CN115015136A - 一种基于主成分优化的气体浓度检测方法 - Google Patents
一种基于主成分优化的气体浓度检测方法 Download PDFInfo
- Publication number
- CN115015136A CN115015136A CN202210385291.5A CN202210385291A CN115015136A CN 115015136 A CN115015136 A CN 115015136A CN 202210385291 A CN202210385291 A CN 202210385291A CN 115015136 A CN115015136 A CN 115015136A
- Authority
- CN
- China
- Prior art keywords
- principal component
- modified
- lambda
- dod
- gas
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- 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)
- 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
本发明涉及一种基于主成分优化的气体浓度检测方法,属于环境气体浓度检测技术领域。该方法包括:S1:建立基于主成分优化的气体浓度预测模型;S2:对待测气体进行光谱试验,选择测量波段范围;S3:记录待测气体吸收光谱It(λ),对It(λ)进行主成分优化,得到It‑Modified(λ);S4:利用高阶多项式拟合算法得到吸收光谱It(λ)的低频分量It'(λ);S5:计算待测气体在测量波段内差分吸光度DODt(λ),对DODt(λ)进行主成分优化,得到DODt‑Modified(λ);S6:将整个测量波段内的It‑Modified(λ)、DODt‑Modified(λ)组成待测数据集输入气体浓度预测模型中,得到待测气体浓度值。本发明提高了气体浓度检测的分辨率和精度。
Description
技术领域
本发明属于环境气体浓度检测技术领域,涉及一种基于主成分优化的气体浓度检测方法。
背景技术
机动车尾气的排放已经成为空气污染的主要来源之一,机动车排放的尾气中污染物主要有CO、CO2、HC(C4H6)、NOX四种气体。近年来,由于提高了对机动车尾气排放控制的要求,因此需进一步提高汽车尾气中主要污染物的测量精度。
目前,对机动车尾气中HC(C4H6)、NOX的检测通常采用紫外差分法,该方法通常用氘/氙灯作为光源,在获得气体透射光谱后对其进行慢变拟合,利用透射光谱与慢变光谱的比值计算气体浓度,此方法在气体浓度较高时反演效果较好,然而当气体浓度很低时,光谱吸收曲线相隔很近,此种方法的区分度受到限制,效果很差。鉴于传统检测方法分辨率较低,对低浓度气体反演精度低的缺陷,本发明提出一种基于主成分优化的高精度气体浓度反演算法。
发明内容
有鉴于此,本发明的目的在于提供及一种基于主成分优化的高精度气体浓度检测方法,解决传统检测方法中对分辨率较低,对低浓度气体反演误差较大的问题。
为达到上述目的,本发明提供如下技术方案:
一种基于主成分优化的气体浓度检测方法,具体包括以下步骤:
S1:建立基于主成分优化的高精度气体浓度预测模型Modified-Gas-Predict-Model;
S2:对待测气体在光程为L的光程池内进行光谱试验,选择测量波段范围[λbegin,λend];
S3:记录测量波段内的入射光强度矩阵It0(λ),并获取待测气体吸收光强度矩阵It(λ),对It(λ)进行主成分优化,得到It-Modified(λ)。
S4:利用高阶多项式拟合算法得到吸收光强度矩阵It(λ)的低频分量It'(λ)。
S6:将整个测量波段内的It-Modified(λ)、DODt-Modified(λ)组成待测数据集Matt-Modified=[It-Modified,DODt-Modified]输入气体浓度预测模型Modified-Gas-Predict-Model中,得到待测气体浓度值C。
进一步,步骤S1中,建立基于主成分优化的高精度气体浓度预测模型Modified-Gas-Predict-Model,具体包括以下步骤:
S11:计算主成分优化后的建模数据集;
S12:利用优化后数据集进行训练得到预测模型Modified-Gas-Predict-Model。
进一步,步骤S11中,计算主成分优化后数据集,具体包括以下步骤:
S111:计算主成分优化投影向量及主成分优化参数标准系数,具体包括:
假设光谱测量波段范围为[λ1,λM],计测量波段内波长数量为M;在标准环境下(25℃,1个大气压),配置N个浓度已知的待测气体,浓度分别为C1,C2,...,CN,通过实验计算,得到其对应的光强矩阵及差分光学厚度矩阵DODi(λj),i∈[1,N],j∈[1,M];
对I(λ)、DOD(λ)去中心化,得到标准化矩阵IS(λ)、DODS(λ),其中:
计算DODS(λ)的协方差矩阵求得DDOD(λ)所有特征值与对应的特征向量,找到最大特征值对应的特征向量EDODmax=(eDOD1,eDOD2,...,eDODM)T,则EDODmax为差分光学厚度主成分优化投影向量;
将IS(λ)、DDOD(λ)分别在EImax、EDODmax上投影,求得投影的最大值及最小值记为PImax、PImin、PDODmax、PDODmin,其中PImax、PImin、PDODmax、PDODmin为主成分优化参数标准系数;
S112:计算主成分优化后建模数据集,具体包括:
对配置的N个浓度已知的气体分别均进行K次测试,第k(k∈[1,K])次测试得到的初步数据集为:Matk=[Ik(λ),DODk(λ)],k∈[1,K],对分别对Ik(λ)、DODk(λ)去中心化并进行主成分投影,得到主成分优化参数系数,由主成分分析理论可知,观测值在第一主成分上的投影具有最大方差,即主成分优化参数系数最大程度地将不同浓度气体的光学计算参数进行区分标记;
定义主成分优化参数为m,将初步数据乘以主成分优化参数即可得到优化后的建模数据集,则第k次测量得到的优化后光强数据集为:
差分光学厚度数据集为:
建模数据集为:MatModified-k=[IModified-k,DODModified-k]。
进一步,步骤S111中,定义的主成分优化参数其中p为上一步求得的主成分优化参数系数,α为常数,用于约束优化程度,一般取α=1。显然α越大不同浓度气体光学参数见差异越大,然而过大的α会将噪声引起的光学参数差异过度放大,故实际中需选择适当的α值,用以约束优化程度,避免引入新的测量误差。
进一步,步骤S12中,利用优化后数据集进行训练得到预测模型Modified-Gas-Predict-Model,具体包括:将建模数据集MatModified-k,k∈[1,K]作为训练参数,对应的气体浓度Ci最为训练结果,利用支持向量机(SVM)进行训练,得到适用于浓度预测的最佳模型参数,建立基于高精度高分辨率气体浓度预测模型Modified-Gas-Predict-Model。
本发明的有益效果在于:本发明提供了一种高精度气体浓度反演算法,具有高分辨率:测量浓度分辨率可达0.1ppm;具有高精度:相对误差可控制在±5%以内。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明基于主成分优化的气体浓度检测方法流程图;
图2为本发明建立基于主成分优化的高精度气体浓度预测模型的流程图;
图3为对待测气体数据进行主成分优化的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图3,图1所示为一种基于主成分优化的气体浓度检测方法,具体包括以下步骤:
S1:建立基于主成分优化的高精度气体浓度预测模型Modified-Gas-Predict-Model。
S2:将待测气体通入光程为L的光谱检测室,以氘/氙灯为光源对其进行紫外光谱检测,根据检测气体的紫外光谱吸收特性,选择测量波段范围[λbegin,λend]。
S3:记录测量波段内的入射光强度矩阵It0(λ),并获取待测气体吸收光强度矩阵It(λ),对It(λ)进行主成分优化,得到It-Modified(λ)。
S4:利用高阶多项式拟合算法得到吸收光强度矩阵It(λ)的低频分量It'(λ)。
S6:将整个测量波段内的It-Modified(λ)、DODt-Modified(λ)组成待测数据集Matt-Modified=[It-Modified,DODt-Modified]输入气体浓度预测模型Modified-Gas-Predict-Model中,得到待测气体浓度值C。
如图2所示,建立基于主成分优化的高精度气体浓度预测模型Modified-Gas-Predict-Model,具体包括以下步骤:
S11:计算主成分优化后的建模数据集。
(1)计算主成分优化投影向量及主成分优化参数标准系数,具体包括:
假设光谱测量波段范围为[λ1,λM],计测量波段内波长数量为M;在标准环境下(25℃,1个大气压),配置N个浓度已知的待测气体,浓度分别为C1,C2,...,CN,通过实验计算,得到其对应的光强矩阵及差分光学厚度矩阵DODi(λj),i∈[1,N],j∈[1,M]。
对I(λ)、DOD(λ)去中心化,得到标准化矩阵IS(λ)、DODS(λ),其中:
计算DODS(λ)的协方差矩阵求得DDOD(λ)所有特征值与对应的特征向量,找到最大特征值对应的特征向量EDODmax=(eDOD1,eDOD2...eDODM)T,则EDODmax为差分光学厚度主成分优化投影向量;
将IS(λ)、DDOD(λ)分别在EImax、EDODmax上投影,求得投影的最大值及最小值记为PImax、PImin、PDODmax、PDODmin,其中PImax、PImin、PDODmax、PDODmin为主成分优化参数标准系数。
(2)计算主成分优化后建模数据集,具体包括:
对配置的N个浓度已知的气体分别均进行K次测试,第k(k∈[1,K])次测试得到的初步数据集为:Matk=[Ik(λ),DODk(λ)],k∈[1,K],对分别对Ik(λ)、DODk(λ)去中心化并进行主成分投影,得到主成分优化参数系数,由主成分分析理论可知,观测值在第一主成分上的投影具有最大方差,即主成分优化参数系数最大程度地将不同浓度气体的光学计算参数进行区分标记;
定义主成分优化参数为m,其中p为上一步求得的主成分优化参数系数,α为常数,用于约束优化程度,一般取α=1。显然α越大不同浓度气体光学参数见差异越大,然而过大的α会将噪声引起的光学参数差异过度放大,故实际中需选择适当的α值,用以约束优化程度,避免引入新的测量误差。
将初步数据乘以主成分优化参数即可得到优化后的建模数据集,则第k次测量得到的优化后光强数据集为:
差分光学厚度数据集为:
建模数据集为:MatModified-k=[IModified-k,DODModified-k]。
S12:利用优化后数据集进行训练得到预测模型Modified-Gas-Predict-Model。
将建模数据集MatModified-k,k∈[1,K]作为训练参数,对应的气体浓度Ci最为训练结果,利用支持向量机(SVM)进行训练,得到适用于浓度预测的最佳模型参数,建立基于高精度高分辨率气体浓度预测模型Modified-Gas-Predict-Model。
如图3所示,对待测气体I(λ)、DOD(λ)数据进行主成分优化,具体包括:
I(λ)、DOD(λ)的主成分优化投影向量即为优化模型训练集时所求得向量EImax、EDODmax;
将I(λ)、DOD(λ)去中心化后求得对应的主成分优化系数为:
pI=IS(λ)EImax
pDOD=DODS(λ)EDODmax
主成分优化参数为:
优化后IModified(λ)、DODModified(λ)为:
IModified(λ)=I(λ)·MI
DODModified(λ)=DOD(λ)·MDOD
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于主成分优化的气体浓度检测方法,其特征在于,该方法具体包括以下步骤:
S1:建立基于主成分优化的气体浓度预测模型Modified-Gas-Predict-Model;
S2:对待测气体进行光谱试验,选择测量波段范围;
S3:记录测量波段内的入射光强度矩阵It0(λ),并获取待测气体吸收光强度矩阵It(λ),对It(λ)进行主成分优化,得到It-Modified(λ);
S4:利用高阶多项式拟合算法得到吸收光强度矩阵It(λ)的低频分量It'(λ);
S6:将整个测量波段内的It-Modified(λ)、DODt-Modified(λ)组成待测数据集Matt-Modified=[It-Modified,DODt-Modified]输入气体浓度预测模型Modified-Gas-Predict-Model中,得到待测气体浓度值。
2.根据权利要求1所述的气体浓度检测方法,其特征在于,步骤S1中,建立基于主成分优化的气体浓度预测模型Modified-Gas-Predict-Model,具体包括以下步骤:
S11:计算主成分优化后的建模数据集;
S12:利用优化后数据集进行训练得到预测模型Modified-Gas-Predict-Model。
3.根据权利要求2所述的气体浓度检测方法,其特征在于,步骤S11中,计算主成分优化后数据集,具体包括以下步骤:
S111:计算主成分优化投影向量及主成分优化参数标准系数,具体包括:
假设光谱测量波段范围为[λ1,λM],计测量波段内波长数量为M;在标准环境下,配置N个浓度已知的待测气体,浓度分别为C1,C2,...,CN,通过实验计算,得到其对应的光强矩阵及差分光学厚度矩阵DODi(λj),i∈[1,N],j∈[1,M];
对I(λ)、DOD(λ)去中心化,得到标准化矩阵IS(λ)、DODS(λ),其中:
计算DODS(λ)的协方差矩阵求得DDOD(λ)所有特征值与对应的特征向量,找到最大特征值对应的特征向量EDODmax=(eDOD1,eDOD2...eDODM)T,则EDODmax为差分光学厚度主成分优化投影向量;
将IS(λ)、DDOD(λ)分别在EImax、EDODmax上投影,求得投影的最大值及最小值记为PImax、PImin、PDODmax、PDODmin,其中PImax、PImin、PDODmax、PDODmin为主成分优化参数标准系数;
S112:计算主成分优化后建模数据集,具体包括:
对配置的N个浓度已知的气体分别均进行K次测试,第k次测试得到的初步数据集为:Matk=[Ik(λ),DODk(λ)],k∈[1,K],对分别对Ik(λ)、DODk(λ)去中心化并进行主成分投影,得到主成分优化参数系数;
定义主成分优化参数为m,将初步数据乘以主成分优化参数得到优化后的建模数据集,则第k次测量得到的优化后光强数据集为:
差分光学厚度数据集为:
建模数据集为:MatModified-k=[IModified-k,DODModified-k]。
5.根据权利要求2所述的气体浓度检测方法,其特征在于,步骤S12中,利用优化后数据集进行训练得到预测模型Modified-Gas-Predict-Model,具体包括:将建模数据集MatModified-k,k∈[1,K]作为训练参数,对应的气体浓度Ci最为训练结果,利用支持向量机进行训练,得到适用于浓度预测的最佳模型参数,建立基于高精度高分辨率气体浓度预测模型Modified-Gas-Predict-Model。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385291.5A CN115015136B (zh) | 2022-04-13 | 2022-04-13 | 一种基于主成分优化的气体浓度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385291.5A CN115015136B (zh) | 2022-04-13 | 2022-04-13 | 一种基于主成分优化的气体浓度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115015136A true CN115015136A (zh) | 2022-09-06 |
CN115015136B CN115015136B (zh) | 2023-05-12 |
Family
ID=83067357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210385291.5A Active CN115015136B (zh) | 2022-04-13 | 2022-04-13 | 一种基于主成分优化的气体浓度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115015136B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005105095A (ja) * | 2003-09-30 | 2005-04-21 | Fuji Photo Film Co Ltd | インクジェット用シアンインクおよびインクジェット用インクセット |
CN104198398A (zh) * | 2014-08-07 | 2014-12-10 | 浙江大学 | 一种基于高光谱成像鉴别阿胶的方法 |
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 |
CN111989747A (zh) * | 2018-04-05 | 2020-11-24 | 伊耐斯克泰克-计算机科学与技术系统工程研究所 | 用于预测样品中的成分的定量的分光光度法和装置 |
CN114166773A (zh) * | 2021-12-08 | 2022-03-11 | 中煤科工集团重庆研究院有限公司 | 一种基于粒子群优化-支持向量机的NOx测量方法 |
-
2022
- 2022-04-13 CN CN202210385291.5A patent/CN115015136B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005105095A (ja) * | 2003-09-30 | 2005-04-21 | Fuji Photo Film Co Ltd | インクジェット用シアンインクおよびインクジェット用インクセット |
CN104198398A (zh) * | 2014-08-07 | 2014-12-10 | 浙江大学 | 一种基于高光谱成像鉴别阿胶的方法 |
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 |
CN111989747A (zh) * | 2018-04-05 | 2020-11-24 | 伊耐斯克泰克-计算机科学与技术系统工程研究所 | 用于预测样品中的成分的定量的分光光度法和装置 |
CN114166773A (zh) * | 2021-12-08 | 2022-03-11 | 中煤科工集团重庆研究院有限公司 | 一种基于粒子群优化-支持向量机的NOx测量方法 |
Non-Patent Citations (3)
Title |
---|
JIEXIAO XUE ET AL.,: "Identification of ozone sensitivity for NO2 and secondary HCHO based on MAX-DOAS measurements in northeast China", 《ENVIRONMENT INTERNATIONAL》 * |
李艳红: "奎屯市⁃独山子区⁃乌苏市区域大气对流层NO2 柱浓度时空变化分析", 《环境科学研究》 * |
王书涛: "光学技术在气体浓度检测中的应用", 《光电工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115015136B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN103175805B (zh) | 一种近红外光谱测定污水中cod和bod5指标的方法 | |
CN114166773A (zh) | 一种基于粒子群优化-支持向量机的NOx测量方法 | |
CN109425583B (zh) | 光谱分析装置、光谱分析方法和存储介质 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN110736719A (zh) | 一种基于tdlas直接吸收光谱的气体浓度标定及测量方法 | |
CN107389606A (zh) | 一种基于可调谐半导体激光吸收谱的光程长度分析方法 | |
CN116818739A (zh) | 一种基于光学的吲哚菁绿检测方法 | |
CN111999258B (zh) | 一种面向光谱基线校正的加权建模局部优化方法 | |
CN108333143B (zh) | 一种基于可调谐激光吸收光谱的水汽浓度测量修正方法 | |
CN115015136A (zh) | 一种基于主成分优化的气体浓度检测方法 | |
CN102322957A (zh) | 一种干涉型高光谱成像仪的光谱漂移检测方法 | |
CN113237845A (zh) | 一种集成式so2交叉干扰补偿装置 | |
CN112666104A (zh) | 一种基于doas的气体浓度反演方法 | |
CN115078281B (zh) | 一种基于图片光谱相似度的水体物质组分检测计算方法 | |
CN116183500A (zh) | 一种大气污染物检测系统和检测方法 | |
CN112326574B (zh) | 一种基于贝叶斯分类的光谱波长选择方法 | |
SE544392C2 (en) | Method for determining a gas concentration from a group of sensors | |
Zhang et al. | Study on Nitrite Nitrogen Based on Ultraviolet Visible Absorption Spectrometry | |
CN109632681B (zh) | 环境空气二氧化硫检测方法 | |
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 | |
Zhang et al. | A particle swarm denoising algorithm applied to TDLAS direct absorption spectroscopy | |
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 | |
CN114778475A (zh) | 一种可变光程ndir宽量程气体检测方法和系统 | |
CN114609083B (zh) | 一种二维几何路径下的气体浓度场重建系统及其方法 |
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 |