一种具有无测点温度补偿功能的近红外物性参数测量方法技术

本发明专利技术公布了一种具有无测点温度补偿功能的近红外物性参数测量方法，包括采集具有代表性的样品，并在不同温度水平下采集各个样品的近红外光谱，同时记录实验条件如温度等；然后，对采集的光谱做预处理，建立样品温度的近红外预测模型，同时分别建立低温和高温点的物性参数近红外预测模型；最后，从低温点或者高温点对不同温度进行修正计算，构造任意温度下的物性参数校正模型。本发明专利技术将温度作为显式因素变量建立温度校正模型，因而在使用近红外测量时，可以依赖光谱本身对温度的响应，完成不同温度下的物性测量，从而不需要直接温度测量信息和相关计算。

【技术实现步骤摘要】

本专利技术涉及具有无测点温度补偿功能的利用近红外光谱分析仪建模，预测样品物性参数方法，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。此方法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
近红外光谱分析是将近红外谱区的光谱测量技术、化学计量学技术、计算机技术等交叉结合的现代分析技术，在化工、食品、石油、医药、农业等领域得到了广泛的应用。特别是近红外光谱分析技术具有分析速度快、对样品破坏性小、无化学污染、同时分析多种组分、样品制备简单等优点，使其越来越受到人们的偏爱，成为发展最快的定性、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。当温度升高时，样品内部分子运动加剧，分子间的作用力产生变化，这就必然会影响到分子振动或转动状态在不同能级之间的跃迁情况，从而影响分子的振动光谱，使得光谱的谱峰位置和谱带宽度都会发生变化，对模型性能产生影响。因此，近红外光谱检测中，影响测量精度的一个重要原因在于温度变化给光谱带来的干扰，造成不同温度下建立的模型不能通用，进而影响模型的精度以及鲁棒性。然而实际工作中，在采集近红外光谱时，样品温度随环境温度的变化是必然的。因此，使用近红外光谱分析仪测量样品成分时，考虑温度对近红外光谱特征的影响，克服待测样品温度变化对定量分析模型的干扰，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，将温度作为显式因素变量建立温度校正模型，因而在使用近红外测量时，可以依赖光谱本身对温度的响应，完成不同温度下的物性参数测量，从而不需要直接温度测量信息和相关计算。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近红外光谱收集；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)与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：在样品测量温度范围内，一个样品物性参数测量规定的标准温度下，对所有样品物性参数取得原始标准数据。实验步骤三：对每一个样品在不同温度水平下分别收集近红外光谱数据。同时记录相对应的样品温度值。此温度值用于温度校正模型的建立。本专利技术校正模型建立方法：温度作为显式因素变量建模步骤如下：建模步骤一：对近红外光谱进行以温度模式为目标的预处理：将原始近红外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物性参数的特性而有所不同，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：对上述建模步骤一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：以温度作为预测变量，导数光谱波数作为自变量。用偏最小二乘算法(PLS)建立如下形式的温度校正模型：Tc＝A1x1+A2x2+…Anxn此处，Ai,i＝1,2,…n是回归系数，xi是导数光谱在波数i＝1,2,…n处的数值。图4一种高分子化合物的温度预测模型示例。建模步骤四：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。建模步骤五：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。建模步骤六：选取最高实验温度所对应的数据组，以待测样品的物性参数作为预测变量，预处理后光谱波数作为自变量。用偏最小二乘算法(PLS)建立如下形式的高温物性参数校正模型：Ph＝B1y1+B2y2+…Bnyn此处，Bi,i＝1,2,…n是回归系数，yi是预处理后光谱在波数i＝1,2,…n处的数值。图5是一个高分子化合物的粘度低温点预测模型的例子。建模步骤七：选取最低实验温度所对应的数据组，以待测物性参数作为预测变量，预处理后光谱波数作为自变量。用偏最小二乘算法(PLS)建立如下形式的高温物性参数校正模型：Pl＝C1z1+C2z2+…nC1此处，Ci,i＝1,2,…n是回归系数，zi是预处理后光谱在波数i＝1,2,…n处的数值。建模步骤八：构造下列基于低温模型预测值在任何温度下的物性参数公式：Pc＝Pl+{(Pl0-Ph0)/(Tl-Th)本文档来自技高网...

【技术保护点】
一种具有无测点温度补偿功能的近红外物性参数测量方法，其特征在于包括下述步骤：(1)收集多个样品在多个设定温度下的近红外光谱；(2)对步骤(1)中收集的近红外光谱进行导数运算，将产生的导数近红外光谱做主元分析(PCA)，剔除统计异常值；(3)以温度作为预测变量，导数近红外光谱波数作为自变量，用偏最小二乘算法(PLS)建立温度校正模型：Tc＝A1x1+A2x2+…AnxnAi,i＝1,2,…n是回归系数，xi是导数近红外光谱在波数i＝1,2,…n处的数值；(4)对步骤(1)中收集的近红外光谱进行以待测物性参数模式为目标的预处理；对预处理后的近红外光谱做主元分析(PCA)，剔除统计异常值；(5)选取最高实验温度所对应的数据组，以待测物性参数作为预测变量，步骤(4)中预处理后近红外光谱波数作为自变量，用偏最小二乘算法(PLS)建立高温点物性参数校正模型：Ph＝B1y1+B2y2+…BnynBi,i＝1,2,…n是回归系数，yi是预处理后光谱在波数i＝1,2,…n处的数值；(6)选取最低实验温度所对应的数据组，以待测物性参数作为预测变量，步骤(4)中预处理后近红外光谱波数作为自变量，用偏最小二乘算法(PLS)建立低温点物性参数校正模型：Pl＝C1z1+C2z2+…CnznCi,i＝1,2,…n是回归系数，zi是预处理后近红外光谱在波数i＝1,2,…n处的数值；(7)从低温段或者高温段对不同温度水平进行模型修正计算，构造任意温度下的物性参数修正模型：Pc＝Pl+{(Pl0‑Ph0)/(Tl‑Th)}×(Tc‑Tl)或Pc＝Ph‑{(Pl0‑Ph0)/(Tl‑Th)}×(Th‑Tc)Pl0，Ph0分别是同一个样品在低温点物性参数校正模型和高温点物性参数校正模型的最低温点和最高温点的模型预测值，Th，Tl分别是实验的最高和最低温度点的温度模型预测值，Pc是在温度Tc下的物性测量值。...

【技术特征摘要】
1.一种具有无测点温度补偿功能的近红外物性参数测量方法，其特征在于包括下述
步骤：
(1)收集多个样品在多个设定温度下的近红外光谱；
(2)对步骤(1)中收集的近红外光谱进行导数运算，将产生的导数近红外光
谱做主元分析(PCA)，剔除统计异常值；
(3)以温度作为预测变量，导数近红外光谱波数作为自变量，用偏最小二乘
算法(PLS)建立温度校正模型：
Tc＝A1x1+A2x2+…AnxnAi,i＝1,2,…n是回归系数，xi是导数近红外光谱在波数i＝1,2,…n处
的数值；
(4)对步骤(1)中收集的近红外光谱进行以待测物性参数模式为目标的预处
理；对预处理后的近红外光谱做主元分析(PCA)，剔除统计异常值；
(5)选取最高实验温度所对应的数据组，以待测物性参数作为预测变量，...

【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