CN115060681A - Ftir结合cars-elm的sf6分解物检测方法 - Google Patents
Ftir结合cars-elm的sf6分解物检测方法 Download PDFInfo
- Publication number
- CN115060681A CN115060681A CN202210684113.2A CN202210684113A CN115060681A CN 115060681 A CN115060681 A CN 115060681A CN 202210684113 A CN202210684113 A CN 202210684113A CN 115060681 A CN115060681 A CN 115060681A
- Authority
- CN
- China
- Prior art keywords
- hidden layer
- sample
- cars
- ith
- elm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 30
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 title claims abstract description 22
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000010521 absorption reaction Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 235000013405 beer Nutrition 0.000 claims abstract description 5
- 239000006166 lysate Substances 0.000 claims abstract description 5
- 229910052717 sulfur Inorganic materials 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000002835 absorbance Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000010238 partial least squares regression Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000002860 competitive effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012628 principal component regression Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 abstract description 10
- 239000000126 substance Substances 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000000342 Monte Carlo simulation Methods 0.000 abstract 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 abstract 1
- 238000011002 quantification Methods 0.000 abstract 1
- 239000011593 sulfur Substances 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 36
- 229910018503 SF6 Inorganic materials 0.000 description 27
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 27
- 229960000909 sulfur hexafluoride Drugs 0.000 description 27
- 210000004027 cell Anatomy 0.000 description 4
- 239000012491 analyte Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000001157 Fourier transform infrared spectrum Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种FTIR结合CARS‑ELM的SF6分解物检测方法,其包括分解物光谱采集、光谱特征提取以及建立分解物定量模型;本发明根据朗伯比尔定律扣除干扰背景,提取出淹没在SF6中分解物的有效吸收光谱;采用蒙特卡罗法剔除异常样本建立有效的SF6分解物数据集;通过CARS法进行光谱特征选择,建立分解物的ELM定量模型;计算模型预测结果的相对误差和R2来验证该方法的可行性;本发明解决了分解物吸收峰被严重淹没以及不同分解物光谱重叠造成的难以定量的问题,最终实现了SF6分解物的高精度测量,同时该方法也适用于大量样本数据的快速分析,为FTIR光谱在多组分SF6分解物在线定量检测中的应用奠定了基础。
Description
技术领域
本发明属于气体检测技术领域,涉及FTIR结合CARS-ELM的SF6分解物检测方法。
背景技术
伴随着特高压技术的发展,六氟化硫(Sulfurhexafluoride,SF6)作为优良的绝缘和灭弧介质被广泛地应用在特高压电网核心设备的气体绝缘组合电器(Gas insulatedswitchgear,GIS)中。然而设备内部局部放电现象的发生会导致SF6分解产生具有强腐蚀性的有毒气体,这些产物长时间的累积从而会加剧局部放电水平的发生并形成绝缘故障。已有研究表明,不同的故障类型会有相应的分解物生成,因此可通过对SF6分解物的定性定量分析去评估GIS绝缘故障的类型以及严重程度。
傅里叶变换红外光谱技术(Fouriertransform infrared spectroscopy,FTIR)在气体测量领域已被广泛应用。它具有检测速度快、灵敏度高、不破坏试样等优点,特别是该方法可实现多组分物质同时在线重复测量。很多研究人员在此方面开展了相关研究,张晓星等人利用FTIR确定了SOF2、SO2F2、SO2和CO四种分解物吸收峰的位置并计算出了相应的吸收系数;刘小波等使用该技术测量了SF6纯度,测量误差保持在了0.04%;Visa等设计了四种不同的故障并通过该技术检测了不同产物的浓度;郑等人基于FTIR光谱提出了GIS中SO2和水汽的在线检测,并通过偏最小二乘法(Partial least squares,PLS)实现对两种物质的定量分析。
当前研究成果在利用FTIR技术进行SF6产物检测时均采用传统的PLS建立定量校正模型。然而,SF6不仅在中红外区域吸收带分布较广泛,而且吸收极其强甚至达到饱和,导致产物的吸收峰被严重淹没,这是利用红外吸收光谱技术进行SF6分解物定量检测的最大难题。同时,不同产物之间吸收峰重叠现象导致物质属性与光谱数据之间并不满足简单的线性关系。
发明内容
本发明目的解决上述问题缺陷,提出了FTIR结合CARS-ELM的SF6分解物检测方法。
为了实现其目的,本发明所采用的技术方案是:
FTIR结合CARS-ELM的SF6分解物检测方法,其包括以下步骤:
步骤1:采集和处理待测SF6分解物的光谱数据,获得混合物的有效吸收光谱数据;
步骤2:通过蒙特卡洛抽样参数,根据所述步骤1中获得混合物的有效吸收光谱数据进行异常样本筛选,获得有效的SF6分解物数据集;
步骤3:采用竞争性自适应重加权采样法(Competitive adaptive re-weightedsampling,CARS)对所述步骤2中所获的数据集进行光谱特征选择;
步骤4:根据所述步骤3获得特征选择产生的最优变量子集,构建光谱数据与浓度定量分析模型,通过其模型进行SF6分解物定量检测。
本方法的进一步改进在于:所述步骤1中具体包括以下步骤:
步骤11:采集多组以SF6为背底谱、不同浓度的待测产物数据,获得混合物的有效吸收光谱数据;
步骤12:对所述步骤11获得的以SF6为背底谱的光谱数据依据朗伯比尔定律进行背景扣除,提取出待测混合物有效的特征吸收谱,其表达式为
式中,S、B和A分别代表标准样品单通道吸收光谱、SF6背景单通道吸收光谱和样品吸收度。
步骤13:对所述步骤12获得的产物吸收光谱采用凹式rubbreband法进行基线校正。整条光谱进行间隔等分,并按着吸光度值的大小进行排序找出分段内的极小值,此值被视为每个分段光谱的基点。最后在整个谱图区间初选基线点利用插值法进行基线估计,得到校正基线,将步骤12的获得光谱数据进行校正基线扣除,获得混合物的有效吸收光谱数据。
本方法的进一步改进在于:所述步骤2中具体包括以下步骤:
步骤21:在偏最小二乘法或主成分回归方法中对步骤13基线校正后获得的光谱数据使用交叉验证法确定主成分(降维后的特征变量)的数量;
步骤22:将降维后的数据集按照相应的比例随机划分为训练集和验证集。用训练集内的所有样本组进行回归方程拟合,并将验证集中的样本代入回归方程进行预测,即可获得每个验证样本的预测误差。
步骤23:根据预定次数循环执行步骤22过程,最后可获取每个样本预测误差均值和标准差,其计算表达式为
式中,k为验证集中第j个样本运行的总次数;error(i)为第i次运行第j个样本的预测误差。
根据计算结果构建均值-标准差空间分布图,将远离样本空间且预测误差均值或标准差较大的样本组均判定异常样本,对其异常样本进行剔除,建立有效的SF6分解物数据集。
本方法的进一步改进在于:所述步骤3中具体包括以下步骤:
步骤31:利用蒙特卡洛抽样法将步骤23获得数据集中的样本特征变量进行N次采样,按照不小于80%的比例随机抽取样本建立偏最小二乘回归模型。例如光谱数据矩阵为X(n×p),样本浓度矩阵为Y(n×1),n为样本数,p为变量数,则偏最小二乘回归的模型为:
Y=Xb+e
式中,回归系数b是一个p维的系数向量,e为残差。b中第i个元素的回归系数绝对值|bi|(1≤i≤p)表示第i个变量对回归模型的贡献,该值越大表示所对应变量在成分浓度的预测中越重要。
步骤32:根据所述步骤31计算的结果,指数衰减函数强行去除|bi|值相对较小的波长。在第i次采样运算后,波长变量点的保存率计算表达式如式:
ri=ae-ki
式中,a和k均为常数。
步骤33:利用自适应重加权采样技术法对每个波长变量的权重wi评价进行变量筛选,权重值的计算表达式为:
回归系数绝对值权重越大的波长越容易被选中,越小的波长越容易被剔除。
步骤34:N次采样后得到N个变量子集,通过计算并比较每次采样产生的变量子集的交叉验证均方根误差,误差值最小的变量子集作为最优变量子集。
本方法的改进在于:所述步骤4中的光谱数据与浓度定量分析模型包括:
步骤41:确定隐含层神经元个数,随机设定输入层与隐含层间的连接权值a和隐含层神经元的偏置b;
N个任意的数据(xi,ti),其中xi=[xi1,xi2,…,xxm]T∈Rn,ti=[ti1,ti2,…,tim]∈Rm,含有N个隐含层节点、激励函数为G的极限学习机回归模型可表示为:
步骤42:选择一个无限可微的函数作为隐含层神经元的激活函数,进而计算隐含层输出矩阵H,步骤41中的表达式可简写为;
Hβ=T
式中,H为隐含层输出矩阵,第i列对应输入x1,x2,…,xn第i个隐含层输出向量。
其解为:
式中,H+为隐含层输出矩阵H的Moore-Penrose广义逆。
由于采用了上述技术方案,本发明取得的技术进步是:
通过对待测分解物的红外吸收光谱依据朗伯比尔定律进行有效提取和特征选择,最后建立了极限学习机定量模型,实现多组SF6分产物的定量分析:
(1)有效提取出了淹没在高浓度SF6中的分解物吸收峰,并建立了有效的SF6分解物数据集。
(2)可实现多组分SF6分解物的高精度定量检测,同时可对大量样本数据进行快速分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的FTIR结合CARS-ELM进行SF6分解物检测方法流程图;
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SF6分解物数据预处理前后的光谱对比图;
图4为本发明实例中异常样本筛选过程均值-标准差分布图;
图5为本发明实例中吸收光谱的特征选择过程图;
图6为本发明实例中传统的PLS定量模型预测结果图;
图7为本发明实例中CARS-ELM定量模型预测结果图;
其中,1—SO2储气罐;2、4、6—质量流量计;3—SO2F2储气罐;5—CS2储气罐:7—四通阀;8—红外光源;9—反射镜;10—光阑;11、15—准直镜;12—定镜;13—分束器;14—动镜;16、17—气体阀门;18—气体吸收池;19—聚光镜;20—检测器;21—计算机。
具体实施方式
下面结合实施例对本发明做进一步详细说明:
本发明实施例提供了一种FTIR结合竞争性自适应重加权采样-极限学习机(Competitive adaptive re-weighted sampling--Extreme learning machine,CARS-ELM)的SF6分解物检测方法,该测量方法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,FTIR结合CARS-ELM进行SF6分解物检测流程包含:待测多组分SF6混合气体吸收光谱数据的采集与处理、异常样本检测、吸收光谱特征选择、建立定量校准模型并计算相对测量误差。
以下实施例中,待测气体为以SF6为背底的SO2、SO2F2和CS2三种气体混合物,采集了141组不同浓度梯度的分解物光谱数据,并使用该模型进行浓度预测,且与真实值进行比较,验证该模型的精度。
以下实施案例中,搭建如图2所示光学实验装置,该实验装置由气体配置、气体测量及数据采集三个部分组成。气体配置部分包括:SO2储气罐1、质量流量计2、4和6、SO2F2储气罐3、CS2储气罐5、四通阀7,气体测量部分包括:红外光源8、反射镜9、光阑10、准直镜11和15、定镜12、分束器13、动镜14、气体阀门16和17、气体吸收池18、聚光镜19、探测器20,数据采集部分包括计算机21。
141组不同浓度梯度的SF6分解物气体使用浓度分别为86.9ppm的SO2、99.99ppm的SO2F2及83.4ppm的CS2标准气体配制而成。红外光源8发出的光经准直镜11反射出来的平行光射向干涉仪,而后经准直镜15反射后光线穿过充满待测气体的10cm气体池18,最后经聚光镜19将光线汇聚到探测器20产生干涉光谱,计算机21完成傅里叶变换、光谱数据处理及建立模型等工作。
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FTIR的气体测量光学实验装置;
步骤12:分别将配置141组的不同浓度梯度的混合气体通入所搭建的气体测量装置气体池中,通过检测器对信号的检测,采集待测气体特种吸收光谱的特征吸收光谱数据,每组样本采集4次,然后取平均值,即得到待测气体的初始光谱如图3(a)所示,分解物吸收光谱被严重淹没。
步骤13:对上述待测分解物气体进行干扰背景扣除,将高浓度SF6特征吸收谱线作为干扰,采用朗伯比尔定律对其进行扣除,其表达式为
式中,S、B和A分别代表标准样品单通道吸收光谱、SF6背景单通道吸收光谱和样品吸收度。
步骤14:根据所述步骤13中提取到的产物吸收光谱进行凹式rubberband基线校正。整条光谱进行间隔等分,并按着吸光度值的大小进行排序找出分段内的极小值,此值被视为每个分段光谱的基点。最后在整个谱图区间初选基线点利用插值法进行基线估计,得到校正基线,将步骤13获得的光谱数据进行校正基线扣除获得混合物的有效吸收光谱,即混合物的有效吸收光谱图如图3(b)所示。
步骤2:设置蒙特卡洛参数对异常样本组进行检测,具体包括以下步骤:
步骤21:在偏最小二乘法或主成分回归方法中对步骤13基线校正后获得的光谱数据使用交叉验证法确定主成分(降维后的特征变量)的数量;
步骤22:将降维后的数据集按照80%的比例随机划分为训练集和验证集。用训练集内的所有样本组进行回归方程拟合,并将验证集中的样本代入回归方程进行预测,即可获得每个验证样本的预测误差。
步骤23:根据预定次数循环执行步骤22过程,最后可获取每个样本预测误差均值和标准差,其计算表达式为
式中,k为验证集中第j个样本运行的总次数;error(i)为第i次运行第j个样本的预测误差。
以上得到的141组三种分解物样本均值-标准差空间分布如图4所示,在虚线以外的样本点为远离样本空间或均值、标准差较大的点,被判定为异常样本,对此进行剔除并建立可用数据集。
步骤3:根据竞争性自适应重加权采样法(Competitive adaptive re-weightedsampling,CARS)对上述所得到的数据集依次将三种分解物浓度作为标签,以SO2F2为例进行特征选择,其计算过程如图5所示。具体包括以下步骤:
步骤31:利用蒙特卡洛抽样法将每组样本的特征点进行N次采样,按照80-90%的比例随机抽取样本建立偏最小二乘回归模型。假设光谱数据矩阵为X(n×p),样本浓度矩阵为Y(n×1),n为样本数,p为变量数,则偏最小二乘回归的模型为:
Y=Xb+e#(4)
式中,回归系数b是一个p维的系数向量,e为残差。b中第i个元素的回归系数绝对值|bi|(1≤i≤p)表示第i个变量对回归模型的贡献,该值越大表示所对应变量在成分浓度的预测中越重要。
步骤32:根据所述步骤31计算结果,指数衰减函数强行去除|bi|值相对较小的波长。在第i次采样运算后,波长变量点的保存率计算表达式如式(5):
ri=ae-ki#(5)
式中,a和k均为常数。
步骤33:利用自适应重加权采样技术法对每个波长变量的权重Wi评价进行变量筛选,权重值的计算如式(7):
回归系数绝对值权重越大的波长越容易被选中,越小的波长越容易被剔除。
步骤34:N次采样后得到N个变量子集,通过计算并比较每次采样产生的变量子集的交叉验证均方根误差,误差值最小的变量子集作为最优变量子集。
步骤4:建立光谱数据与浓度的极限学习机定量校正模型,具体包括以下步骤:
步骤41:确定隐含层神经元个数,随机设定输入层与隐含层间的连接权值a和隐含层神经元的偏置b;
N个任意的数据(xi,ti),其中xi=[xi1,xi2,…,xin]T∈Rn,ti=[ti1,ti2,…,tim]T∈Rm,含有N个隐含层节点、激励函数为G的极限学习机回归模型可表示为:
步骤42:选择一个无限可微的函数作为隐含层神经元的激活函数,进而计算隐含层输出矩阵H,上述步骤41表达式可简写为:
Hβ=T#(9)
式中,H为隐含层输出矩阵,第i列对应输入x1,x2,…,xn第i个隐含层输出向量。
其解为:
式中,H+为隐含层输出矩阵H的Moore-Penrose广义逆。
提供一具体实施例,说明本发明的技术方案和技术效果,传统的PLS测量气体浓度过程中仅使用吸收波段峰值进行气体浓度反演,其测量结果如图6所示。本文的FTIR结合CARS-ELM的测量结果如图7所示,两种方法预测结果通过对比充分证明了本发明提出的CARS-ELM法满足SF6分解物检测标准相对误差不超过2%的要求。
FTIR结合CARS-ELM的SF6分解物检测方法预测浓度结果如表1所示。其中展示了测试集中17组不同浓度梯度测量结果并验证该方法的有效性;上述实施例中,17组不同浓度组采用本发明进行浓度测量所得最大相对误差不超过1.7%,同时最大绝对误差不超过1.06ppm,其相关的决定系数R2也达到了0.9997。该实验结果表明,本发明提出的FTIR结合CARS-ELM的SF6分解物测量方法有效提取出了分解物的吸收峰,获得了多组分痕量SF6分解物更高精度的测量结果,同时实现了大量样本数据的快速分析。
表1:FTIR结合CARS-ELM的SF6分解物预测结果
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,均应落入本发明装置权利要求书确定的保护范围内。
Claims (5)
1.FTIR结合CARS-ELM的SF6分解物检测方法,其特征在于,其包括以下步骤:
步骤1:采集和处理待测SF6分解物的光谱数据,获得混合物的有效吸收光谱数据;
步骤2:通过蒙特卡洛抽样参数,根据所述步骤1中获得混合物的有效吸收光谱数据进行异常样本筛选,获得有效的SF6分解物数据集;
步骤3:采用竞争性自适应重加权采样法(Competitive adaptive re-weightedsampling,CARS)对所述步骤2中所获的数据集进行光谱特征选择;
步骤4:根据所述步骤3获得特征选择产生的最优变量子集,构建光谱数据与浓度定量分析模型,通过其模型进行SF6分解物定量检测。
2.根据权利要求1所述的FTIR结合CARS-ELM的SF6分解物检测方法,其特征在于,所述步骤1中具体包括以下步骤:
步骤11:采集多组以SF6为背底谱、不同浓度的待测产物数据,获得混合气体的特征吸收光谱;
步骤12:对所述步骤11获得的以SF6为背底谱的光谱数据依据朗伯比尔定律进行背景扣除,提取出待测混合物有效的特征吸收谱,其表达式为
式中,S、B和A分别代表标准样品单通道吸收光谱、SF6背景单通道吸收光谱和样品吸收度;
步骤13:对所述步骤12获得的产物吸收光谱采用凹式rubbreband法进行基线校正;整条光谱进行间隔等分,并按着吸光度值的大小进行排序找出分段内的极小值,此值被视为每个分段光谱的基点;最后在整个谱图区间初选基线点利用插值法进行基线估计,得到校正基线;将步骤12的获得光谱数据进行校正基线扣除,获得混合物的有效吸收光谱数据。
3.根据权利要求2所述的FTIR结合CARS-ELM的SF6分解物检测方法,其特征在于,所述步骤2中具体包括以下步骤:
步骤21:在偏最小二乘法或主成分回归方法中对步骤13基线校正后获得的光谱数据使用交叉验证法确定主成分(降维后的特征变量)的数量;
步骤22:将降维后的数据集按照相应的比例随机划分为训练集和验证集;用训练集内的所有样本组进行回归方程拟合,并将验证集中的样本代入回归方程进行预测,即可获得每个验证样本的预测误差;
步骤23:根据预定次数循环执行步骤22过程,最后可获取每个样本预测误差均值和标准差,其计算表达式为
式中,k为验证集中第j个样本运行的总次数;error(i)为第i次运行第j个样本的预测误差;
根据计算结果构建均值-标准差空间分布图,将远离样本空间且预测误差均值或标准差较大的样本组均判定异常样本,对其异常样本进行剔除,建立有效的SF6分解物数据集。
4.根据权利要求3所述的FTIR结合CARS-ELM的SF6分解物检测方法,其特征在于,所述步骤3中具体包括以下步骤:
步骤31:利用蒙特卡洛抽样法将步骤23获得数据集中的样本特征变量进行N次采样,按照不小于80%的比例随机抽取样本建立偏最小二乘回归模型;例如光谱数据矩阵为X(n×p),样本浓度矩阵为Y(n×1),n为样本数,p为变量数,则偏最小二乘回归的模型为:
Y=Xb+e
式中,回归系数b是一个p维的系数向量,e为残差;b中第i个元素的回归系数绝对值|bi|(1≤i≤p)表示第i个变量对回归模型的贡献,该值越大表示所对应变量在成分浓度的预测中越重要;
步骤32:根据所述步骤31计算的结果,指数衰减函数强行去除|bi|值相对较小的波长;在第i次采样运算后,波长变量点的保存率计算表达式如式:
ri=ae-ki
式中,a和k均为常数;
步骤33:利用自适应重加权采样技术法对每个波长变量的权重wi评价进行变量筛选,权重值的计算表达式为:
回归系数绝对值权重越大的波长越容易被选中,越小的波长越容易被剔除;
步骤34:N次采样后得到N个变量子集,通过计算并比较每次采样产生的变量子集的交叉验证均方根误差,误差值最小的变量子集作为最优变量子集。
5.根据权利要求4所述的FTIR结合CARS-ELM的SF6分解物检测方法,其特征在于,所述步骤4中的光谱数据与浓度定量分析模型包括:
步骤41:确定隐含层神经元个数,随机设定输入层与隐含层间的连接权值a和隐含层神经元的偏置b;
N个任意的数据(xi,ti),其中xi=[xi1,xi2,…,xxm]T∈Rn,ti=[ti1,ti2,…,tim]∈Rm,含有N个隐含层节点、激励函数为G的极限学习机回归模型可表示为:
步骤42:选择一个无限可微的函数作为隐含层神经元的激活函数,进而计算隐含层输出矩阵H,步骤41中的表达式可简写为;
Hβ=T
式中,H为隐含层输出矩阵,第i列对应输入x1,x2,…,xn第i个隐含层输出向量;
其解为:
式中,H+为隐含层输出矩阵H的Moore-Penrose广义逆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684113.2A CN115060681A (zh) | 2022-06-16 | 2022-06-16 | Ftir结合cars-elm的sf6分解物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684113.2A CN115060681A (zh) | 2022-06-16 | 2022-06-16 | Ftir结合cars-elm的sf6分解物检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115060681A true CN115060681A (zh) | 2022-09-16 |
Family
ID=83203288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210684113.2A Pending CN115060681A (zh) | 2022-06-16 | 2022-06-16 | Ftir结合cars-elm的sf6分解物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115060681A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116183541A (zh) * | 2023-04-24 | 2023-05-30 | 南方电网科学研究院有限责任公司 | 一种基于ftir技术的气体测量方法及装置 |
-
2022
- 2022-06-16 CN CN202210684113.2A patent/CN115060681A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116183541A (zh) * | 2023-04-24 | 2023-05-30 | 南方电网科学研究院有限责任公司 | 一种基于ftir技术的气体测量方法及装置 |
CN116183541B (zh) * | 2023-04-24 | 2023-06-23 | 南方电网科学研究院有限责任公司 | 一种基于ftir技术的气体测量方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7248370B2 (en) | Method to reduce background noise in a spectrum | |
JP3245157B2 (ja) | スペクトルデータの測定および補正 | |
CN110161013B (zh) | 基于机器学习的激光诱导击穿光谱数据处理方法和系统 | |
CN101430276B (zh) | 光谱分析中波长变量优选的方法 | |
US20060197956A1 (en) | Method to reduce background noise in a spectrum | |
Durante et al. | Application of N-PLS to gas chromatographic and sensory data of traditional balsamic vinegars of Modena | |
CN108287141A (zh) | 一种基于光谱法的多组分气体浓度分析方法 | |
CN104062256B (zh) | 一种基于近红外光谱的软测量方法 | |
CN110793932B (zh) | Cf4气体浓度检测方法、装置、设备及准确度验证系统 | |
CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
JP2013537307A (ja) | 気体サンプルストリームの中の化合物の監視、検出、および定量化 | |
Cui et al. | Quantitative analysis of SO2, H2S and CS2 mixed gases based on ultraviolet differential absorption spectrometry | |
Gao et al. | Quantitative detection of multicomponent SF 6 decomposition products based on Fourier Transform Infrared Spectroscopy combined With CARS-ELM algorithm | |
CN110567937A (zh) | 一种用于绝缘油拉曼光谱分析的竞争性自适应重加权关键数据提取方法 | |
CN104990895A (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
CN115391726B (zh) | 用于椭偏量测系统的拟合优化方法和相关装置 | |
CN102410992B (zh) | 简化的激光诱导等离子体光谱标准化的元素测量方法 | |
CN115060681A (zh) | Ftir结合cars-elm的sf6分解物检测方法 | |
GB2561879A (en) | Spectroscopic analysis | |
CN103134763B (zh) | 由红外光谱预测原油密度的方法 | |
CN107966499B (zh) | 一种由近红外光谱预测原油碳数分布的方法 | |
CN104596979A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 | |
CN116559110A (zh) | 一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法 | |
EP3892985A1 (en) | System and computer-implemented method for extrapolating calibration spectra |
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 |