【技术实现步骤摘要】
本专利技术属于光散射微小颗粒检测领域，更具体地，涉及一种基于偏振动态光散射的微粒形貌分析方法与系统。
技术介绍
1、传统的动态光散射分析通常结合mie散射理论(米氏散射理论)，探测球形颗粒的粒径，但是实际样品中还包括各种形状的颗粒。例如变压器机械部件磨损产生的金属及其氧化物、绝缘纸老化裂解产生的纤维都可能产生棒状的微粒。这些微粒的聚集很有可能导致电场发生局部畸变，促进局部放电的产生，使绝缘油耐受能力劣化。压器绝缘油中颗粒污染度影响绝缘油的电气性能，据统计，绝缘老化是造成变压器故障第二位的原因，绝缘老化会大大缩短变压器的使用寿命，并向造成变压器故障。
2、针对棒状样品的尺寸的测量，通常使用退偏振动态光散射技术(depolarizeddynamic light scattering，ddls)。与传统动态光散射法不同的是，退偏振动态光散射技术在测量散射光信号时，在接收端使用偏振分束器等元件，分别测量散射光信号的水平偏振和垂直偏振两个分量，分别计算自相关函数，从中计算得到棒状样品所做布朗运动的平移和旋转系数，球形粒子由于只进行平移扩散运动，单个粒子的散射不会造成入射光偏振态的变化，而对于棒状颗粒，其布朗运动既有与球形颗粒相同的平移运动，同时也在进行旋转扩散运动，这种旋转运动会导致散射光的偏振态改变。
3、因此，当混合样品中同时含有球形颗粒和棒状颗粒时，前述技术无法确定球形颗粒和棒状颗粒各自粒径与体积占比。
技术实现思路
1、针对现有技术的缺陷，本专利技术的目的在于
2、为实现上述目的，根据本专利技术的一个方面，本专利技术提供了一种基于偏振动态光散射的微粒形貌分析方法，该微粒形貌分析方法包括以下步骤：
3、s1获取若干散射角度下待测样品中微粒的垂直偏振态散射光时域信号与水平偏振态散射光时域信号，并分别获取垂直偏振态和水平偏振态对应的自相关函数；
4、s2基于所述自相关函数，利用混合微粒形态反演算法进行反演，分别获取待测样品中球形颗粒和棒状颗粒的尺寸信息和体积占比。
5、进一步的，步骤s2中，获取球形颗粒和棒状颗粒的尺寸信息和体积占比的步骤包括：
6、s201利用训练好的第一随机向量函数链神经网络拟合所述自相关函数，获得若干散射角度下的水平偏振分量衰减线宽，将所述水平偏振分量衰减线宽输入第一随机向量函数链神经网络，拟合获得棒状颗粒的平移扩散系数和旋转扩散系数；
7、s202利用添加了相关函数评价项的遗传算法求解棒状颗粒尺寸反演模型，获得棒状颗粒的长度和直径；
8、s203利用训练好的第二随机向量函数链神经网络对所述平移扩散系数、所述旋转扩散系数与垂直偏振态对应的自相关函数进行多元非线性函数回归，获得球形颗粒的扩散系数、棒状颗粒的体积占比以及球形颗粒的体积占比。
9、更进一步的，步骤s202中，采用遗传算法解求解棒状颗粒尺寸反演模型时所选用的适应度函数为：
10、
11、其中，与是从多角度水平电场的自相关函数中得到的平移扩散系数和旋转扩散系数的测量值，与是遗传算法计算过程中产生的种群，即棒状颗粒长度l与直径d带入棒状颗粒尺寸反演模型计算得到的扩散系数；是相关函数评价项，表示使用生成的种群计算得到的水平偏振对应的自相关函数的计算值与实验测量值的二范数的平方。
12、更进一步的，步骤s203中，将拟合得到的所述平移扩散系数和所述旋转扩散系数与垂直偏振态对应的自相关函数输入所述第二随机向量函数链神经网络进行多元函数回归，反演得到球形颗粒和棒状颗粒各自的体积权重以及球形颗粒的扩散系数，采用的多元函数回归方程为：
13、
14、其中，τ为延迟时间，a为棒状颗粒的体积权重，b为球形颗粒的体积权重；
15、根据球形颗粒扩散系数计算球形颗粒的直径。
16、更进一步的，训练所述第一随机向量函数链神经网络和所述第二随机向量函数链神经网络的训练数据集的获取方法为：按不同比例混合不同粒径的棒状颗粒和球形颗粒后，分别进行多次若干散射角度下的退偏振动态光散射实验获取相应数据。
17、更进一步的，所述第一随机向量函数链神经网络的训练数据集包括以下数据：不同待测样品在不同散射角度下的水平偏振分量衰减线宽以及与所述水平偏振分量衰减线宽对应的角度。
18、更进一步的，所述第二随机向量函数链神经网络的训练数据集包括以下数据：不同待测样品在不同散射角度下水平偏振态与垂直偏振态分别对应的自相关函数、棒状颗粒的平移扩散系数和旋转扩散系数、棒状颗粒的长和其横截面直径、棒状颗粒的体积占比、球状颗粒的扩散系数、球状颗粒的直径和球状颗粒的体积占比。
19、进一步的，步骤s1中，获取垂直偏振态和水平偏振态对应的自相关函数的步骤包括：
20、s101使用多角度退偏振动态光散射实验系统，在0°-180°范围内取若干散射角度，并分别测量不同散射角度下水平偏振态的散射光强信号与垂直偏振态的散射光强信号；
21、s102基于水平偏振态的散射光强信号与垂直偏振态的散射光强信号，分别计算水平偏振态对应的自相关函数和垂直偏振态对应的自相关函数。
22、根据本专利技术的另一个方面，还公开一种基于偏振动态光散射的微粒形貌分析系统，包括：
23、至少一个存储器，用于存储程序；
24、至少一个处理器，用于执行存储器存储的程序，当所述存储器存储的程序被执行时，所述处理器用于执行如前任意一项所述的方法。
25、根据本专利技术的再一个方面，还公开一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序在处理器上运行时，使得所述处理器执行如前任意一项所述的方法。
26、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：
27、本专利技术分析方法中利用训练好的rvflnn，即混合微粒形态反演算法处理通过实验获取的水平偏振态和垂直偏振态下的自相关函数，在测量样品时，样品颗粒的大致范围是未知的，很难选择一个合适的初始值。因此，采用遗传算法(混合微粒形态反演算法)，通过这种全局搜索算法能够精确获取最优解，并且不需要设置初始值，便能够精确获取待测样品中球形颗粒的尺寸信息和体积占比以及棒状颗粒的尺寸信息和体积占比；之后再基于球形颗粒的尺寸信息和体积占比以及棒状颗粒的尺寸信息和体积占比，使用累积量表法获取更为精准的球形颗粒直径。
28、本专利技术中，由于球形颗粒在散射时不会造成退偏振，因此散射光的水平分量中不包含球形颗粒的信息，球形颗粒的直径只能通过垂直电场自相关函数获得；由于电场自相关函数衰减线宽与散射矢量的平方存在线性关系，再通过多角度电场自相关函数获取不同散射角度下的衰减线宽，然后利用神经网络拟合获得本文档来自技高网...
【技术保护点】
1.一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，该微粒形貌分析方法包括以下步骤：
2.如权利要求1所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，步骤S2中，分别获取球形颗粒和棒状颗粒的尺寸信息和体积占比的步骤包括：
3.如权利要求2所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，步骤S202中，采用遗传算法解求解棒状颗粒尺寸反演模型时所选用的适应度函数为：
4.如权利要求2所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，步骤S203中，将拟合得到的所述平移扩散系数和所述旋转扩散系数与垂直偏振态对应的自相关函数输入所述第二随机向量函数链神经网络进行多元函数回归，反演得到球形颗粒和棒状颗粒各自的体积权重以及球形颗粒的扩散系数，采用的多元函数回归方程为：
5.如权利要求2所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，训练所述第一随机向量函数链神经网络和所述第二随机向量函数链神经网络的训练数据集的获取方法为：按不同比例混合不同粒径的棒状颗粒和球形颗粒后，分别进行多次若干散射角度下
6.如权利要求3所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，所述第一随机向量函数链神经网络的训练数据集包括以下数据：不同待测样品在不同散射角度下的水平偏振分量衰减线宽以及与所述水平偏振分量衰减线宽对应的角度。
7.如权利要求3所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，所述第二随机向量函数链神经网络的训练数据集包括以下数据：不同待测样品在不同散射角度下水平偏振态与垂直偏振态分别对应的自相关函数、棒状颗粒的平移扩散系数和旋转扩散系数、棒状颗粒的长和其横截面直径、棒状颗粒的体积占比、球状颗粒的扩散系数、球状颗粒的直径和球状颗粒的体积占比。
8.如权利要求1所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，步骤S1中，获取垂直偏振态和水平偏振态对应的自相关函数的步骤包括：
9.一种基于偏振动态光散射的微粒形貌分析系统，其特征在于，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序在处理器上运行时，使得处理器执行如权利要求1-8任意一项所述的方法。
...【技术特征摘要】
1.一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，该微粒形貌分析方法包括以下步骤：
2.如权利要求1所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，步骤s2中，分别获取球形颗粒和棒状颗粒的尺寸信息和体积占比的步骤包括：
3.如权利要求2所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，步骤s202中，采用遗传算法解求解棒状颗粒尺寸反演模型时所选用的适应度函数为：
4.如权利要求2所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，步骤s203中，将拟合得到的所述平移扩散系数和所述旋转扩散系数与垂直偏振态对应的自相关函数输入所述第二随机向量函数链神经网络进行多元函数回归，反演得到球形颗粒和棒状颗粒各自的体积权重以及球形颗粒的扩散系数，采用的多元函数回归方程为：
5.如权利要求2所述的一种基于偏振动态光散射的微粒形貌分析方法，其特征在于，训练所述第一随机向量函数链神经网络和所述第二随机向量函数链神经网络的训练数据集的获取方法为：按不同比例混合不同粒径的棒状颗粒和球形颗粒后，分别进行多次若干散射角度下的退偏振动态光散射实验获取相...
【专利技术属性】
技术研发人员：李微，吴逸楠，夏历，夏珉，杨克成，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。