CN117269148B - 一种基于libs技术的石油焦成分分析检测方法 - Google Patents
一种基于libs技术的石油焦成分分析检测方法 Download PDFInfo
- Publication number
- CN117269148B CN117269148B CN202311568778.8A CN202311568778A CN117269148B CN 117269148 B CN117269148 B CN 117269148B CN 202311568778 A CN202311568778 A CN 202311568778A CN 117269148 B CN117269148 B CN 117269148B
- Authority
- CN
- China
- Prior art keywords
- data
- component analysis
- chemical
- component
- petroleum coke
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 87
- 239000002006 petroleum coke Substances 0.000 title claims abstract description 63
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000005516 engineering process Methods 0.000 title claims abstract description 28
- 238000001506 fluorescence spectroscopy Methods 0.000 claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 239000000126 substance Substances 0.000 claims description 102
- 239000013598 vector Substances 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000000513 principal component analysis Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims 1
- 239000000306 component Substances 0.000 description 118
- 238000004876 x-ray fluorescence Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 230000007774 longterm Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000921 elemental analysis Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002746 orthostatic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/2206—Combination of two or more measurements, at least one measurement being that of secondary emission, e.g. combination of secondary electron [SE] measurement and back-scattered electron [BSE] measurement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及石油焦检测技术领域,公开了一种基于LIBS技术的石油焦成分分析检测方法,采用基于LIBS技术的石油焦成分分析检测装置进行检测,所述检测装置包括采集装置和计算机,所述采集装置包括采样组件、激光器、多模式光谱仪、传感器;所述采样组件包括样品平台、聚焦透镜和连接杆,所述聚焦透镜设于所述连接杆上并与所述连接杆转动连接,所述样品平台用以放置所述石油焦样本;所述激光器用于向所述石油焦样本发出穿过所述聚焦透镜的激光;所述多模式光谱仪,包括LIBS分析仪和XRF分析仪,所述LIBS分析仪和XRF分析仪用于分别采集所述石油焦样品的光谱数据和荧光数据。
Description
技术领域
本发明涉及石油焦检测技术领域,具体为一种基于LIBS技术的石油焦成分分析检测方法。
背景技术
石油焦是石油炼制过程中的副产品,它的质量指标对于其进一步的处理和应用至关重要。传统的石油焦检测方法包括利用激光诱导击穿光谱(LIBS)技术和X射线荧光(XRF)技术进行成分分析。LIBS技术能够提供快速的元素分析,而XRF技术则在测量元素的含量方面更为精确。然而,这些技术各自拥有限制,如LIBS的定量分析能力较弱,XRF对轻元素的检测敏感度较低,并且两者都受设备长期稳定性和环境变化的影响。
现有技术通常涉及对设备进行定期的手动校准,以维持检测的准确性。这不仅耗时耗力,还可能由于操作不当或校准不足而导致数据质量下降。另外,现有的检测仪器往往在新的样本类型或环境条件下难以自我调整,这限制了其在变化的工业环境中的应用。
为了克服这些限制,需要一种新的石油焦成分分析检测方法,使石油焦检测仪能够基于LIBS技术和XRF技术,根据环境变化、传感器老化等新的样本数据,进行自动调整和优化,确保始终保持高准确性。
发明内容
为解决上述问题,本说明书提供了一种基于LIBS技术的石油焦成分分析检测方法,用于检测石油焦样本的成分,所述石油焦成分分析检测方法采用基于LIBS技术的石油焦成分分析检测装置进行检测,所述检测装置包括采集装置和计算机,所述采集装置包括采样组件、激光器、多模式光谱仪、传感器;
所述采样组件包括样品平台、聚焦透镜和连接杆,所述聚焦透镜设于所述连接杆上并与所述连接杆转动连接,所述样品平台用以放置所述石油焦样本;
所述激光器用于向所述石油焦样本发出穿过所述聚焦透镜的激光;
所述多模式光谱仪,包括LIBS分析仪和XRF分析仪,所述LIBS分析仪和XRF分析仪用于分别采集所述石油焦样品的光谱数据和荧光数据;
所述传感器用以获取辅助数据;
所述计算机与所述传感器、所述激光器以及所述多模式光谱仪通讯连接。
在一些实施例中,所述计算机包括数据处理单元和反馈控制单元,所述反馈控制单元用于管理数据处理单元的运行,并根据成分分析结果调整LIBS分析仪和XRF分析仪的操作参数。
在一些实施例中,所述数据处理单元包括:
数据接收模块,用于以实时地从所述传感器获取辅助数据,以及实时地从所述多模式光谱仪获取光谱数据和荧光数据;
数据预处理模块,用于对采集到的光谱数据、荧光数据和辅助数据进行预处理,得到预处理数据;
特征提取模块,用于应用主成分分析对所述预处理数据进行降维,得到化学成分特征向量信息;
成分分析模块,用于将所述化学成分特征向量信息输入至预先训练好的化学成分分析模型中,得到化学成分分析结果;
参数更新模块,用于基于在线学习方法,更新化学成分分析模型的参数。
本说明书实施例还提供一种基于LIBS技术的石油焦成分分析检测方法,用于检测石油焦样本的成分,包括:
获取辅助数据,以及所述石油焦样本的光谱数据和荧光数据;
对所述辅助数据、所述光谱数据和所述荧光数据进行预处理,得到预处理数据;
应用主成分分析对所述预处理数据进行降维,得到化学成分特征向量信息;
将所述化学成分特征向量信息输入至预先训练好的化学成分分析模型中,得到化学成分分析结果;
基于所述化学成分分析结果,通过在线学习算法更新所述化学成分分析模型的参数。
在一些实施例中,所述对所述辅助数据、所述光谱数据和所述荧光数据进行预处理,得到预处理数据包括:
应用至少一种去噪技术处理所述辅助数据、所述光谱数据和所述荧光数据,得到去噪后数据;
对所述去噪后数据进行基线校正,移除背景信号,得到基线校正后数据;
对所述基线校正后数据进行标准化处理,得到预处理数据。
在一些实施例中,所述去噪技术包括通过滑动平均滤波器进行去噪,滤波公式为:
,
其中,x是原始信号,y是滤波后的信号,N是滑动窗口的大小,x[i+j]表示原始信号中第i+j个样本的值,y[i]表示滤波后的信号的第i个值,j是一个从0到N-1变化的索引,用于遍历x中的N个连续样本。
在一些实施例中,所述基线校正包括拟合基线上的非峰区域的多项式,多项式拟合公式为:
,
其中,B(λ)是基线的估计,λ是波长,,,...,是多项式系数。
在一些实施例中,所述应用主成分分析对所述预处理数据进行降维,得到化学成分特征向量信息包括:
根据所述预处理数据,获取所述预处理数据的协方差矩阵,所述协方差矩阵表示变量之间的共变程度;
基于数值分析方法计算所述协方差矩阵的成分特征值和成分特征向量,其中所述成分特征值表示在所述成分特征向量方向上的数据变异性,所述成分特征向量决定主成分分析的方向;
按照所述成分特征值的大小对所述成分特征向量进行排序,并选择前k个最大的成分特征值对应的成分特征向量;
基于前k个最大的成分特征值对应的成分特征向量构建成分特征向量矩阵,并将所述成分特征向量矩阵作为降维后数据点的新基;
将所述预处理数据乘以所述成分特征向量矩阵,将数据转换到新空间,得到化学成分特征向量信息。
在一些实施例中,所述化学成分分析模型通过以下步骤训练:
获取多个训练样本,所述多个训练样本包括多个石油焦样本的化学成分特征向量信息;
基于随机森林、支持向量机和/或神经网络,构建化学成分分析模型;
基于所述多个训练样本对所述化学成分分析模型进行训练,得到训练好的化学成分分析模型。
在一些实施例中,所述基于所述化学成分分析结果,通过在线学习算法更新所述化学成分分析模型的参数包括:
基于所述化学成分分析结果和实际化学成分,获取损失函数;
基于所述损失函数,采用随机梯度下降算法更新所述化学成分分析模型的参数。
附图说明
在附图中:
图1为本说明书实施例的一种石油焦成分在线采集分析装置的结构示意图;
图2为本说明书实施例的数据处理单元的结构框图;
图3为本说明书实施例的石油焦成分分析检测方法的流程图;
图4为本说明书实施例的石油焦成分分析检测方法的预处理过程的流程图;
图5为本说明书实施例的石油焦成分分析检测方法的主成分分析的流程图;
图6为本说明书实施例的化学成分分析模型的结构示意图;
图7为本发明中采样组件的结构示意图。
图中各附图标记所代表的组件为:
1、 计算机;2、激光器;3、多模式光谱仪;4、采样组件;41、聚焦透镜;42、样品平台;43、连接杆;44、连接环;45、安装环;5、延时器;6、反射镜;7、光采集器;8、传感器。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明中的说明书附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种基于LIBS技术的石油焦成分分析检测装置的结构框图,图2为本发明实施例提供的基于LIBS技术的石油焦成分分析检测装置的结构示意图。
如图1和图2所示,本说明书实施例提供一种基于LIBS技术的石油焦成分分析检测装置,用于检测石油焦样本的成分,包括采集装置和计算机1,所述采集装置包括采样组件4、激光器2、多模式光谱仪3、传感器8;所述采样组件4包括样品平台42、聚焦透镜41和连接杆43,所述聚焦透镜41设于所述连接杆43上并与所述连接杆43转动连接,所述样品平台42用以放置所述石油焦样本;所述激光器2用于向所述石油焦样本发出穿过所述聚焦透镜的激光;所述多模式光谱仪3,包括LIBS分析仪和XRF分析仪,所述LIBS分析仪和XRF分析仪用于分别采集所述石油焦样品的光谱数据和荧光数据;所述传感器8用以获取辅助数据;所述计算机1与所述传感器8、所述激光器2以及所述多模式光谱仪3通讯连接。
在一些实施例中,传感器可以包括温度传感器、压力传感器、湿度传感器等,以获取石油焦样品的辅助数据,例如,温度、压力、湿度等。由于这些物理参数会影响LIBS和XRF信号的强度和稳定性,辅助数据会影响LIBS和XRF信号,获取辅助数据,能够保证石油焦样品的化学成分分析结果的准确性。
在一些实施例中,所述计算机1包括数据处理单元和反馈控制单元,所述反馈控制单元用于管理数据处理单元的运行,并根据成分分析结果调整LIBS分析仪和XRF分析仪的操作参数。
数据处理单元是分析数据的核心部件,传感器、所述激光器2以及所述多模式光谱仪将辅助数据光谱数据和荧光数据传输给数据处理单元,由数据处理单元分析数据后,将结果输出到计算机1的显示部件上。
在一些实施例中,反馈控制单元也可以获取石油焦样品的化学成分分析结果,并通过算法优化或参数调整等方式反馈控制,调整LIBS分析仪和XRF分析仪的操作参数,例如调整激光器2的功率、光谱仪的积分时间,或者更新检测算法中的校正系数等,以适应长期使用中的仪器性能变化,保持检测数据的准确性和可靠性。
图2为本发明实施例提供的数据处理单元的结构框图。
如图2所示,在一些实施例中,所述数据处理单元包括:数据接收模块,用于以实时地从所述传感器获取辅助数据,以及实时地从所述多模式光谱仪获取光谱数据和荧光数据;数据预处理模块,用于对采集到的光谱数据、荧光数据和辅助数据进行预处理,得到预处理数据;特征提取模块,用于应用主成分分析对所述预处理数据进行降维,得到化学成分特征向量信息;成分分析模块,用于将所述化学成分特征向量信息输入至预先训练好的化学成分分析模型中,得到化学成分分析结果;参数更新模块,用于基于在线学习方法,更新化学成分分析模型的参数。
本说明书实施例还提供一种基于LIBS技术的石油焦成分分析检测方法,用于检测石油焦样本的成分,包括以下步骤:
S100.获取辅助数据,以及所述石油焦样本的光谱数据和荧光数据。
辅助数据是与样本的检测环境相关的数据,可能包括但不限于样品的温度、压力、湿度等,这些因素都可能影响到LIBS和XRF信号的质量和稳定性。在一些实施例中,辅助数据可以通过多种方式获取,例如从实验室内置的环境监测设备或者从布置在检测场地周围的当地监测站中获得。在一些实施例中,辅助数据可以通过与计算机1通讯连接的传感器获取,这些传感器可能是集成在分析仪中的或者是作为外围设备连接的,它们能够提供实时的环境数据。
光谱数据是由LIBS(激光诱导击穿光谱)分析仪产生的数据,这些数据包含了样本中各种元素的光谱线强度和位置信息,能够反映样本的元素组成。在一些实施例中,光谱数据可以通过LIBS分析仪获取,该设备通过激光激发样本并收集由此产生的光谱信号来进行分析。
荧光数据是由XRF(X射线荧光)分析仪产生的数据,包括了样本中元素的X射线荧光峰的强度和能量位置信息,这也是用于确定样本的元素组成。在一些实施例中,荧光数据可以通过XRF分析仪获取,该分析仪通过照射样本以X射线并测量由各元素发出的特定能量的荧光X射线来识别和量化样本中的元素。
S200.对所述辅助数据、所述光谱数据和所述荧光数据进行预处理,得到预处理数据。
在一些实施例中,所述对所述辅助数据、所述光谱数据和所述荧光数据进行预处理,得到预处理数据包括:
S210.应用至少一种去噪技术处理所述辅助数据、所述光谱数据和所述荧光数据,得到去噪后数据。信号中的噪声可能来源于多种环境,例如仪器自身产生的电子噪声、外部电磁干扰、样品本身的随机性以及测试环境的不稳定性等。
在一些实施例中,所述去噪技术包括通过滑动平均滤波器进行去噪,该技术利用一个窗口(由N个数据点组成)在信号序列上滑动,每个数据点的值是窗口中的原始信号值的平均。这种方法有助于平滑短期的波动,突出长期的趋势。滤波公式为:
,
其中,x是原始信号,y是滤波后的信号,N是滑动窗口的大小,x[i+j]表示原始信号中第i+j个样本的值,y[i]表示滤波后的信号的第i个值,j是一个从0到N-1变化的索引,用于遍历x中的N个连续样本。
S220.对所述去噪后数据进行基线校正,移除背景信号,得到基线校正后数据。由于背景信号可能会掩盖或偏移化学成分的特征峰。通过对非峰区域进行多项式拟合,可以估算出基线,并从总信号中减去,从而保留下真正的化学成分信号。这个步骤是定量分析中特别重要的,因为它直接影响到定量结果的精度。
在一些实施例中,所述基线校正包括拟合基线上的非峰区域的多项式,选择合适阶数的多项式来近似基线形状,再从整个信号中减去这个多项式,从而得到纠正后的数据。这个多项式拟合可以使用最小二乘法来进行参数的优化确定,确保最佳的基线拟合效果。多项式拟合公式为:
,
其中,B(λ)是基线的估计,λ是波长,,,...,是多项式系数。
S230.对所述基线校正后数据进行标准化处理,得到预处理数据。
在一些实施例中,将基线校正后数据标准化,可以消除不同量级和量程的影响。
由于PCA受到数据规模的影响,需要先标准化数据,确保每个特征的均值为0,方差为1。
标准化公式为:
,
其中,μ是均值,σ是标准差,X为基线校正后数据,为标准化处理后的数据。
在一些实施例中,所述对所述辅助数据、所述光谱数据和所述荧光数据进行预处理,得到预处理数据还包括:
S240.对标准化处理数据进行异常值检测,得到预处理数据。
在一些实施例中,还可以基于孤立森林算法对对标准化处理数据进行异常值检测。首先构造孤立树(IsolationTrees),对于标准化处理数据中的每一个样本点,随机选择一个特征并为该特征随机选择一个切分值。在这个过程中,创建了一棵孤立树,异常点由于与正常点有较大差异,在树中会在较低深度就被孤立。以此类推,创建多棵孤立树,形成森林。每棵树都是独立随机生成的,它们共同构成了一个整体的异常检测模型。
其中,样本点的异常分数是基于它在树中被孤立的平均深度。一个样本点如果在较低的深度被孤立,其异常分数会较高,这表示它可能是一个异常点。
异常分数 的计算公式如下:
,
其中,x是要评估的数据点,n是样本数量,E(h(x))是数据点x在所有树中被孤立的平均深度,c(n)是不纯的子样本需要的平均路径长度,是一个归一化的常数。
通过孤立森林算法,系统能够实时监测并评估石油焦样本数据的异常程度。如果检测到异常分数显著上升,可能表示出现了新的、不寻常的化学成分,或者环境因素(如温度、湿度)的变化影响了传感器读数,又或者传感器性能由于老化或故障而下降。如果样本的异常分数超过设定的阈值,则可以视为检测到环境变化或传感器读数漂移,此时可以触发进一步的诊断流程或重新校准传感器,确保化学成分分析模型的准确性和可靠性。同时,由于标准化后,数据会有一个统一的尺度,将异常检测设置在标准化之后可以更容易地识别异常值。
S300.应用主成分分析对所述预处理数据进行降维,得到化学成分特征向量信息。
PCA是一种统计方法,通过正交变换将一组可能相关的变量转换为一组线性不相关的变量,称为主成分。在LIBS和XRF数据上,这个方法可以用来减少数据集的维度,同时保留最多的变异性,从而在不损失太多信息的情况下简化模型。
在一些实施例中,所述应用主成分分析对所述预处理数据进行降维,得到化学成分特征向量信息包括:
S310.根据所述预处理数据,获取所述预处理数据的协方差矩阵,所述协方差矩阵表示变量之间的共变程度。
协方差矩阵C的计算公式为:
,
其中X表示预处理后的数据矩阵,μ表示各变量的平均值向量,n表示样本数量,表示每个样本与平均值的偏差,T表示矩阵转置。
S320.基于数值分析方法计算所述协方差矩阵的成分特征值和成分特征向量,其中所述成分特征值表示在所述成分特征向量方向上的数据变异性,所述成分特征向量决定主成分分析的方向。
S330.按照所述成分特征值的大小对所述成分特征向量进行排序,并选择前k个最大的成分特征值对应的成分特征向量。
S340.基于前k个最大的成分特征值对应的成分特征向量构建成分特征向量矩阵,并将所述成分特征向量矩阵作为降维后数据点的新基。
k的选择基于累计贡献率通常设定为85%以上,公式为:
,
其中,表示第i个成分特征值,下标i表示选定的、用于构建降维后数据集的前k个特征值的索引,m表示总的成分特征值的数量,/>代表第j个成分特征值,下标j表示所有可能的成分特征值的索引, />表示选取的前k个最大成分特征值的和,/> 表示所有成分特征值的和,k表示选择的主成分数量。
通过该公式,可以保证选择的前k个成分特征值的累积和至少占总成分特征值的85%,确保所选成分能够代表大部分数据的变异性。
S350.将所述预处理数据乘以所述成分特征向量矩阵,将数据转换到新空间,得到化学成分特征向量信息,空间转换公式为:
Y=X*V
其中,Y表示化学成分特征向量信息,X表示预处理数据,V表示由选取的成分特征向量组成的矩阵。
S400.将所述化学成分特征向量信息输入至预先训练好的化学成分分析模型中,得到化学成分分析结果。
在一些实施例中,化学成分分析模型可以是随机森林模型、支持向量机模型和/或神经网络模型。在一些实施例中,化学成分分析模型可以是支持向量机模型。
在一些实施例中,模型的输入数据可以包括光谱数据、荧光数据和辅助数据。其中,光谱数据包括各种元素的光谱线强度和位置,荧光数据包括各元素的X射线荧光峰强度和能量位置,辅助数据包括样品的温度、压力、湿度等,这些都会影响LIBS和XRF信号。
在一些实施例中,模型的输出数据可以包括定量分析结果和定性分析结果。其中定量分析结果可以是化学成分的浓度值或含量,定性分析结果可以是化学成分的存在与否,或者样品的分类标签。
在一些实施例中,所述化学成分分析模型通过以下步骤训练:
S410.获取多个训练样本,所述多个训练样本包括多个石油焦样本的化学成分特征向量信息。在一些实施例中,所述多个训练样本还包括与多个石油焦样本的化学成分特征向量信息对应的训练标签。在一些实施例中,多个石油焦样本的化学成分特征向量信息对应的训练标签的获取方式可以是人工标注,也可以是基于历史数据获取。
S420.基于随机森林、支持向量机和/或神经网络,构建化学成分分析模型。
在一些实施例中,可以基于支持向量机,构建化学成分分析模型。支持向量机模型通过选择合适的核函数,如高斯径向基核(RBF),来处理非线性特征。接着,使用交叉验证方法选择最优的惩罚参数C和核函数参数γ。确定模型参数后,使用支持向量机算法进行学习,建立起能够区分石油焦样本不同化学成分的高维决策边界。
S430.基于所述多个训练样本对所述化学成分分析模型进行训练,得到训练好的化学成分分析模型。
在一些实施例中,可以应用诸如交叉验证的方法来避免过拟合,并通过调整模型参数来优化模型性能。
S500.基于所述化学成分分析结果,通过在线学习算法更新所述化学成分分析模型的参数。
在一些实施例中,所述基于所述化学成分分析结果,通过在线学习算法更新所述化学成分分析模型的参数包括:
S510.基于所述化学成分分析结果和实际化学成分,获取损失函数;
在一些实施例中,化学成分分析模型通过利用LIBS技术和XRF技术收集到的数据来预测石油焦的成分。模型输出是预测值,它代表了模型对石油焦各个化学成分含量的预测。实际化学成分则是通过实验或标准方法获得的石油焦样品的真实成分数据。
为了优化模型,首先需要计算模型输出与实际化学成分之间的误差。误差可以通过以下损失函数来表示:
,
其中,N是样本总数, 是第i个样本的实际化学成分值, 是模型对第i个样本的预测值。上述公式中的损失函数是均方误差(MSE),它是评价模型预测性能的常用指标之一。
S520.基于所述损失函数,采用随机梯度下降算法更新所述化学成分分析模型的参数。
在一些实施例中,随机梯度下降(SGD)算法用于优化化学成分分析模型的参数,即模型的权重。通过计算损失函数对每个权重参数的偏导数,可以得到梯度,然后利用该梯度来更新对应的权重参数。权重的更新公式为:
,
和 />分别代表在时刻t+1和时刻t的模型参数,/>是在时刻t的学习率,它可以随时间变化以控制学习过程。在训练的初期,学习率从一个较小的值逐渐增加到预定的初始学习率。这有助于模型稳定并防止一开始就出现大的权重更新,/>是损失函数E在时刻t针对当前数据点 />计算得到的梯度,/>和/>分别表示在每次迭代中使用的一个数据样本的特征和该样本的标签或目标值。
在一些实施例中,检测方法还包括以下步骤:
S600.基于校准周期,对LIBS检测仪和XRF检测仪进行校准。
在一些实施例中,校准周期可以根据仪器的使用频率和稳定性人为设置。在一些实施例中,校准周期还可以基于历史数据分析确定,如果仪器显示出趋于稳定,则可以适当延长校准周期,反之,则应缩短。
本说明书实施例的有益效果包括:
1、提高检测精度:通过结合LIBS和XRF两种技术,模型能够综合利用光谱和荧光数据的优势,提高对石油焦化学成分分析的准确性。
2、实时在线学习:随着环境变化和传感器老化,传统的化学分析方法可能准确性下降。该模型可以实时更新,适应这些变化,保证数据分析的连续准确性。
3、降低长期运维成本:由于模型能自动调整和优化参数,减少了频繁校准设备和手动更新模型的需要,从而降低长期的维护和运营成本。
4、适应性强:该模型通过在线学习能够处理各种环境下的数据,包括温度、压力、湿度等变化,使其适用性更强,可在不同工况下稳定运行。
5、快速响应时间:在线学习算法能够快速地更新模型参数,确保了分析的响应时间,对于需要快速决策的应用场景特别有价值。
6、数据驱动的优化:模型的优化不是基于假设或经验,而是基于实际从设备收集的数据,这提高了优化的准确性和可靠性。
7、降维分析:使用主成分分析(PCA)对数据进行降维,可以提取最重要的特征,从而减少计算资源的消耗,并提高处理速度。
8、延长设备寿命:通过在线学习和自动调整,减少了设备的过度使用和不必要的手动干预,有助于延长仪器的使用寿命。
在一些实施例中,如图7所示,为便于聚焦透镜41的拆装与更换,将上述的若干个聚焦透镜41均设置为通过连接环44与连接杆43转动连接,连接环44一侧设有锁紧杆,且能够通过锁紧杆与连接杆43锁紧固定,采样组件4还包括若干个安装环45,聚焦透镜41通过安装环45与连接环44连接,聚焦透镜41与安装环45可拆卸连接,连接环44与安装环45为焊接连接。
其中,多模式光谱仪3上连接有光采集器7,且能够通过光采集器7接收石油焦样本反射的光。
激光器2与计算机1之间通讯连接有延时器5,延时器5用以控制激光器2的收光时间。
激光器2是波长为1064nm的固体高能脉冲激光器2。
为适应不同尺寸的激光器2,在激光器2与聚焦透镜41之间设有反射镜6,用以在空间有限的情况下使用反射镜6,改变激光器2发出的激光的方向,反射镜6是波长为1064nm的脉冲激光反射镜6,且与激光器2的轴线夹角为45°。
最后应说明的是:本发明实施例公开的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (2)
1.一种基于LIBS技术的石油焦成分分析检测方法,采用基于LIBS技术的石油焦成分分析检测装置进行检测,其特征在于,所述基于LIBS技术的石油焦成分分析检测装置包括采集装置和计算机,所述采集装置包括采样组件、激光器、多模式光谱仪、传感器;
所述采样组件包括样品平台、聚焦透镜和连接杆,所述聚焦透镜设于所述连接杆上并与所述连接杆转动连接,所述样品平台用以放置石油焦样本;
所述激光器用于向所述石油焦样本发出穿过所述聚焦透镜的激光;所述多模式光谱仪,包括LIBS分析仪和XRF分析仪,所述LIBS分析仪和XRF分析仪用于分别采集所述石油焦样品的光谱数据和荧光数据;
所述传感器用以获取辅助数据;
所述计算机与所述传感器、所述激光器以及所述多模式光谱仪通讯连接;
其中,所述基于LIBS技术的石油焦成分分析检测方法包括:
S100获取辅助数据,以及所述石油焦样本的光谱数据、荧光数据;S200对所述辅助数据、所述光谱数据和所述荧光数据进行预处理,得到预处理数据;
S300应用主成分分析对所述预处理数据进行降维,得到化学成分特征向量信息;
S400将所述化学成分特征向量信息输入至预先训练好的化学成分分析模型中,得到化学成分分析结果;
S500基于所述化学成分分析结果,通过在线学习算法更新所述化学成分分析模型的参数;
所述对所述辅助数据、所述光谱数据和所述荧光数据进行预处理,得到预处理数据包括:
应用去噪技术处理所述辅助数据、所述光谱数据和所述荧光数据,得到去噪后数据;
对所述去噪后数据进行基线校正,移除背景信号,得到基线校正后数据;
对所述基线校正后数据进行标准化处理,得到预处理数据;
所述去噪技术包括通过滑动平均滤波器进行去噪,滤波公式为:
其中,x是原始信号,y是滤波后的信号,N是滑动窗口的大小,x[i+j]表示原始信号中第i+j个样本的值,y[i]表示滤波后的信号的第i个值,j是一个从0到N-1变化的索引,用于遍历x中的N个连续样本;对所述去噪后数据进行基线校正,移除背景信号,得到基线校正后数据;
所述基线校正包括拟合基线上的非峰区域的多项式,使用最小二乘法来进行参数的优化确定,多项式拟合公式为:
B(λ)=a0+a1λ+a2λ2+…+anλn,
其中,B(λ)是基线的估计,λ是波长,a0,a1,...,an是多项式系数;
对所述基线校正后数据进行标准化处理,得到预处理数据;
标准化公式为:
其中,μ是均值,σ是标准差,X为基线校正后数据,Xstd为标准化处理后的数据;
所述对所述辅助数据、所述光谱数据和所述荧光数据进行预处理,得到预处理数据还包括:
对标准化处理数据进行异常值检测,得到预处理数据基于孤立森林算法对标准化处理数据进行异常值检测;首先构造孤立树,对于标准化处理数据中的每一个样本点,随机选择一个特征并为该特征随机选择一个切分值;在这个过程中,创建了一棵孤立树,异常点由于与正常点有较大差异,在树中会在较低深度就被孤立;以此类推,创建多棵孤立树,形成森林;每棵树都是独立随机生成的,它们共同构成了一个整体的异常检测模型;
其中,样本点的异常分数是基于它在树中被孤立的平均深度;一个样本点如果在较低的深度被孤立,其异常分数会较高,这表示它是一个异常点;
异常分数s(x,n)的计算公式如下:
其中,x是要评估的数据点,n是样本数量,E(h(x))是数据点x在所有树中被孤立的平均深度,c(n)是不纯的子样本需要的平均路径长度,是一个归一化的常数;
应用主成分分析对所述预处理数据进行降维,得到化学成分特征向量信息;
所述应用主成分分析对所述预处理数据进行降维,得到化学成分特征向量信息包括:
根据所述预处理数据,获取所述预处理数据的协方差矩阵,所述协方差矩阵表示变量之间的共变程度;
协方差矩阵C的计算公式为:
其中X表示预处理后的数据矩阵,μ表示各变量的平均值向量,n表示样本数量,(X-μ)表示每个样本与平均值的偏差,T表示矩阵转置;
基于数值分析方法计算所述协方差矩阵的成分特征值和成分特征向量,其中所述成分特征值表示在所述成分特征向量方向上的数据变异性,所述成分特征向量决定主成分分析的方向;
按照所述成分特征值的大小对所述成分特征向量进行排序,并选择前k个最大的成分特征值对应的成分特征向量;
基于前k个最大的成分特征值对应的成分特征向量构建成分特征向量矩阵,并将所述成分特征向量矩阵作为降维后数据点的新基;
k的选择基于累计贡献率通常设定为85%以上,公式为:
其中,λi表示第i个成分特征值,下标i表示选定的、用于构建降维后数据集的前k个特征值的索引,m表示总的成分特征值的数量,λj代表第j个成分特征值,下标j表示所有可能的成分特征值的索引,表示选取的前k个最大成分特征值的和,/>表示所有成分特征值的和,k表示选择的主成分数量;
将所述预处理数据乘以所述成分特征向量矩阵,将数据转换到新空间,得到化学成分特征向量信息,空间转换公式为:Y=X*V,
其中,Y表示化学成分特征向量信息,X表示预处理数据,V表示由选取的成分特征向量组成的矩阵;
将所述化学成分特征向量信息输入至预先训练好的化学成分分析模型中,得到化学成分分析结果;
所述化学成分分析模型通过以下步骤训练:
获取多个训练样本,所述多个训练样本包括多个石油焦样本的化学成分特征向量信息;所述多个训练样本还包括与多个石油焦样本的化学成分特征向量信息对应的训练标签;
基于随机森林、支持向量机和/或神经网络,构建化学成分分析模型;基于所述多个训练样本对所述化学成分分析模型进行训练,得到训练好的化学成分分析模型;
所述基于所述化学成分分析结果,通过在线学习算法更新所述化学成分分析模型的参数包括:
基于所述化学成分分析结果和实际化学成分,获取损失函数;
化学成分分析模型通过利用LlBS技术和XRF技术收集到的数据来预测石油焦的成分;
为了优化模型,首先需要计算模型输出与实际化学成分之间的误差;
误差可以通过以下损失函数来表示:
其中,N是样本总数,yi是第i个样本的实际化学成分值,是模型对第i个样本的预测值;
基于所述损失函数,采用随机梯度下降算法更新所述化学成分分析模型的参数;
随机梯度下降(SGD)算法用于优化化学成分分析模型的参数,即模型的权重;通过计算损失函数对每个权重参数的偏导数,得到梯度,然后利用该梯度来更新对应的权重参数,权重的更新公式为:
,
θt+1和θt分别代表在时刻t+1和时刻t的模型参数,α(t)是在时刻t的学习率,它随时间变化以控制学习过程;在训练的初期,学习率从一个较小的值逐渐增加到预定的初始学习率;
是损失函数E在时刻t针对当前数据点(xt,yt)计算得到的梯度,xt和yt分别表示在每次迭代中使用的一个数据样本的特征和该样本的标签或目标值。
2.根据权利要求1所述的基于LIBS技术的石油焦成分分析检测方法,其特征在于,数据处理单元包括:
数据接收模块,用于以实时地从所述传感器获取辅助数据,以及实时地从所述多模式光谱仪获取光谱数据和荧光数据;
数据预处理模块,用于对采集到的光谱数据、荧光数据和辅助数据进行预处理,得到预处理数据;
特征提取模块,用于应用主成分分析对所述预处理数据进行降维,得到化学成分特征向量信息;
成分分析模块,用于将所述化学成分特征向量信息输入至预先训练好的化学成分分析模型中,得到化学成分分析结果;
参数更新模块,用于基于在线学习方法,更新化学成分分析模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311568778.8A CN117269148B (zh) | 2023-11-23 | 2023-11-23 | 一种基于libs技术的石油焦成分分析检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311568778.8A CN117269148B (zh) | 2023-11-23 | 2023-11-23 | 一种基于libs技术的石油焦成分分析检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117269148A CN117269148A (zh) | 2023-12-22 |
CN117269148B true CN117269148B (zh) | 2024-02-09 |
Family
ID=89203116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311568778.8A Active CN117269148B (zh) | 2023-11-23 | 2023-11-23 | 一种基于libs技术的石油焦成分分析检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117269148B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092540A (zh) * | 2015-06-16 | 2015-11-25 | 江西农业大学 | 一种食用油中重金属铅含量的快速高精度检测方法及装置 |
CN106596512A (zh) * | 2017-01-06 | 2017-04-26 | 中国科学院上海技术物理研究所 | 一种用于大宗及贵重货品进出口检测的联合光谱检测仪 |
CN109669023A (zh) * | 2018-12-05 | 2019-04-23 | 浙江大学 | 一种基于多传感器融合的土壤属性预测方法 |
CN110426375A (zh) * | 2019-07-30 | 2019-11-08 | 中国海洋大学 | 一种深海libs原位探测装置 |
CN111610179A (zh) * | 2020-05-20 | 2020-09-01 | 北京科技大学 | 用于炉前高温样品成分libs快速检测的系统及方法 |
CN113092450A (zh) * | 2021-04-13 | 2021-07-09 | 南京信息工程大学 | 一种大气气溶胶快速检测溯源装置及方法 |
CN113155809A (zh) * | 2021-03-12 | 2021-07-23 | 北京理工大学 | 一种矿石分类与实时定量分析的光谱检测新方法 |
CN114544597A (zh) * | 2022-03-24 | 2022-05-27 | 郭帅 | 基于不同时域双激光光束libs光谱谱线增强系统 |
CN115839941A (zh) * | 2022-10-25 | 2023-03-24 | 中国矿业大学 | 一种基于libs和teom联合的小型粉尘检测装置及方法 |
CN219391871U (zh) * | 2023-04-27 | 2023-07-21 | 赛默飞世尔(上海)仪器有限公司 | 用于检测样品的分析系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7233643B2 (en) * | 2005-05-20 | 2007-06-19 | Oxford Instruments Analytical Oy | Measurement apparatus and method for determining the material composition of a sample by combined X-ray fluorescence analysis and laser-induced breakdown spectroscopy |
-
2023
- 2023-11-23 CN CN202311568778.8A patent/CN117269148B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092540A (zh) * | 2015-06-16 | 2015-11-25 | 江西农业大学 | 一种食用油中重金属铅含量的快速高精度检测方法及装置 |
CN106596512A (zh) * | 2017-01-06 | 2017-04-26 | 中国科学院上海技术物理研究所 | 一种用于大宗及贵重货品进出口检测的联合光谱检测仪 |
CN109669023A (zh) * | 2018-12-05 | 2019-04-23 | 浙江大学 | 一种基于多传感器融合的土壤属性预测方法 |
CN110426375A (zh) * | 2019-07-30 | 2019-11-08 | 中国海洋大学 | 一种深海libs原位探测装置 |
CN111610179A (zh) * | 2020-05-20 | 2020-09-01 | 北京科技大学 | 用于炉前高温样品成分libs快速检测的系统及方法 |
CN113155809A (zh) * | 2021-03-12 | 2021-07-23 | 北京理工大学 | 一种矿石分类与实时定量分析的光谱检测新方法 |
CN113092450A (zh) * | 2021-04-13 | 2021-07-09 | 南京信息工程大学 | 一种大气气溶胶快速检测溯源装置及方法 |
CN114544597A (zh) * | 2022-03-24 | 2022-05-27 | 郭帅 | 基于不同时域双激光光束libs光谱谱线增强系统 |
CN115839941A (zh) * | 2022-10-25 | 2023-03-24 | 中国矿业大学 | 一种基于libs和teom联合的小型粉尘检测装置及方法 |
CN219391871U (zh) * | 2023-04-27 | 2023-07-21 | 赛默飞世尔(上海)仪器有限公司 | 用于检测样品的分析系统 |
Non-Patent Citations (2)
Title |
---|
基于XRF辅助LIBS的煤质分析技术研究;李晓林;中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑;第7-29页 * |
基于激光诱导击穿光谱与径向基函数神经网络的铝合金定量分析;潘立剑等;激光与光电子学进展;第57卷(第19期);第193002-1—193002-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117269148A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2710353B1 (en) | SPECTROSCOPIC APPARATUS AND METHOD of DETERMINING COMPONENTS PRESENT IN A SAMPLE | |
CN109324013B (zh) | 利用高斯过程回归模型构建原油性质近红外快速分析方法 | |
CA2228844C (en) | Biological fluid analysis using distance outlier detection | |
CN105300923A (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
CN108801950B (zh) | 基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法 | |
CN111770720A (zh) | 用于实时拉曼光谱法以进行癌症检测的系统和方法 | |
CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
CN116030310A (zh) | 一种基于激光诱导击穿光谱技术的样品分类方法及系统 | |
CN114813709A (zh) | 土壤成分检测方法、设备及系统 | |
CN113758890A (zh) | 一种气体浓度计算方法、装置、设备及存储介质 | |
CN117269148B (zh) | 一种基于libs技术的石油焦成分分析检测方法 | |
CN109283153B (zh) | 一种酱油定量分析模型的建立方法 | |
CN109142251B (zh) | 随机森林辅助人工神经网络的libs定量分析方法 | |
CN112630180A (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
CN115266583B (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
CN113435115B (zh) | 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 | |
CN108267422B (zh) | 基于近红外光谱分析的异常样本剔除法 | |
CN116380816A (zh) | 一种煤质在线检测系统故障判定方法、程序以及存储介质 | |
CN117129698B (zh) | 全自动凝血测试仪的异常报警与重测系统及方法 | |
CN112861415A (zh) | 基于近红外光谱主成分和神经网络的生物质灰分含量测量与建模方法 | |
CN116973348B (zh) | 一种紫外光度法cod在线的水质分析方法及其系统 | |
CN117589697A (zh) | 一种植物土壤pH值的检测方法 | |
JP6953142B2 (ja) | 測定装置、測定方法及び測定装置の制御プログラム | |
Casanovas Rodríguez | Machine Learning methods to estimate odour intensity | |
CN117391182A (zh) | 一种作物冠层等效水厚度的快速监测方法和系统 |
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 |