废旧聚酯/棉混纺织物的在线近红外定量分析与自动分选

在前期探究的最佳测试条件下,利用自主研制的“纤维制品主体组分高效识别与分选装置”对废旧聚酯/棉混纺织物样品进行在线原始近红外光谱采集。基于在线原始谱图,探讨出最佳光谱预处理方法为S-G平滑+最大最小归一化(MMN)+S-G导数,并利用偏最小二乘法建立了废旧聚酯/棉混纺织物的在线近红外定量分析模型,模型的交互验证均方根误差(RMSECV)为1.47,校正相关系数(RC)、验证相关系数(RV)值均不小于0.99,校正相对预测偏差(RPDC)为18.17,验证相对预测偏差(RPDV)为13.13,交互验证相对预测偏差(RPDCV)为11.76。为验证模型的可靠性,选取30个外部样本进行在线验证,验证结果的线性方程为y=(1.00±0.01)x-(0.88±0.56),预测准确率为93.3%。将模型导入分选装置的“纺织品在线主控程序”后,对设备设定不同聚酯含量织物的分选类别,即可对废旧聚酯/棉混纺织物样本进行含量预测,并通过装置的吹分分选系统将样品自动吹扫到相应的收集框中。每个样品预测并分选的时间小于2 s,机械自动分选结果无误。利用所建模型和分选装置可对废旧聚酯/棉混纺织物进行在线高效测定与自动分选。     

Acoustic Phonon Thermal Transport through a Nanostructure

Using the scattering matrix method, we investigate the thermal transport m a nanostructure at low temperarures. It is found that phonon transport exhibits some novel and interesting features： resonant transmission, resonant reflection, and small thermal conductance. A comparison between thermal conductances is performed when stress-free and hard-wall boundary conditions are applied for acoustic modes, respectively. The result indicates that the characteristics of the thermal conductance versus temperature for different types of boundary conditions are qualitatively different.     

废旧涤／棉混纺织物NIRS定性分析模型的建立与外部验证

利用近红外光谱技术对354个废旧涤/棉混纺织物进行研究,通过偏最小二乘法（partial least squares ,PLS ）和定性鉴别系数建立了不同光谱特征的涤/棉混纺织物近红外定性分析模型。染色涤/棉混纺织物N IR光谱主要有两大类,一类具有正常涤/棉光谱特征,另一类光谱由于样本中染料、颜料和消光剂等化学助剂的影响,使光谱谱线成斜线,失去其光谱特征。如以全部样本建模,模型识别率较低。故将样本分为两类：斜线光谱样本和正常光谱样本,分别建立NIR定性分析模型。NIR定性分析模型建立后,根据验证结果分别对建模的谱区、预处理方法和主因子数进行优化,以提高模型的稳健性和可靠性。结果表明,样本分别建模后,模型的识别率大大提高,用验证集样本进行内部验证,正常光谱和斜线光谱所建模型的识别率均达99％,其校正集相关系数 RC 均为0.991,验证集相关系数 RP 分别为0.983和0.984、校正标准差S EC分别为0．887和0.453、预测标准差SEP分别为1.131和0.573。用150个界外样本分别对正常光谱样本模型和斜线光谱样本模型进行外部预测检验,模型识别率分别达91.33％和88.00％,表明所建NIR定性分析模型能够较好地在回收现场进行涤/棉混纺织物的鉴别。     

废旧涤/棉混纺织物近红外定量分析模型的建立及预测

将中红外光谱筛选出的598个纯涤、纯棉及涤/棉混纺样本采用GB/T 2910.11-2009法测定其涤、棉准确含量,其中校正集样本252个,验证集样本346个。使用便携式近红外光谱仪获取样本的原始近红外光谱(NIRS)。校正集样本依据回归系数的分布趋势和范围选取最佳建模谱区,并采用差分一阶导、S-G平滑和均值中心化相结合的方法对原始光谱进行预处理,利用偏最小二乘法(PLS)建立涤/棉混纺织物中涤含量的近红外(NIR)定量分析模型。同时分析了样本颜色对NIRS的影响,探讨了斜线光谱样本、奇异样本和不同组织结构织物对模型预测效果的影响。结果表明:利用PLS法建立的涤/棉混纺织物定量分析模型最优组合包含1个光谱区间和9个主成分因子,校正集相关系数(RC)为0.998,标准偏差(SEC)为0.908。为验证所建模型的有效性和实用性,对346个未参与建模的涤棉样本进行了预测,并将预测结果与国标法测定值进行方差分析,两种方法结果无显著差异,预测正确率达97%以上。模型的建立为废旧涤/棉混纺织物快速、无损分拣提供了基础数据库。     

便携式近红外光谱仪对废旧涤/棉混纺织物中涤含量的快速检测

利用近红外光谱技术对252个涤/棉混纺织物进行研究,建立了不同光谱特征的涤/棉混纺织物的偏最小二乘(PLS)定量分析模型。将近红外光谱异常样本与光谱正常样本分别建模,显著提高了定量分析模型的预测精度、拓宽了模型的适用范围。以涤、棉主要吸收峰区间为基本建模波段,进行双向扩展,筛选出最佳建模波段,以相关系数(R)、预测集标准差(SEP)和验证集准确率优化建模条件,并与未分别建模的PLS模型相比较。用346个未参与建模的废旧涤/棉混纺织物对模型进行外部验证,外部验证准确率为92%,识别时间8s。     

杀虫剂莠去津免疫传感器功能膜的制备与表征

用杀虫剂莠去津标记聚乙烯胺,然后共价偶联到已自组装在金基板上的11-巯基十一酸单分子层上,形成杀虫剂莠去津功能化的表面。利用抗体抗原相互特异性作用,将ATZ抗体固定在功能化金基板的表面。功能化的表面通过FT-IRRAS进行了表征,对功能表面的形成特性以及与抗体的相互作用情况进行了研究。     

纤维织物在线近红外检测影响因素探究

利用自行研制的"纤维制品主体组分高效识别与分拣装置"探讨了织物测试厚度、设备运行速度、扫描积分时间及扫描次数等因素对设备在线近红外检测的影响,并将常见织物的在线近红外谱图与光栅型近红外仪测得的离线谱图进行了比较。研究结果表明:每类织物的在线近红外谱图的分辨率虽有所降低,但均存在明显的特征吸收峰,且采集的谱图重复性良好。因此,该设备可用于纤维织物的在线识别与分拣。其最佳检测条件为:对于经纬密度紧密的机织物样品,测试厚度应在1 mm以上,对于疏松的针织物样品,测试厚度应在2.5 mm以上,设备运行速度以低速(0.41 m/s)为佳,扫描积分时间1 ms,扫描次数10次。所得检测条件为后续纤维织物的在线检测提供了参考依据。     

莠去津免疫传感器的功能膜的制备及FTIR-RAS光谱表征

基于FTIR-RAS检测技术原理,文章计划制备一种新型痕量杀虫剂传感器。在金基板表面上,利用含硫有机物易自组装单分子层的特点,制备了杀虫剂莠去津修饰的功能表面。首先合成杀虫剂莠去津功能化的硫醇衍生物,然后将其自组装到金基板表面上;功能化的金基板表面通过FTIR-RAS进行了表征,对功能表面的形成特性以及与抗体的相互作用情况进行了初步研究。     

便携式近红外光谱仪对涤/棉混纺织物的快速无损鉴别

利用便携式近红外光谱仪对376个涤/棉混纺织物进行研究,利用定量分析模型中的偏最小二乘法(partical least squares,PLS)作为校正方法,结合涤/棉混纺织物中涤、棉含量设定的定性鉴别系数,建立了涤/棉混纺织物的半定量-定性分析校正模型。该模型对涤/棉混纺织物进行定性鉴别的同时得出其相对含量,分析结果具有半定量性质。在建模过程中,采用Savitzky-Golay导数法,消除噪声和基线漂移对光谱的影响,并研究了波段选择和不同预处理方法对定性校正模型的影响。纯棉的主要吸收峰位于1 400~1 600 nm,纯涤的主要吸收峰位于1 600~1 800 nm,随着涤或棉含量的增加,其相应的吸收峰强度增强,因此,建模波段以涤、棉主要吸收峰区间为基本波段,进行双向扩展,得到最佳波长区间1 100~2 500 nm(相关系数0.6,波点数934)。利用所建校正模型对验证集样本进行预测,结果表明,在1 100~2 500 nm处,预处理方法为Savitzky-Golay导数、多元散射校正与均值中心化相结合时,该模型评价参数较佳,其中RC(校正集相关系数)0.978,RP(验证集相关系数)0.940,SEC(校正标准差)1.264,SEP(预测标准差)1.590,样品预测正确率达93.4%。表明该定性分析校正模型能够较好地对涤/棉混纺织物进行半定量-定性预测。     

在线近红外光谱预处理对废旧纺织品定性识别的影响

将近红外光谱分析技术与一阶导数、离散小波变换、标准正态变换、多元散射校正、 S-G平滑、移动平均平滑、均值中心化和最大最小归一化8种预处理方法相结合,采用其单一及组合的方法,对聚酯、锦纶、腈纶、棉、毛、真丝、聚酯/棉、聚酯/锦纶、聚酯/氨纶、聚酯/毛、真丝/棉、锦纶/氨纶和特殊类共计13类织物的3620个近红外谱图进行预处理,并建立基于深度卷积神经网络的废旧纺织品定性识别模型。依据定性模型的识别准确率,探讨出适宜该类数据集的谱图预处理方法。研究结果表明,采用S-G平滑、均值中心化+S-G平滑和标准正态变换+S-G平滑的方法预处理后,所得模型的识别准确率均在96%以上。将此3种模型与未经预处理的原模型分别导入“分拣装置”中,对未参与建模的280个样品进行成分识别检验,经预处理优化后的模型识别准确率均高于原模型的89.6%。且均值中心化+S-G平滑预处理后,模型的识别准确率最高达96.8%,识别、分拣时间小于2 s。因此,对原模型样本的近红外光谱数据进行预处理可极大提高模型的识别准确率,为废旧纺织品的在线高效识别与自动分拣提供新方法。