CN114527198A - 聚合物产品气味检测方法、设备和电子鼻系统 - Google Patents

聚合物产品气味检测方法、设备和电子鼻系统 Download PDF

Info

Publication number
CN114527198A
CN114527198A CN202011190832.6A CN202011190832A CN114527198A CN 114527198 A CN114527198 A CN 114527198A CN 202011190832 A CN202011190832 A CN 202011190832A CN 114527198 A CN114527198 A CN 114527198A
Authority
CN
China
Prior art keywords
odor
gas
detected
polymer product
current
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
Application number
CN202011190832.6A
Other languages
English (en)
Inventor
郭若海
刘玉春
杨化浩
者东梅
罗莎
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.)
Sinopec Beijing Research Institute of Chemical Industry
China Petroleum and Chemical Corp
Original Assignee
Sinopec Beijing Research Institute of Chemical Industry
China Petroleum and Chemical Corp
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 Sinopec Beijing Research Institute of Chemical Industry, China Petroleum and Chemical Corp filed Critical Sinopec Beijing Research Institute of Chemical Industry
Priority to CN202011190832.6A priority Critical patent/CN114527198A/zh
Publication of CN114527198A publication Critical patent/CN114527198A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

本发明公开了一种聚合物产品气味检测方法、设备和电子鼻系统，方法包括：采集待测聚合物产品散发的待测气体；对所述待测气体进行气相色谱分析，得到所述待测气体的气相色谱图；基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据；将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息，实现了使用色谱方法对聚合物产品散发的气味物质进行分离，得到更为丰富、准确且可靠气味数据，能将聚合物产品散发的具有不同分子量的长链烷烃、醇、醛、酮等物质对气味的贡献有效区分开。采用本发明的技术方案，能够精准可靠的提高聚合物气味的区分度。

Description

聚合物产品气味检测方法、设备和电子鼻系统
技术领域
本发明属于电子鼻技术领域，具体涉及一种聚合物产品气味检测方法、设备和电子鼻系统。
背景技术
聚合物通常具有优异的综合性能，且价格低廉，广泛应用于日常生活的各类产品中。随着生活水平的提高和环保意识的增强，消费者对聚合物制品产生的气味越来越关注，容忍度也越来越低。在诸如包装、收纳、汽车和建材等应用领域，聚合物原料和制品的气味已经是各方都关注的重要指标之一，可以说气味的大小在很大程度上决定了产品的品质和感受，直接影响产品在市场上的竞争力。因此开发和改进针对聚合物快速准确的气味识别和评价方法，从源头上对产品气味进行控制显得十分有必要。
聚合物气味的可能来源包括残留的催化剂和未反应物、用于改善性能的各类助剂以及相关的老化降解产物等，成分复杂。使用传统的仪器分析方法对如此复杂的气味物质进行准确地定性和定量分析十分困难，同时也难以将气味物质与气味大小关联，无法直接比较材料的气味。目前对于聚合物的气味评价方法仍然以人工嗅辩感官分析方法为主，即由经过训练的嗅辩员根据闻到的气味对材料进行评级和描述。感官分析方法原理上简单直观，但是其结果具有很强的主观性和随机性，重复性较差，且测试效率低下。
电子鼻是一种新型的气味分析技术，其分析过程类似于生物感官系统，首先使用传感器提取混合挥发性气体的特征信息进行处理，然后使用模式识别算法建立分析模型，实现对气味信息的区分识别。电子鼻具有分析简单快速、成本低的优点，在食品、医药和环境等方面都开始有应用的案例。
但是现有电子鼻技术并非针对聚合物的气味特性而建立的，在评价聚合物时存在较多问题。首先，多数电子鼻使用金属氧化物半导体(Metal Oxide Semiconductor，MOS)等类型的多个气敏传感器来采集数据，对于气味类型相似的聚合物，往往只有一到几个传感器对结果的贡献大，传感器阵列的响应特征单一，对聚合物气味的区分度不高；其次，现有的气味识别算法，如主成分分析法(Principal Component Analysis，PCA)、线性判别分析法(Linear Discriminant Analysis，LDA)等，无法精细地区分相似的聚合物产品，只能分辨差异较大的气味样品，适用性较窄。
因此，如何精准可靠的提高聚合物气味的区分度，是本领域技术人员亟待解决的技术问题。
发明内容
本发明的主要目的是提供一种聚合物产品气味检测方法、设备和电子鼻系统，以精准可靠的提高聚合物气味的区分度。
针对上述问题，本发明提供了一种聚合物产品气味检测方法，包括：
采集待测聚合物产品散发的待测气体；
对所述待测气体进行气相色谱分析，得到所述待测气体的气相色谱图；
基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据；
将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息。
进一步地，上述所述的聚合物产品气味检测方法中，所述气味分析模型的训练过程包括如下步骤：
基于训练样品的气味数据对当前分析模型进行训练，得到当前优化分析模型；所述当前分析模型为预训练模型或上一次训练后得到的上一优化分析模型；其中，训练样品的气味数据包括训练样品的人工气味评价数据，以及，对训练样品散发的样本气体进行气相色谱分析，得到所述样本气体的气相色谱图，并基于所述样本气体的气相色谱图提取的气味数据；
利用测试样品的气味数据对所述当前优化分析模型进行测试，得到当前测试结果；其中，测试样品的气味数据包括测试样品的人工气味评价数据，以及，对测试样品散发的测试气体进行气相色谱分析，得到所述测试气体的气相色谱图，并基于所述测试气体的气相色谱图提取的气味数据；
若所述当前测试结果表示满足预设的达标条件，根据所述当前优化模型确定所述气味分析模型；
若所述当前测试结果表示不满足预设的达标条件，进行下一次训练，直到下一次测试结果表示满足预设达标条件。
进一步地，上述所述的聚合物产品气味检测方法中，所述气味分析模型包括气味属性模型和气味等级模型；对应地，当前分析模型包括当前属性模型和当前等级模型；
基于训练样品的气味数据对当前分析模型进行训练，得到当前优化分析模型，包括：
基于支持向量机或者神经网络算法，对所述当前属性模型进行训练，得到当前优化属性模型；
基于支持向量回归算法或者偏最小二乘回归算法，对当前等级模型进行训练，得到当前优化等级模型；
将所述当前优化属性模型和所述当前优化等级模型组合，得到当前优化分析模型。
进一步地，上述所述的聚合物产品气味检测方法中，所述测试样品为对原始样品划分为K组后，遍历地选取K组原始样品中一组原始样品得到的；所述训练样品为遍历地选取K组原始样品中K-1组原始样品得到的；
对应地，所述当前优化模型为K个，所述根据所述当前优化模型确定所述气味分析模型，包括：
基于K个当前优化模型，选择或优化模型的超参数，构建所述气味分析模型，并评估所述气味分析模型的准确性。
进一步地，上述所述的聚合物产品气味检测方法中，所述人工气味评价数据为嗅辨员按照规定方法对训练样品和测试样品进行评价得到的气味感知属性描述和强度等级。
进一步地，上述所述的聚合物产品气味检测方法中，基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据，包括：
基于所述待测气体的气相色谱图，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据；
其中，所述整体响应信息用于描述所述待测聚合物产品包含的所有散发气体物质信息；所述谱峰信息用于描述所述待测聚合物产品的各散发气体物质的浓度信息。
进一步地，上述所述的聚合物产品气味检测方法中，基于所述待测气体的气相色谱图，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据，包括：
基于聚类算法，对待测聚合物产品的谱峰进行聚类，得到不同待测聚合物产品代表同一气味物质的色谱峰；基于每个气味物质的色谱峰，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据。
进一步地，上述所述的聚合物产品气味检测方法中，所述待测聚合物产品的检测信息包括所述待测聚合物产品的气味属性和/或气味评价等级；所述气味属性包括气味类别、气味标签和气味描述信息中的至少一种。
本发明还提供一种聚合物产品气味检测设备，包括存储器和处理器；
所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述聚合物产品的检测方法的步骤。
本发明还提供一种电子鼻系统，包括：
采样装置，用于采集待测聚合物产品散发的待测气体；
色谱分离装置，用于对所述待测气体进行气相色谱分析，得到所述待测气体的气相色谱图；
检测装置，用于基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据；
气味分析装置，用于将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
本发明的聚合物产品气味检测方法、设备和电子鼻系统，通过对采集的待测聚合物产品散发的待测气体进行气相色谱分析，得到所述待测气体的气相色谱图后，基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据，并将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息，实现了使用色谱方法对聚合物产品散发的气味物质进行分离，得到更为丰富、准确且可靠气味数据，能将聚合物产品散发的具有不同分子量的长链烷烃、醇、醛、酮等物质对气味的贡献有效区分开。采用本发明的技术方案，能够精准可靠的提高聚合物气味的区分度。
本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的聚合物产品的检测方法实施例流程图；
图2为气味分析模型的训练过程的流程图；
图3为一个样品的测试色谱图和聚类方法选取的特征色谱峰示意图；
图4为气味分析模型评级结果与人工气味等级对比图；
图5为本发明的电子鼻系统实施例的结构示意图；
图6为本发明的一种聚合物产品气味检测设备实施例的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
实施例一
为解决现有技术中存在的上述技术问题，本发明实施例提供了一种聚合物产品的检测方法。
图1为本发明的聚合物产品的检测方法实施例流程图，如图1所示，本实施例的聚合物产品的检测方法具体可以包括如下步骤：
100、采集待测聚合物产品散发的待测气体；
本实施例中，可以对待测聚合物产品进行预处理，使待测聚合物产品散发气体，这里可以称为待测气体。本实施例中，优选为3～5个平行的待测聚合物产品。
具体地，可以将一定重量的待测聚合物产品置于洁净无味的玻璃瓶或气袋中，在60℃～120℃的环境中加热震荡，处理30min～120min。在高温下对待测聚合物产品进行处理是为了加快气味物质扩散出表面的速度，具体选用的温度和时间与的种类和用途有关。
在待测聚合物产品散发待测气体后，可以采用顶空瓶/真空瓶/气袋热脱附方式采样，得到待测聚合物产品散发的待测气体。
101、对所述待测气体进行气相色谱分析，得到所述待测气体的气相色谱图；
本实施例中，在采集待测聚合物产品散发的待测气体后，可以利用物质的沸点、极性及吸附性质的差异并通过色谱柱实现混合物的分离，从而得到所述待测气体的气相色谱图。
需要说明的是，如果待测聚合物产品含有醛酮类的气味物质，可以增加使用固相吸附/气袋进样经高效液相色谱法进行分析。
102、基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据；
具体地，可以基于所述待测气体的气相色谱图，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据。其中，所述整体响应信息用于描述所述待测聚合物产品包含的所有散发气体物质信息；所述谱峰信息用于描述所述待测聚合物产品的各散发气体物质的浓度信息。
在一个具体实现过程中，待测气体的气相色谱图中的各谱峰的保留时间对应于不同的散发气体物质。各气相色谱的响应信息描述所述待测聚合物产品包含的散发气体物质，其与该物质的浓度成正比，可以将数据整理为si：
si∈Rp,i＝1,...,n
其中，si为气相色谱的响应信息，n是待测聚合物产品的数目，p是气相色谱图曲线的数据点个数。
该数据包含了样品散发物质的完整信息，可以作为待测聚合物产品的气味数据。为了降低气味分析模型的运算量，整合采集的数据，并减小谱图中背景噪声的干扰，进一步对数据进行处理，计算出各色谱峰的谱峰信息，其中，该谱峰信息包括保留时间，以及峰高或峰面积。可以得到：
ti∈Rq,i＝1,...n
其中，ti为各色谱峰的峰高或峰面积，n是待测聚合物产品的数目，q是谱图中不同色谱峰的个数。
由于每次进样过程中同一气体物质的保留时间会在一定范围内变化，因此，本实施例中，使用聚类方法，比如层次聚类方法，自动对待测聚合物产品的谱峰进行聚类，得到不同待测聚合物产品代表同一气味物质的色谱峰，并基于每个气味物质的色谱峰，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据，从而无需进行繁琐又困难的物质定性和定量工作，可以简化分析流程，提高效率。
当对待测聚合物产品进行气味感知强度评级时，各气相色谱的响应信息、谱峰信息与气味物质的浓度呈线性关系，而气味感知强度与气味物质的浓度呈幂律关系，因此，对ti进行处理得到气味数据xi：xi＝log(ti),i＝1,...,n。
103、将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息。
在一个具体实现过程中，气味分析模型的训练过程可以参照图2所示的流程图，其中，图2为气味分析模型的训练过程的流程图，如图2所示，气味分析模型的训练过程具体可以包括如下步骤：
200、基于训练样品的气味数据对当前分析模型进行训练，得到当前优化分析模型；
本实施例中，训练样品的气味数据为对训练样品散发的气体(此处可以称为样本气体)进行气相色谱分析，得到所述样本气体的气相色谱图，并基于所述样本气体的气相色谱图提取的气味数据。
具体地，可以收集代表性的聚合物产品作为样品，该样品数应足够多，并且能够代表要测未知聚合物产品可能的种类、性质的变化范围。并对样品进行预处理：将一定重量的聚合物产品置于洁净无味的玻璃瓶或气袋中，在60℃～120℃的环境中加热震荡，处理30min～120min。在高温下对样品进行处理是为了加快气味物质扩散出表面的速度，具体选用的温度和时间与的种类和用途有关。在训练气味分析模型时，每个训练样品应包括5～10个平行样品，以判断样品数据的变化范围及测试的重复性，保证采集的数据真正反映样品的特性。对预处理后的训练样品散发的样本气体进行气相色谱分析，得到所述样本气体的气相色谱图，并基于所述样本气体的气相色谱图提取训练样品的气味数据。
本实施例中，基于所述样本气体的气相色谱图提取训练样品的气味数据的实现过程与提取所述待测聚合物产品的气味数据的过程相同，详细请参考上述相关记载，在此不再赘述。
在实际应用中，可以将训练样品分为两组，第一组进行人工气味等级主观评价，第二组按照如上方式提取训练样品的气味数据，并将两组训练样品一一对应，以对训练样品进行标注。
本实施例中，优选为由5～10名嗅辨员对预处理后的训练样品散发气体进行评价，得到训练样品的气味强度和气味描述。嗅辨员不能连续长时间测试，应保证足够的恢复和休息时间；训练样品应重复测试直至得到的气味强度和气味描述满足误差要求；每轮测试应隐藏训练样品的标签并打乱次序进行盲测。得到的气味等级主观评价标准可以如表1所示：
表1
Figure BDA0002752691960000081
在提取训练样品的气味数据后，输入当前分析模型进行训练，得到当前优化分析模型。其中，若是第一次提取训练样品的气味数据，当前分析模型为预设训练模型，即初始模型，若不是第一次提取训练样品的气味数据，当前分析模型为上一次训练后得到的上一优化分析模型。
需要说明的是，本实施例中，所述气味分析模型包括气味属性模型和气味等级模型；对应地，当前分析模型包括当前属性模型和当前等级模型。本实施例中，可以基于支持向量机或者神经网络算法，对所述当前属性模型进行训练，得到当前优化属性模型；基于支持向量回归算法或者偏最小二乘回归算法，对当前等级模型进行训练，得到当前优化等级模型；将所述当前优化属性模型和所述当前优化等级模型组合，得到当前优化分析模型。。
本实施例中，采用支持向量机、者神经网络算法、支持向量回归算法或者偏最小二乘回归算法等非线性的机器学习模型，更符合聚合物产品气味的特性，可更好地描述样品间的气味差异，识别准确率高，能客观统一地评价聚合物产品的气味。
201、利用测试样品的气味数据对所述当前优化分析模型进行测试，得到当前测试结果；
本实施例中，测试样品的气味数据为对测试样品散发的气体(此处可以称为测试气体)进行气相色谱分析，得到所述样本气体的气相色谱图，并基于所述测试气体的气相色谱图提取的气味数据。
具体地，可以收集代表性的聚合物产品作为样品，该样品数应足够多，并且能够代表要测未知聚合物产品可能的种类、性质的变化范围。并对样品进行预处理：将一定重量的聚合物产品置于洁净无味的玻璃瓶或气袋中，在60℃～120℃的环境中加热震荡，处理30min～120min。在高温下对样品进行处理是为了加快气味物质扩散出表面的速度，具体选用的温度和时间与的种类和用途有关。在测试气味分析模型时，每个测试样品应包括5～10个平行样品，以判断样品数据的变化范围及测试的重复性，保证采集的数据真正反映样品的特性。对预处理后的测试样品散发的样本气体进行气相色谱分析，得到所述样本气体的气相色谱图，并基于所述样本气体的气相色谱图提取测试样品的气味数据。
本实施例中，基于所述样本气体的气相色谱图提取测试样品的气味数据的实现过程与提取所述待测聚合物产品的气味数据的过程相同，详细请参考上述相关记载，在此不再赘述。
在实际应用中，可以将测试样品分为两组，第一组进行人工气味等级主观评价，第二组按照如上方式提取测试样品的气味数据，并将两组测试样品一一对应，以对测试样品进行标注。
在提取测试样品的气味数据后，将测试样品的气味数据输入当前优化分析模型进行测试，得到当前测试结果。
202、判断所述当前测试结果是否满足预设的达标条件，若是，执行步骤203，若否，返回步骤200；
本实施例中，可以判断所述当前测试结果是否满足预设的达标条件，例如，可以得到的当前测试结果可以为与测试样品的标注信息的相关性和/或偏差值等，若与测试样品的标注信息的相关性的数值大于或者等于第一阈值，可以认为当前测试结果表示满足预设的达标条件，若与测试样品的标注信息的相关性的数值小于第一阈值，可以认为当前测试结果表示不满足预设的达标条件。或者，与测试样品的标注信息的偏差值大于或者等于第二阈值，可以认为当前测试结果表示满足预设的达标条件，若与测试样品的标注信息的相关性的数值小于第二阈值，可以认为当前测试结果表示不满足预设的达标条件。若所述当前测试结果表示满足预设的达标条件，可以执行步骤203，若所述当前测试结果表示不满足预设的达标条件，返回步骤200，进行下一次训练，直到下一次测试结果表示满足预设达标条件，停止训练。
203、根据所述当前优化模型确定所述气味分析模型。
若所述当前测试结果表示满足预设的达标条件，根据所述当前优化模型确定所述气味分析模型。
在实际应用中，在训练气味分析模型时，往往需要较大的数据量，本实施例中，在数据量较少的情况下，可以采用交叉验证训练的方法训练气味分析模型。因此，本实施例中的，所述测试样品为对原始样品划分为K组后，遍历地选取K组原始样品中一组原始样品得到的；所述训练样品为遍历地选取K组原始样品中K-1组原始样品得到的。例如，K可以为4，这样前3组原始样品作为训练样品，将第4组原始样品作为测试样品，并采用相同的方法，遍历所有原始样品，从而增加了训练样品的数量，并经过多次训练和测试，使得到的气味分析模型更加精准、可靠。
经过上述交叉验证训练后，可以得到验证训练当前优化模型，这样，在根据所述当前优化模型确定所述气味分析模型时，可以基于K个当前优化模型，选择或优化模型的超参数，构建所述气味分析模型，并评估所述气味分析模型的准确性。
例如，所述待测聚合物产品的检测信息包括所述待测聚合物产品的气味属性和/或气味评价等级；所述气味属性包括气味类别、气味标签和气味描述信息中的至少一种。
本实施例的聚合物产品的检测方法，通过对采集的待测聚合物产品散发的待测气体进行气相色谱分析，得到所述待测气体的气相色谱图后，基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据，并将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息，实现了使用色谱方法对聚合物产品散发的气味物质进行分离，得到更为丰富、准确且可靠气味数据，能将聚合物产品散发的具有不同分子量的长链烷烃、醇、醛、酮等物质对气味的贡献有效区分开。采用本发明的技术方案，能够精准可靠的提高聚合物气味的区分度。
需要说明的是，本发明实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成的方法。
实施例二
下面以具体示例对本发明的技术方案进行描述：
选取具有代表性的17种抗冲共聚类聚丙烯产品。按以下步骤建立气味分析模型：
(1)获取电子鼻气味特征数据：每个训练样品包括5个平行样。取1g粒料置于20mL的顶空瓶中，在80℃下加热震荡60min，用自动进样器抽取顶空气体，采用热脱附/毛细管气相色谱/氢火焰离子化检测器分析，标记各色谱峰的保留时间，并记录峰高。
使用层次聚类最短距离算法，设定保留时间差阈值为0.1s，将所有样品色谱峰进行分组，使得不同样品上代表同一气味物质的色谱峰作为一个气味特征维度，如图3所示，得到ti∈Rq,i＝1,...n。其中，图3为一个样品的测试色谱图和聚类方法选取的特征色谱峰示意图。
(2)参考气味测试标准PV3900方法，由5名嗅辨员对预处理后的样品气味等级进行评价，主观评价标准如表1所示，可给出半分值，以气味等级的平均值作为结果，重复测试至气味等级平均值偏差不大于0.1级。
(3)以ti,i＝1,...,n作为训练向量数据，聚合物产品牌号作为标签，分别建立线性判别分析模型和支持向量机模型，其中支持向量机使用RBF核函数exp(-γ||x-x′||2)，γ的取值为1/(n·var)，其中var是训练数据的方差。该核函数能够将原始特征映射到高维空间，可使一些在低维线性不可分的特征投影到线性可分的空间，提高识别的准确性。采用交叉验证算法，随机选取部分样品作为验证数据，其余样品作为训练数据，两种分类模型的准确率如表2所示。线性判别分析模型无法准确分辨性质相近的几个样品，而支持向量机模型识别的准确性较高。
表2
Figure BDA0002752691960000121
(4)以log(ti),i＝1,...,n作为训练向量数据，人工气味等级作为目标值，建立支持向量回归模型，同样使用RBF核函数进行非线性映射。图4比较了电子鼻分析模型评级结果与人工气味等级的差异，二者相关系数0.9，最大偏差0.1级，该模型可以较好地评价该类别聚丙烯的气味性质。其中，图4为气味分析模型评级结果与人工气味等级对比图。
实施例三
为解决现有技术中存在的上述技术问题，本发明实施例提供了一种电子鼻系统。
图5为本发明的电子鼻系统实施例的结构示意图，如图5所示，本实施例的电子鼻系统可以包括采样装置50、色谱分离装置51、检测装置52和气味分析装置53。
采样装置50，用于采集待测聚合物产品散发的待测气体；
本实施例中，可以对待测聚合物产品进行预处理，使待测聚合物产品散发气体，这里可以称为待测气体。本实施例中，优选为3～5个平行的待测聚合物产品。
具体地，可以将一定重量的待测聚合物产品置于洁净无味的玻璃瓶或气袋中，在60℃～120℃的环境中加热震荡，处理30min～120min。在高温下对待测聚合物产品进行处理是为了加快气味物质扩散出表面的速度，具体选用的温度和时间与的种类和用途有关。
在待测聚合物产品散发待测气体后，可以采用顶空瓶/真空瓶/气袋热脱附方式采样，得到待测聚合物产品散发的待测气体。
色谱分离装置51，用于对所述待测气体进行气相色谱分析，得到所述待测气体的气相色谱图；
本实施例中，在采集待测聚合物产品散发的待测气体后，可以利用物质的沸点、极性及吸附性质的差异并通过色谱柱实现混合物的分离，从而得到所述待测气体的气相色谱图。
需要说明的是，如果待测聚合物产品含有醛酮类的气味物质，可以增加使用固相吸附/气袋进样经高效液相色谱法进行分析。
检测装置52，用于基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据；
具体地，可以基于所述待测气体的气相色谱图，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据；其中，所述整体响应信息用于描述所述待测聚合物产品包含的所有散发气体物质信息；所述谱峰信息用于描述所述待测聚合物产品的各散发气体物质的浓度信息。。
在一个具体实现过程中，待测气体的气相色谱图中的各谱峰的保留时间对应于不同的散发气体物质。各气相色谱的响应信息描述所述待测聚合物产品包含的散发气体物质，其与该物质的浓度成正比，可以将数据整理为si：
si∈Rp,i＝1,...,n
其中，si为气相色谱的响应信息，n是待测聚合物产品的数目，p是气相色谱图曲线的数据点个数。
该数据包含了样品散发物质的完整信息，可以作为待测聚合物产品的气味数据。为了降低气味分析模型的运算量，整合采集的数据，并减小谱图中背景噪声的干扰，进一步对数据进行处理，计算出各色谱峰的谱峰信息，其中，该谱峰信息包括保留时间，以及峰高或峰面积。可以得到：
ti∈Rq,i＝1,...n
其中，ti为各色谱峰的峰高或峰面积，n是待测聚合物产品的数目，q是谱图中不同色谱峰的个数。
由于每次进样过程中同一气体物质的保留时间会在一定范围内变化，因此，本实施例中，使用聚类方法，比如层次聚类方法，自动对待测聚合物产品的谱峰进行聚类，得到不同待测聚合物产品代表同一气味物质的色谱峰，并基于每个气味物质的色谱峰，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据，从而无需进行繁琐又困难的物质定性和定量工作，可以简化分析流程，提高效率。
当对待测聚合物产品进行气味感知强度评级时，各气相色谱的响应信息、谱峰信息与气味物质的浓度呈线性关系，而气味感知强度与气味物质的浓度呈幂律关系，因此，对ti进行处理得到气味数据xi：xi＝log(ti),i＝1,...,n。
气味分析装置53，用于将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息。
本实施例中，在得到待测聚合物产品的气味数据后，可以将待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，从而可以输出所述待测聚合物产品的检测信息。
例如，所述待测聚合物产品的检测信息包括所述待测聚合物产品的气味属性和/或气味评价等级；所述气味属性包括气味类别、气味标签和气味描述信息中的至少一种。
本实施例的聚合物产品的检测装置52，通过对采集的待测聚合物产品散发的待测气体进行气相色谱分析，得到所述待测气体的气相色谱图后，基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据，并将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息，实现了使用色谱方法对聚合物产品散发的气味物质进行分离，得到更为丰富、准确且可靠气味数据，能将聚合物产品散发的具有不同分子量的长链烷烃、醇、醛、酮等物质对气味的贡献有效区分开。采用本发明的技术方案，能够精准可靠的提高聚合物气味的区分度。
进一步地，上述实施例中，所述气味分析模型的训练过程如下：
基于训练样品的气味数据对当前分析模型进行训练，得到当前优化分析模型；利用测试样品的气味数据对所述当前优化分析模型进行测试，得到当前测试结果；若所述当前测试结果表示满足预设的达标条件，根据所述当前优化模型确定所述气味分析模型；若所述当前测试结果表示不满足预设的达标条件，进行下一次训练，直到下一次测试结果表示满足预设达标条件。
本实施例中，所述当前分析模型为预训练模型或上一次训练后得到的上一优化分析模型；其中，训练样品的气味数据包括训练样品的人工气味评价数据，以及，对训练样品散发的样本气体进行气相色谱分析，得到所述样本气体的气相色谱图，并基于所述样本气体的气相色谱图提取的气味数据；其中，测试样品的气味数据包括测试样品的人工气味评价数据，以及，对测试样品散发的测试气体进行气相色谱分析，得到所述测试气体的气相色谱图，并基于所述测试气体的气相色谱图提取的气味数据。
在实际应用中，在训练气味分析模型时，往往需要较大的数据量，本实施例中，在数据量较少的情况下，可以采用交叉验证训练的方法训练气味分析模型。因此，本实施例中的，所述测试样品为对原始样品划分为K组后，遍历地选取K组原始样品中一组原始样品得到的；所述训练样品为遍历地选取K组原始样品中K-1组原始样品得到的。例如，K可以为4，这样前3组原始样品作为训练样品，将第4组原始样品作为测试样品，并采用相同的方法，遍历所有原始样品，从而增加了训练样品的数量，并经过多次训练和测试，使得到的气味分析模型更加精准、可靠。
经过上述交叉验证训练后，可以得到验证训练当前优化模型，这样，在根据所述当前优化模型确定所述气味分析模型时，可以基于K个当前优化模型，选择或优化模型的超参数，构建所述气味分析模型，并评估所述气味分析模型的准确性。
需要说明的是，上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
实施例四
为解决现有技术中存在的上述技术问题，本发明实施例提供了一种聚合物产品气味检测设备。
图6为本发明的一种聚合物产品气味检测设备实施例的结构示意图，如图6所示，该设备可以包括：处理器1010、存储器1020。本领域技术人员可知的，该设备还可以包括输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
在一个具体实现过程中，本实施例提供的聚合物产品气味检测设中的存储器上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
采集待测聚合物产品散发的待测气体；
对所述待测气体进行气相色谱分析，得到所述待测气体的气相色谱图；
基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据；
将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息。
进一步地，计算机程序被处理器执行时还可以实现以下步骤：
基于训练样品的气味数据对当前分析模型进行训练，得到当前优化分析模型；所述当前分析模型为预训练模型或上一次训练后得到的上一优化分析模型；其中，训练样品的气味数据包括训练样品的人工气味评价数据，以及，对训练样品散发的样本气体进行气相色谱分析，得到所述样本气体的气相色谱图，并基于所述样本气体的气相色谱图提取的气味数据；
利用测试样品的气味数据对所述当前优化分析模型进行测试，得到当前测试结果；其中，测试样品的气味数据包括测试样品的人工气味评价数据，以及，对测试样品散发的测试气体进行气相色谱分析，得到所述测试气体的气相色谱图，并基于所述测试气体的气相色谱图提取的气味数据；
若所述当前测试结果表示满足预设的达标条件，根据所述当前优化模型确定所述气味分析模型；
若所述当前测试结果表示不满足预设的达标条件，进行下一次训练，直到下一次测试结果表示满足预设达标条件。
进一步地，所述气味分析模型包括气味属性模型和气味评价模型；对应地，当前分析模型包括当前属性模型和当前评价模型；计算机程序被处理器执行时还可以实现以下步骤：
基于支持向量机或者神经网络算法，对所述当前属性模型进行训练，得到当前优化属性模型；
基于支持向量回归算法或者偏最小二乘回归算法，对当前等级模型进行训练，得到当前优化等级模型；
将所述当前优化属性模型和所述当前优化等级模型组合，得到当前优化分析模型。
进一步地，所述测试样品为对原始样品划分为K组后，遍历地选取K组原始样品中一组原始样品得到的；所述训练样品为遍历地选取K组原始样品中K-1组原始样品得到的；
计算机程序被处理器执行时还可以实现以下步骤：
基于K个当前优化模型，选择或优化模型的超参数，构建所述气味分析模型，并评估所述气味分析模型的准确性。
进一步地，所述人工气味评价数据为嗅辨员按照规定方法对训练样品和测试样品进行评价得到的气味感知属性描述和强度等级。
进一步地，计算机程序被处理器执行时还可以实现以下步骤：
基于所述待测气体的气相色谱图，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据；
其中，所述整体响应信息用于描述所述待测聚合物产品包含的所有散发气体物质信息；所述谱峰信息用于描述所述待测聚合物产品的各散发气体物质的浓度信息。
进一步地，计算机程序被处理器执行时还可以实现以下步骤：
基于聚类算法，对待测聚合物产品的谱峰进行聚类，得到不同待测聚合物产品代表同一气味物质的色谱峰；基于每个气味物质的色谱峰，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据。
进一步地，上述实施例中，所述待测聚合物产品的检测信息包括所述待测聚合物产品的气味属性和/或气味评价等级；所述气味属性包括气味类别、气味标签和气味描述信息中的至少一种。
实施例五
为解决现有技术中存在的上述技术问题，本发明实施例提供了一种存储介质。
本实施例的存储介质，上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
采集待测聚合物产品散发的待测气体；
对所述待测气体进行气相色谱分析，得到所述待测气体的气相色谱图；
基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据；
将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息。
进一步地，计算机程序被处理器执行时还可以实现以下步骤：
基于训练样品的气味数据对当前分析模型进行训练，得到当前优化分析模型；所述当前分析模型为预训练模型或上一次训练后得到的上一优化分析模型；其中，训练样品的气味数据包括训练样品的人工气味评价数据，以及，对训练样品散发的样本气体进行气相色谱分析，得到所述样本气体的气相色谱图，并基于所述样本气体的气相色谱图提取的气味数据；
利用测试样品的气味数据对所述当前优化分析模型进行测试，得到当前测试结果；其中，测试样品的气味数据包括测试样品的人工气味评价数据，以及，对测试样品散发的测试气体进行气相色谱分析，得到所述测试气体的气相色谱图，并基于所述测试气体的气相色谱图提取的气味数据；
若所述当前测试结果表示满足预设的达标条件，根据所述当前优化模型确定所述气味分析模型；
若所述当前测试结果表示不满足预设的达标条件，进行下一次训练，直到下一次测试结果表示满足预设达标条件。
进一步地，所述气味分析模型包括气味属性模型和气味评价模型；对应地，当前分析模型包括当前属性模型和当前评价模型；计算机程序被处理器执行时还可以实现以下步骤：
基于支持向量机或者神经网络算法，对所述当前属性模型进行训练，得到当前优化属性模型；
基于支持向量回归算法或者偏最小二乘回归算法，对当前等级模型进行训练，得到当前优化等级模型；
将所述当前优化属性模型和所述当前优化等级模型组合，得到当前优化分析模型。
进一步地，所述测试样品为对原始样品划分为K组后，遍历地选取K组原始样品中一组原始样品得到的；所述训练样品为遍历地选取K组原始样品中K-1组原始样品得到的；
计算机程序被处理器执行时还可以实现以下步骤：
基于K个当前优化模型，选择或优化模型的超参数，构建所述气味分析模型，并评估所述气味分析模型的准确性。
进一步地，所述人工气味评价数据为嗅辨员按照规定方法对训练样品和测试样品进行评价得到的气味感知属性描述和强度等级。
进一步地，计算机程序被处理器执行时还可以实现以下步骤：
基于所述待测气体的气相色谱图，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据；
其中，所述整体响应信息用于描述所述待测聚合物产品包含的所有散发气体物质信息；所述谱峰信息用于描述所述待测聚合物产品的各散发气体物质的浓度信息。
进一步地，计算机程序被处理器执行时还可以实现以下步骤：
基于聚类算法，对待测聚合物产品的谱峰进行聚类，得到不同待测聚合物产品代表同一气味物质的色谱峰；基于每个气味物质的色谱峰，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据。
进一步地，上述实施例中，所述待测聚合物产品的检测信息包括所述待测聚合物产品的气味属性和/或气味评价等级；所述气味属性包括气味类别、气味标签和气味描述信息中的至少一种。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，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。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块32中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种聚合物产品气味检测方法，其特征在于，包括：
采集待测聚合物产品散发的待测气体；
对所述待测气体进行气相色谱分析，得到所述待测气体的气相色谱图；
基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据；
将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息。
2.根据权利要求1所述的聚合物产品气味检测方法，其特征在于，所述气味分析模型的训练过程包括如下步骤：
基于训练样品的气味数据对当前分析模型进行训练，得到当前优化分析模型；所述当前分析模型为预训练模型或上一次训练后得到的上一优化分析模型；其中，训练样品的气味数据包括训练样品的人工气味评价数据，以及，对训练样品散发的样本气体进行气相色谱分析，得到所述样本气体的气相色谱图，并基于所述样本气体的气相色谱图提取的气味数据；
利用测试样品的气味数据对所述当前优化分析模型进行测试，得到当前测试结果；其中，测试样品的气味数据包括测试样品的人工气味评价数据，以及，对测试样品散发的测试气体进行气相色谱分析，得到所述测试气体的气相色谱图，并基于所述测试气体的气相色谱图提取的气味数据；
若所述当前测试结果表示满足预设的达标条件，根据所述当前优化模型确定所述气味分析模型；
若所述当前测试结果表示不满足预设的达标条件，进行下一次训练，直到下一次测试结果表示满足预设达标条件。
3.根据权利要求2所述的聚合物产品气味检测方法，其特征在于，所述气味分析模型包括气味属性模型和气味等级模型；对应地，当前分析模型包括当前属性模型和当前等级模型；
基于训练样品的气味数据对当前分析模型进行训练，得到当前优化分析模型，包括：
基于支持向量机或者神经网络算法，对所述当前属性模型进行训练，得到当前优化属性模型；
基于支持向量回归算法或者偏最小二乘回归算法，对当前等级模型进行训练，得到当前优化等级模型；
将所述当前优化属性模型和所述当前优化等级模型组合，得到当前优化分析模型。
4.根据权利要求2所述的聚合物产品气味检测方法，其特征在于，所述测试样品为对原始样品划分为K组后，遍历地选取K组原始样品中一组原始样品得到的；所述训练样品为遍历地选取K组原始样品中K-1组原始样品得到的；
对应地，所述当前优化模型为K个，所述根据所述当前优化模型确定所述气味分析模型，包括：
基于K个当前优化模型，选择或优化模型的超参数，构建所述气味分析模型，并评估所述气味分析模型的准确性。
5.根据权利要求2所述的聚合物产品气味检测方法，其特征在于，所述人工气味评价数据为嗅辨员按照规定方法对训练样品和测试样品进行评价得到的气味感知属性描述和强度等级。
6.根据权利要求1所述的聚合物产品气味检测方法，其特征在于，基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据，包括：
基于所述待测气体的气相色谱图，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据；
其中，所述整体响应信息用于描述所述待测聚合物产品包含的所有散发气体物质信息；所述谱峰信息用于描述所述待测聚合物产品的各散发气体物质的浓度信息。
7.根据权利要求6所述的聚合物产品气味检测方法，其特征在于，基于所述待测气体的气相色谱图，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据，包括：
基于聚类算法，对待测聚合物产品的谱峰进行聚类，得到不同待测聚合物产品代表同一气味物质的色谱峰；基于每个气味物质的色谱峰，提取各气相色谱的整体响应信息和/或谱峰信息作为所述待测聚合物产品的气味数据。
8.根据权利要求1-7任一项所述的聚合物产品气味检测方法，其特征在于，所述待测聚合物产品的检测信息包括所述待测聚合物产品的气味属性和/或气味评价等级；所述气味属性包括气味类别、气味标签和气味描述信息中的至少一种。
9.一种聚合物产品气味检测设备，其特征在于，包括存储器和处理器；
所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述聚合物产品的检测方法的步骤。
10.一种电子鼻系统，其特征在于，包括：
采样装置，用于采集待测聚合物产品散发的待测气体；
色谱分离装置，用于对所述待测气体进行气相色谱分析，得到所述待测气体的气相色谱图；
检测装置，用于基于所述待测气体的气相色谱图，提取所述待测聚合物产品的气味数据；
气味分析装置，用于将所述待测聚合物产品的气味数据输入预先训练的气味分析模型进行分析，输出所述待测聚合物产品的检测信息。
CN202011190832.6A 2020-10-30 2020-10-30 聚合物产品气味检测方法、设备和电子鼻系统 Pending CN114527198A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011190832.6A CN114527198A (zh) 2020-10-30 2020-10-30 聚合物产品气味检测方法、设备和电子鼻系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011190832.6A CN114527198A (zh) 2020-10-30 2020-10-30 聚合物产品气味检测方法、设备和电子鼻系统

Publications (1)

Publication Number Publication Date
CN114527198A true CN114527198A (zh) 2022-05-24

Family

ID=81618852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011190832.6A Pending CN114527198A (zh) 2020-10-30 2020-10-30 聚合物产品气味检测方法、设备和电子鼻系统

Country Status (1)

Country Link
CN (1) CN114527198A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115561365A (zh) * 2022-10-31 2023-01-03 广州市花都自来水有限公司 一种用于检测自来水中异味物质的方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6411905B1 (en) * 2000-07-18 2002-06-25 The Governors Of The University Of Alberta Method and apparatus for estimating odor concentration using an electronic nose
CN105319302A (zh) * 2015-12-08 2016-02-10 江南大学 一种用于白酒自动勾兑机的在线气味采集及检测系统
CN106596860A (zh) * 2016-12-19 2017-04-26 深圳市北测检测技术有限公司 一种汽车气味的检测方法和检测系统
CN108717085A (zh) * 2018-05-03 2018-10-30 华南理工大学 一种用于原位评价金属催化剂还原性能的顶空萃取方法
CN110146642A (zh) * 2019-05-14 2019-08-20 上海大学 一种气味分析方法及装置
CN110632189A (zh) * 2019-08-22 2019-12-31 广州质量监督检测研究院 定制家具产品气味检测装置及其方法
CN110794090A (zh) * 2019-10-22 2020-02-14 天津大学 情感电子鼻实现方法
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
JP2020073930A (ja) * 2020-02-05 2020-05-14 株式会社島津製作所 におい評価方法及びにおい評価装置
CN111443160A (zh) * 2020-01-23 2020-07-24 华东理工大学 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6411905B1 (en) * 2000-07-18 2002-06-25 The Governors Of The University Of Alberta Method and apparatus for estimating odor concentration using an electronic nose
CN105319302A (zh) * 2015-12-08 2016-02-10 江南大学 一种用于白酒自动勾兑机的在线气味采集及检测系统
CN106596860A (zh) * 2016-12-19 2017-04-26 深圳市北测检测技术有限公司 一种汽车气味的检测方法和检测系统
CN108717085A (zh) * 2018-05-03 2018-10-30 华南理工大学 一种用于原位评价金属催化剂还原性能的顶空萃取方法
CN110146642A (zh) * 2019-05-14 2019-08-20 上海大学 一种气味分析方法及装置
CN110632189A (zh) * 2019-08-22 2019-12-31 广州质量监督检测研究院 定制家具产品气味检测装置及其方法
CN110794090A (zh) * 2019-10-22 2020-02-14 天津大学 情感电子鼻实现方法
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
CN111443160A (zh) * 2020-01-23 2020-07-24 华东理工大学 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法
JP2020073930A (ja) * 2020-02-05 2020-05-14 株式会社島津製作所 におい評価方法及びにおい評価装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
薛山;姜平;慕雪梅;王海;李朋朋;: "聚烯烃气味的来源、检测及消除", 石化技术与应用, no. 02, 10 March 2013 (2013-03-10) *
郭若海;吴映江;刘玉春;朱天戈;: "电子鼻技术在高分子材料气味分析中的应用", 新材料产业, no. 08, 5 August 2018 (2018-08-05) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115561365A (zh) * 2022-10-31 2023-01-03 广州市花都自来水有限公司 一种用于检测自来水中异味物质的方法及系统

Similar Documents

Publication Publication Date Title
Kang et al. Performance evaluation of low-cost air quality sensors: A review
Doleman et al. Comparison of odor detection thresholds and odor discriminablities of a conducting polymer composite electronic nose versus mammalian olfaction
JP2023175964A (ja) 電子ノーズに基づく臭気物質の分析の利用
CN103134850B (zh) 一种基于特征香气的茶叶品质快速检测方法
JP6760380B2 (ja) 分析データ処理方法及び分析データ処理装置
US20210350283A1 (en) Data analyzer
CN101470121A (zh) 一种嵌入式仿生嗅觉气味识别方法及装置
KR20160071000A (ko) 냄새 감성 판정 장치 및 방법
JP2018155522A (ja) データ解析装置
CN111007176A (zh) 基于气相色谱与离子迁移谱的车内气味等级评价方法
Nicolas et al. Establishing the limit of detection and the resolution limits of odorous sources in the environment for an array of metal oxide gas sensors
US20220405326A1 (en) Systems and methods for generating smell data and a database thereof
CN110214271B (zh) 分析数据解析方法以及分析数据解析装置
Caron et al. Identification of indoor air quality events using a K-means clustering analysis of gas sensors data
WO2019174150A1 (zh) 网络教学内容中难点检测方法以及装置
KR101510861B1 (ko) 복합 악취 분석 시스템 및 방법
CN117538492B (zh) 建筑空间中污染物的在线检测方法及系统
WO2022053690A1 (en) Sensor for identifying a fluid sample and method for applying a qualification test to such a sensor
CN114527198A (zh) 聚合物产品气味检测方法、设备和电子鼻系统
CN113340943B (zh) 基于指纹图谱的水体中嗅味类型和嗅味强度的分析方法
Delpha et al. Discrimination and identification of a refrigerant gas in a humidity controlled atmosphere containing or not carbon dioxide: application to the electronic nose
CN114184599A (zh) 单细胞拉曼光谱采集数目估计方法、数据处理方法及装置
KR20190027263A (ko) 냄새 측정 장치 및 그 동작방법
CN117929655B (zh) 一种气味强度检测方法、装置、设备、存储介质及车辆
JP3896928B2 (ja) におい測定装置

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