傅里叶变换红外光谱技术可同时测量多种温室气体组分的浓度。 仪器噪声和谱线重叠效应会对光谱数据的质量产生影响, 从而影响各组分反演浓度的结果。 针对上述问题, 使用不同数量的主成分对时序测量光谱矩阵进行重建, 并将重建光谱矩阵与原始光谱矩阵之间的欧式距离和余弦距离作为动态选择主成分数量的判据, 重建时序测量光谱, 从而提高时序光谱数据的质量。 采用该方法分别对数值仿真光谱、 标准气体测量光谱和外场实验测量光谱进行了处理。 结果表明, 叠加0.001 RMS噪声的数值仿真光谱经过光谱重建后, 光谱的结构特征未明显改变, 重建光谱与原始光谱之间的残差标准差为4.191×10-4, 有效降低了测量光谱中噪声的影响。 采用该方法对标准气体的平均测量光谱进行了重建, 并比较了重建光谱与平均光谱的反演浓度精度。 1 min平均测量光谱反演各组分浓度的精度为CO2: 0.24 μmol·mol-1、 CH4: 5.24 nmol·mol-1、 N2O: 2.92 nmol·mol-1和CO: 4.72 nmol·mol-1; 5 min平均测量光谱反演各组分浓度的精度为CO2: 0.18 μmol·mol-1、 CH4: 2.30 nmol·mol-1、 N2O: 1.03 nmol·mol-1和CO: 1.53 nmol·mol-1; 1 min重建光谱反演各组分浓度的精度为CO2: 0.17 μmol·mol-1、 CH4: 2.97 nmol·mol-1、 N2O: 0.72 nmol·mol-1和CO: 1.40 μmol·mol-1; 5 min重建光谱反演各组分浓度的精度为CO2: 0.15 μmol·mol-1、 CH4: 1.74 nmol·mol-1、 N2O: 0.29 nmol·mol-1和CO: 0.97 nmol·mol-1。 利用重建光谱进行反演能够显著提高气体反演浓度的精度, 5 min重建光谱反演浓度的精度结果能够达到WMO/GAW的扩展测量精度要求。 在外场实验中, 1 min重建光谱反演CO2得到的浓度与1 min平均光谱反演得到的CO2浓度的相关系数可达到89.40%。 综合分析可知, 对FTIR时序光谱数据进行主成分动态选择不仅降低了时序测量光谱中噪声的影响, 而且有效保留了时序测量光谱的特征变化信息。

开发了一种基于太阳跟踪方法用于测量大气污染气体成分的傅里叶变换红外 (FTIR) 光谱系统, 该系统由太阳跟踪器、光路传输部分、光谱仪组成。设计了一种正交反射镜系统用于收集太阳光, 利用小孔成像原理实现太阳跟踪, 保证跟踪光路与测量光路同轴。推导了跟踪旋转时位置探测器 (PSD) 上光斑轨迹的理论计算公式, 用于指导 PSD 算法。该系统的工作波段为 600 ～ 5000 cm－1, 分辨率为 0.5 cm－1。利用光学软件 Zemax 分析了用于汇聚干涉光束的抛物镜焦距对干涉条纹的影响, 确定抛物镜焦距值为 52.5 mm, 满足系统指标的入射光的最大倾斜角为 0.118°, 给出了 PSD 的测量精度和系统跟踪精度的技术指标。并利用搭建的实验平台进行了初步户外实验, 验证了系统的合理性。

傅里叶变换红外光谱技术(FTIR)在水泥生料成分的在线分析上具有巨大的潜力。 但因现场环境复杂, 空气湿度不稳定, 会对生料样品中Fe2O3, SiO2, CaO和Al2O3四种关键成分的在线FTIR定量分析形成一定干扰。 使用生料在线FTIR分析仪对不同湿度条件下的水泥生料样品进行了近红外光谱采集, 分析了不同湿度对近红外光谱定量分析的影响, 并提出一种消除背景水分吸收的方法。 具体研究内容为: (1) 通过对两种不同湿度条件下的各50个样品的光谱分析得到: 高湿度的样品光谱与低湿度的样品光谱比较, 形状类似, 但吸光度整体降低, 基线倾斜。 表明背景水分影响了样品的近红外光谱。 (2) 分别建立高湿度、 低湿度条件下的样品的定量分析模型, 预测另一湿度条件下的预测集中8个样品的四种成分含量。 得到: ①高湿度模型预测样品中4种成分含量与标准值之间的相关系数(r)为83.74%～92.74%, 均方根误差(RMSE)为0.12～0.83; ②低湿度模型预测的r为67.32%～82.41%, RMSE为0.12～0.84。 表明背景水分影响了水泥生料成分的FTIR定量分析。 (3) 为了消除背景水分造成的影响, 从实测光谱中消除背景水分的特征吸收后, 分别建立了高湿度、 低湿度条件下的样品的FTIR定量分析模型, 并对预测集样品的四种成分含量进行预测。 得到: ①高湿度条件下, 消除背景水分后的模型较未消除前的模型预测的准确度提高, 预测的r为90.73%～97.76%, RMSE为0.12～0.82; ②低湿度条件下, 消除背景水分后的模型较未消除前的模型预测的准确度提高, 预测的r为94.07%～98.69%, RMSE为0.12～0.82; ③高湿度、 低湿度条件下, 消除背景水分后的2个模型预测的r均达到90%以上。 表明了该方法可有效消除背景水分对水泥生料成分定量分析模型预测的影响, 为实现基于FTIR的水泥生料成分的在线分析提供了理论基础和技术支持。

及时获取水泥原料中的关键成分的含量, 对水泥产品的品质控制至关重要。 而当前的主流分析方法需要现场人工采样和样品制备, 存在时效性问题。 利用傅里叶变换红外光谱技术对水泥生料样品中的Fe2O3, SiO2, CaO, Al2O3四种关键氧化物成分的漫反射光谱进行了快速定量分析。 首先探讨了傅里叶变换红外光谱技术检测水泥原料成分的理论基础。 水泥原料是一种复杂混合体系, 主要由铁质原料（如褐铁矿）, 硅质原料（如石英）, 钙质原料（如方解石）及铝质原料（如绿柱石）等矿物岩石组成。 而这些矿物岩石在可见近红外光谱波段的特征谱带较宽, 强度较低, 且存在重叠的部分。 因此, 使用了多元校正进行定量分析。 其次, 设计并搭建了对应的实验系统进行水泥生料样品的成分含量分析。 样品选用水泥厂家提供的60种关键成分含量各异的磨匀的水泥生料样品, 成分覆盖了 Fe2O3, SiO2, CaO, Al2O3四种关键氧化物。 使用搭建的实验平台采集样品的漫反射光谱。 并使用了X射线荧光分析法方法测定样品中各氧化物成分含量作为参考值。 之后, 结合了偏最小二乘法建立了Fe2O3, SiO2, CaO, Al2O3四种成分的定量分析模型。 使用了Kennard-Stone算法将样品集按7∶3的比例分为校正集和预测集。 PLS建模波段选择了4 000～5 000 cm-1波数范围, 总计包含520个谱元。 建立了校正集中42个样品光谱与其Fe2O3, SiO2, CaO, Al2O3成分含量的回归模型。 依据交叉有效性因子Q2h≥0.009 75的条件, 选择了7个因子来建立最终的定量分析模型。 在建立的Fe2O3, SiO2, CaO, Al2O3四种氧化物的FTIR定量分析模型中, 其校正的4种氧化物含量与X射线荧光分析法测量的含量之间的相关系数分别为98.49%, 98.03%, 98.18%, 99.24%, 均方根误差分别为0.04, 0.22, 0.26, 0.08。 模型的校正准确度比较高。 最后使用该定量分析模型对预测集样品中的Fe2O3, SiO2, CaO, Al2O3的含量进行预测, 并与X射线荧光分析法测量的参考值进行比较。 最终模型预测的相关系数分别为91.35%, 91.50%, 91.57%, 94.67%, 预测的均方根误差分别为0.08, 0.45, 0.54, 0.26, 表明了模型预测准确度较高。 所建基于傅里叶变换红外光谱的定量分析模型为实现水泥生产控制中水泥原料成分的快速定量分析建立了基础。