排序方式: 共有36条查询结果,搜索用时 15 毫秒
21.
变压器故障将导致供电中断,影响电力系统供电可靠性。通过监测变压器油状况,可以减少变压器的故障。监测变压器油是否发生局部放电关键气体是氢气。提出了两种基于不同钯(Pd)涂层比例的光纤光栅(FBGs)传感器来监测变压器油中的溶解氢气含量。通过采用物理气相沉积技术制备两种不同钯镀层成分的FBG样品,第一个样品涂有100%钯(Pd100),第二个样品涂有比例为58∶42的钯铬混合物(Pd58Cr42)。试验结果表明,与Pd58Cr42传感器相比,Pd100传感器在氢含量较低的条件下响应更快,灵敏度更高。因此,可以通过将铬钯混合涂层用于FBG传感器表面以扩大变压器油中溶解氢的检测范围。 相似文献
22.
脐橙放置方位对近红外光谱检测结果的影响 总被引:1,自引:0,他引:1
研究了不同放置方位对近红外光谱检测脐橙可溶性固形物(soluble solids content, SSC)结果的影响。按照脐橙果梗、窝底与入射光线所成角度的不同,分成垂直(90°)、平行(0°)和任意(不包含0°和90°)三种放置方位,并采用USB4000微型光纤光谱仪在465~1 150 nm范围内以半透射方式分别采集三种放置方位的脐橙光谱。脐橙样品数为336个,其中228个样本作为校正集,其余108个样本作为预测集。应用偏最小二乘回归并结合不同的预处理方法建立不同方位下的脐橙SSC预测模型,结果表明果梗、窝底与光源所成角度为垂直时脐橙SSC预测模型性能较优,其最好的模型相关系数rc=0.93,RMSEC=0.37%,rp=0.88,RMSEP=0.49%。 相似文献
23.
腐霉利(Procymidone)作为一种新型的农产品杀菌剂,具有防止农产品受病虫害的作用,但其在施药过程中容易使用不当危害环境和人的健康。为加强对腐霉利农药的检测,本研究应用共轴双脉冲激光诱导击穿光谱技术(LIBS)对溶液中的腐霉利含量进行定量检测研究。为配置不同浓度的腐霉利样品,将有效成分含量为98%腐霉利粉末与二甲苯按照不同比例混合并完全溶解。由于液体样品在激光击打的过程中容易将液体溅出,具有一定的危险性。因此,实验将液体样品转化为固体样品,利用石墨吸附腐霉利溶液,然后采用八通道高精度光谱仪采集样品的LIBS光谱,并利用不同预处理方法对光谱数据进行预处理。为提高腐霉利的检测精度,选择氯元素信号最强的两通道(744.555~935.843,893.107~1 057.058 nm)光谱数据,分别采用归一化函数(normalization)、基线校正(baseline correction)、标准正态变量变换(SNV)、多元散射校正(MSC)方法进行光谱预处理,并应用PLS方法建模。通过比较各预处理方法数据后,综合考虑,选择Baseline方法为最佳预处理方法。在baseline预处理方法的基础上使用无信息变量消除算法(UVE) 联合竞争性自适应重加权采样(CARS)算法剔除无信息的波长变量,筛选与腐霉利相关的重要波长变量,最后应用偏最小二乘回归建立溶液中腐霉利含量的定量预测模型。建模结果表明:经光谱预处理和UVE-CARS方法优选后,可将原4096个波长变量个数减少至13个,变量压缩率为99.68%;经UVE-CARS变量优选后建立的PLS模型的校正集的决定系数和均方根误差分别为0.990 5和0.66,预测集的决定系数和均方根误差分别为0.990 3和0.67,其模型性能优于原始光谱建立的PLS模型。结果表明,利用共轴双脉冲LIBS技术定量检测溶液中的腐霉利含量具有一定的可行性,经UVE和CARS方法筛选后可以有效提取腐霉利的特征变量及相关影响变量,剔除冗余及噪声影响变量,简化定量分析模型且提高了定量分析模型的稳定性。 相似文献
24.
纺织品纤维成分的快速检测对其生产过程质量监控、贸易和市场监督均具有重要的意义。利用近红外光谱技术联合变量优选对棉麻混纺织物中的棉含量进行快速检测研究。采用NIRFlex N-500型傅里叶近红外光谱仪在4 000~10 000 cm-1光谱范围内采集样本的反射光谱,对样本光谱进行范围初选和预处理分析。在此基础上,利用UVE(uninformative variables elimination),SPA(successive projections algorithm)及CARS (competitive adaptive reweighted sampling)方法对光谱变量进行优选,再应用PLS(partial least squares)建立棉麻混纺织物中的棉含量预测模型。最后,采用最优预测模型对未参与建模的样本进行预测。研究结果表明,4 052~8 000 cm-1光谱范围为棉含量较优的建模光谱范围。CARS变量选择方法能较为有效地提高预测模型的精度,CARS-PLS模型的校正集、预测集相关系数和均方根误差分别为0.903,0.749和8.01%,12.93%。因此,近红外光谱联合CARS变量优选可以用于棉麻混纺织物棉含量的快速检测,CARS方法可以有效简化预测模型,提高预测模型性能。 相似文献
25.
利用可见-近红外光谱技术联合变量选择新方法对南丰蜜桔的可溶性固形物(SSC)进行快速无损检测研究,以简化南丰蜜桔SSC预测模型和提高预测模型性能。试验共采用300个南丰蜜桔样本,校正集、验证集及预测集样本分别为150,75和75个。采用QualitySpec型光谱仪在350~1 000 nm波段范围内采集样本光谱,利用无信息变量消除(UVE)剔除无用信息波长变量,再采用独立成分分析(ICA)提取光谱的独立成分,最后应用最小二乘支持向量机(LS-SVM)建立南丰蜜桔的SSC预测模型,并利用未参与建模的预测集样本对模型进行评价。研究结果表明,可见-近红外光谱技术联合UVE-ICA- LS-SVM对南丰蜜桔的SSC检测精度高。UVE-ICA可以有效剔除无用信息波长变量,提取特征光谱信息,简化预测模型及提高预测模型性能。UVE-ICA- LS-SVM所建立的南丰蜜桔SSC预测模型性能优于PLS,PCA-LS-SVM及ICA-LS-SVM预测模型,其校正集、验证集及预测集的决定系数和均方根误差分别为0.978,0.230%,0.965,0.301%及0.967,0.292%。 相似文献
26.
近红外光谱技术结合变量选择方法定性检测食用植物油中的腐霉利 总被引:1,自引:0,他引:1
利用近红外光谱技术对食用植物油中的腐霉利进行定性检测研究。以国家标准规定的腐霉利最大残留限量为界线,将不同腐霉利含量的食用植物油样本分为合格组和不合格组。采用QualitySpec台式近红外光谱仪采集两类样本的光谱,利用无信息变量消除 (UVE)和子窗口重排分析(SPA)方法进行波长变量筛选,并应用线性判别分析(LDA)、偏最小二乘-线性判别分析(PLS-LDA)及判别偏最小二乘(DPLS)方法建立两类样本的分类模型。结果表明,近红外光谱技术可以对两类样本进行分类。UVE方法可以有效筛选有用波长变量,提高分类模型的性能。UVE-DPLS所建立的分类模型性能最优,其预测集样本的分类正确率、灵敏度及特异性分别为98.7%,95.0%和100.0%。 相似文献
27.
28.
29.
油脂中的反式脂肪酸(TFA)有害人们的身体健康,有必要对其含量进行监测。共收集各类食用植物油样本79个,涉及9个品种和27个品牌,分配到校正集和预测集的样本数分别为53个和26个。采用QE65000拉曼光谱仪采集79个样本的拉曼光谱,利用自适应迭代惩罚最小二乘法去除样本拉曼光谱的荧光背景;在此基础上,采用多种归一化方法对样本拉曼光谱进行处理,并对拉曼光谱的建模波数范围进行初选;再利用竞争性自适应重加权采样(CARS)方法筛选与食用植物油TFA含量相关的光谱变量,并应用偏最小二乘(PLS)回归将食用植物油TFA的特征变量光谱强度与气相色谱测定的TFA真实含量进行关联,建立食用植物油中TFA含量的定量预测模型。研究结果表明,多种归一化方法中,有4种归一化方法均能提高PLS定量预测模型的性能,其中Area normalization方法的效果最优;经建模波数范围初选,波数范围由686~2 301 cm-1缩减为737~1 787 cm-1,确定较优的建模波数范围为737~1 787 cm-1;经CARS方法筛选,共有31个光谱变量被选择,其选择的光谱变量主要分布在1 265,1 303,1 442及1 658 cm-1拉曼振动峰附近,且974 cm-1拉曼振动峰两侧均有光谱变量被选择;此外,CARS方法的PLS建模结果优于常用的无信息变量消除及连续投影算法。由此可知,激光拉曼光谱技术结合化学计量学方法检测食用植物油中的TFA含量是可行的。归一化方法、建模波数范围初选及竞争性自适应重加权采样(CARS)方法能有效提高TFA定量预测模型的预测精度和稳定性,优化后的TFA定量预测模型的校正集及预测集的相关系数和均方根误差分别为0.949,0.953和0.188%,0.191%。与未优化的预测模型相比,预测均方根误差由0.361%下降为0.191%,下降幅度为47.1%;建模所用的变量数由683个下降为31个,仅占原变量数的4.54%。 相似文献
30.
为建立预测能力高、稳定性强的可见/近红外漫透射光谱无损检测黄花梨可溶性固形物(SSC)数学模型,对比各种预处理方法、变量优选方法、快速独立主成分分析(FICA)以及最小二乘支持向量机(LS-SVM)对黄花梨SSC模型的影响,得出最佳的组合方法用于建立黄花梨可溶性固形物(SSC)预测模型。采用Quality Spec型光谱仪采集550~950 nm波段范围内的黄花梨漫透射光谱并采用遗传算法、连续投影算法和CARS(competitive adaptive reweighted sampling)三种方法筛选黄花梨可溶性固形物的光谱特征变量,再结合FICA提取光谱主成分,最后采用LS-SVM建立黄花梨的SSC预测模型。结果显示,采用CARS筛选的21个变量,经FICA挑选出12个主成分数,联合LS-SVM所建立的CARS-FICA-LS-SVM黄花梨SSC预测模型性能最佳,建模集和预测集的决定系数及均方根误差分别为0.974,0.116%和0.918,0.158%,同直接采用PLS方法建模相比,变量数从401个下降到21,主成分数由14下降到12,建模集和预测集决定系数分别上升了0.023,0.019,而建模和预测均方根误差分别下降了0.042%和0.010%。CARS-FICA-LS-SVM建立黄花梨SSC预测模型能够有效地简化预测模型并提高预测模型精度。 相似文献