN112816631A (zh) * | 2021-02-05 | 2021-05-18 | 中汽研汽车检验中心(天津)有限公司 | 一种智能嗅辨评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1690713B (zh) | 对样本进行分析以提供表征数据的方法、系统 | |
CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
CN109163997B (zh) | 一种基于声谱图深度学习的岩石表面强度测定方法 | |
CN110687072B (zh) | 一种基于光谱相似度的校正集和验证集的选择及建模方法 | |
CN107767079A (zh) | 一种烟叶风格特征的客观综合评价方法 | |
CN104089911A (zh) | 基于一元线性回归的光谱模型传递方法 | |
CN105092789B (zh) | 一种片烟醇化过程中烟叶风格特征变化趋势分析方法 | |
CN102023137A (zh) | 一种白酒鉴别方法 | |
CN103940767B (zh) | 基于多流形学习的气体浓度反演方法 | |
CN111965140B (zh) | 基于特征峰的波长点重组方法 | |
CN111504942A (zh) | 一种提高牛奶中蛋白质预测精度的近红外光谱分析方法 | |
CN106022650A (zh) | 一种卷烟综合质量的分析方法 | |
CN104020135A (zh) | 基于近红外光谱的校正模型建模方法 | |
CN102288718A (zh) | 一种应用hs-gc-ms总离子流色谱图技术鉴别真假卷烟的方法 | |
CN115453064B (zh) | 一种细颗粒物空气污染成因分析方法及系统 | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
CN111642782A (zh) | 一种基于卷烟配方需求的烟叶原料功效定位方法 | |
CN110132879A (zh) | 一种基于近红外光谱的烤烟香韵鉴别方法 | |
CN107909264A (zh) | 一种烟叶风格特征年度间稳定性的客观综合评价方法 | |
CN113588819A (zh) | 一种汽车内饰零部件气味定量评价方法 | |
US20230222312A1 (en) | Method for evaluating of bioavailability of organic nitrogen in sewage | |
CN109238740B (zh) | 一种基于整车质量和体积的汽车滑行阻力综合评价方法 | |
CN114264770A (zh) | 一种基于图谱匹配的气味评价方法 | |
CN106770607A (zh) | 一种利用hs‐imr‐ms鉴别卷烟真伪的方法 | |
CN111680910A (zh) | 一种基于卷烟配方功效的烟叶适用范围定位方法 |
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 |