近红外校正模型的无测点温度修正方法技术

本发明专利技术涉及一种近红外光谱测量中的无测点温度修正建模方法，包括采集具有代表性的样品，确保样品的待测物性参数可以覆盖测量要求的范围；在不同温度水平下采集各个样品的近红外光谱；对采集的光谱针对温度和待测物性参数分别做预处理以及主元分析；将两个不同预处理得到的光谱进行合并产生合并光谱数据；最后，对合并光谱做主元分析，并用偏最小二乘建立物性参数校正模型。本发明专利技术将温度作为分离的隐含因素变量参与到近红外建模过程中，因而在使用近红外测量时，可以依赖模型本身对温度的适应性完成不同温度下的物性测量，不需要直接温度测量信息和相关计算，使得所建立的模型具有更好的通用性以及温度适应性。

【技术实现步骤摘要】

本专利技术涉及近红外光谱测量中的无测点温度修正建模方法，适用于易受环境温度影响的物质粘度、发酵过程丙氨酸浓度、食品品质、农产品品质、药品品质、汽油油品等的快速检测，还可用于人体无创血糖浓度、土壤成分及矿物成分等的测量。
技术介绍
近年来，近红外光谱分析技术以其快速检测、无损检测、无化学污染、操作简便、样品制备简单等优点，已经广泛地应用于石油化工、食品、农业、医药等行业，成为发展最快的定性和定量分析技术之一。近红外光谱区内的吸收主要来自于分子振动或转动引起的状态变化，其各基团的振动容易受到温度等外界条件的影响，尤其在对液体样品测量时，温度的升高会导致伸缩振动的羟基数目减少而自由振动的数目增加，从而产生振动光谱的偏移，使得特定温度下建立的近红外光谱模型只能适用于该温度下的样品品质分析，而对于不同温度的样品品质分析效果不理想，此缺点大大地限制了近红外光谱分析仪建模技术的应用。为了获得较好的分析准确度，在恒温下测量可以有效减少温度变化的影响，但在实际应用中温度无法精确控制，因此解决温度对近红外光谱影响的一些方法陆续被提出，如光谱预处理方法剔除光谱中温度的影响；选取对温度影响不敏感的波段建立分析模型；采用内校正的方法，将温度变化信息包含在数学模型中；采集光谱的同时测量样品的温度，建立温度修正模型等等。这些方法可以用于克服待测样品温度变化对定量分析模型的干扰，但是，目前还没有通用的规则来判断何种情况下使用何种方法，而要根据具体问题选择。因此，在温度变化下建立更为通用的、温度适应性更强的近红外检测校正模型，对近红外技术能否有效应用非常关键。
技术实现思路
本专利技术提出的方法，在不同温度水平下获取样品光谱，把温度作为分离的隐含因素变量参与到近红外建模过程中，因而在使用近红外测量时，可以依赖模型本身对温度的适应性完成不同温度下的物性测量，不需要直接温度测量信息和相关计算，使得所建立的模型具有更好的通用性以及温度适应性。本专利技术为实现上述目的，采用如下技术方案:本专利技术步骤分为两个部分。第一部分，建模数据的实验设计和光谱收集；第二部分，近红外光谱的预处理和校正模型的建立。建模数据的实验设备包括，(1)可对样品温度进行调节的样品池(2)可显示温度变化的温度测量器(3)近红外光谱收集仪器(4)不对样品温度产生明显影响的光学探头。(5)和近红外光谱收集仪器连接的计算机记录装置。本专利技术实验和数据收集步骤如下:实验步骤一:确认样品最大和最小温度值。把温度范围分为多个水平值。每个温度水平一般要大于温度测量仪器分辨率5倍，以达到有效区分精度。实验步骤二:在最高和最低温度范围内，对所有样品物性参数取得所规定温度下的原始标准分析数据。实验步骤三:在不同温度水平下收集样品的光谱数据。同时记录相对应的样品温度值。此温度值作为一个隐含因素参与到建模中，记录温度的精确数值对本方法不是必须的。温度作为分离的隐含因素变量建模方法步骤如下:建模步骤一:对光谱进行以温度模式为目标的预处理。将原始光谱做一阶导数或二阶导数运算，产生一阶导数光谱或者二阶导数光谱。此处导数阶次的确定随样品和物性参数的特性而有所不同。例如，对高分子高粘度样品，以二阶导数为较佳。对低粘度样品以一阶导数为较佳。建模步骤二:对上面产生的导数光谱做主元分析(PCA)，剔除统计异常值，使得整个导数光谱数据的主元模式都在一个统计可信度之内。建模步骤三:对原始光谱进行以待测物性参数模式为目标的预处理。这些预处理包括一种或几种以下算法的叠加运算:一阶导数，二阶导数，最大-最小标准化，基础底线校正，散射校正，常数偏置校正，等等。此处预处理算法的确定以待测物性参数而异。建模步骤四:对上面产生的预处理后光谱做主元分析(PCA)，剔除统计异常值，使得整个预处理后的光谱数据主元模式都在一个统计可信度之内。建模步骤五:将以上形成的以温度为目标的导数光谱和以物性待测参数为目标的预处理后光谱进行合并。建模步骤六:对上面产生的合并光谱做主元分析(PCA)，剔除统计异常值，使得整个合并光谱数据的主元模式都在一个统计可信度之内。以待测物性参数在一个规定温度的原始分析值作为预测变量，以合并光谱波数作为自变量。用偏最小二乘算法(PLS)建立物性参数预测模型:P =Bnyn+A1x1+A2x2+...Anxn此处，P是物性变量规定温度下的测量值，Bi; Ai; i = 1，2，”.η是回归系数，y；, x；分别是预处理后光谱和导数光谱在波数i = 1，2，…η处的数值。本专利技术把温度作为分离的隐含因素变量参与到近红外建模过程中，因而在使用近红外测量时，可以依赖模型本身对温度的适应性完成不同温度下的物性测量，不需要直接温度测量信息和相关计算，使得所建立的模型对温度有较佳的补偿效果，因而具有更好的通用性。【附图说明】图1无测点温度补偿实验装置图2 —种高分子化合物的二阶导数预处理光谱图3基于二阶导数预处理光谱的PCA模式图图4 一阶导数预处理光谱图5 —阶导数光谱主元素模式图6实施步骤框图图7不同温度的合并光谱图8合并光谱的PCA模式图图9合并光谱产生的粘度模型。图10粘度模型使用的波数。图11本专利技术方法结果对温度的适应性【具体实施方式】以下以一种高分子化合物的粘度测量为当前第1页1 2 本文档来自技高网...

【技术保护点】
一种近红外光谱测量中的无测点温度修正建模方法，其特征在于该方法包括如下步骤：步骤一：获取多个样品在规定温度下的物性参数原始标准数据，并在不同温度水平下采集近红外光谱；步骤二：对步骤一中所采集的近红外光谱进行以温度为目标的预处理和主元分析，产生导数光谱数据；对步骤一中所采集的原始近红外光谱进行以待测物性参数模式为目标的预处理和主元分析，产生预处理光谱；步骤三：将步骤二中产生的导数光谱和步骤四产生的预处理光谱进行光谱合并，产生合并光谱数据；步骤四：对步骤三中所述的合并光谱数据做主元分析，剔除统计异常值，使得整个合并光谱数据的主元模式都在一个统计可信度之内；步骤五：以待测物性参数原始分析值作为预测变量，以合并光谱波数作为自变量，建立物性参数预测模型。

【技术特征摘要】

【专利技术属性】
技术研发人员：栾小丽，赵忠盖，刘飞，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32