1 中国科学技术大学环境科学与光电技术学院，安徽 合肥 230026
2 中国科学院安徽光学精密机械研究所环境光学与技术重点实验室，安徽 合肥 230031
3 中国科学院区域大气环境研究卓越创新中心，福建 厦门 361000
4 中国科学院大学，北京 100049
5 安徽医科大学药学院，安徽 合肥 230032
HOx(OH, HO2)自由基是大气中重要的氧化剂, 准确测量大气HOx自由基的浓度对研究大气光化学反应机理有着重要作用。 气体扩张激光诱导荧光技术(FAGE)已广泛应用于HOx自由基的外场观测, 准确标定是FAGE系统准确测量大气HOx自由基的重要前提。 介绍了一种可以产生准确OH和HO2自由基浓度的便携式湍流标定系统。 该系统是基于低压汞灯产生的185 nm线辐射处于湍流状态的H2O和O2产生一定浓度的HOx自由基。 该系统中产生的自由基浓度分布均匀, 适用于多种平台的系统标定。 为了准确计算出湍流标定装置中产生HOx自由基的浓度, 分别开展了氧气和水汽吸收截面的测量。 利用高精度的腔衰荡光谱(CRDS)系统测量臭氧浓度, 并用冷镜式露点仪对温湿度计测量水汽的浓度进行修正, 提高标定系统HOx自由基浓度计算的准确度。 为了便携化湍流标定系统的外场应用, 快速获取标定系统中产生的HOx自由基的浓度, 测量了用于探测汞灯光强的光电倍增管的灵敏度因子, 实现用汞灯光强代替标定系统中产生的臭氧浓度。 考虑到HOx自由基的活性比较高, 在湍流标定系统传输的过程中会有一定的壁碰撞损失, 通过改变汞灯和标定装置出气口之间的距离对HOx自由基在标定系统中的壁碰撞损失进行定量测量。 将搭建好的湍流标定系统应用于基于气体扩张激光诱导荧光技术HOx自由基探测系统(FAGE-HOx)的准确标定测试, 根据OH自由基在标定系统中的壁碰撞损失对FAGE系统中探测的OH自由基荧光数进行修正, 实验结果表明修正后的OH自由基荧光数和OH自由基浓度之间有着良好的相关性, 这说明HOx自由基湍流标定系统具有很好的准确性, 并且体积小方便携带, 适用于外场复杂环境条件下的系统标定。
湍流标定系统 HOx自由基 气体扩张激光诱导荧光技术 Turbulent calibration system HOxradical FAGE 光谱学与光谱分析
2021, 41(8): 2384
1 安徽理工大学, 深部煤矿采动响应与灾害防控国家重点实验室, 安徽 淮南 232001
2 安徽理工大学电气与信息工程学院, 安徽 淮南 232001
煤矿安全对煤炭工业的健康持续发展至关重要, 而煤矿水灾又是煤矿事故的重大隐患, 因此煤矿水源数据的处理对于预防矿井突水事故具有重要意义。 实验在激光器的辅助下利用激光诱导荧光技术获取7种水源的数据信息, 设定激光发射功率为100 mW, 向被测水体发射波长405 nm激光, 获取实验水样210组的荧光光谱数据, 为了剔除光谱在采集过程受到的荧光背景、 检测器噪声以及功率波动等影响, 利用SG平滑、 多元散射矫正(MSC)预处理对数据进行降噪以及提高光谱特异性, 由于初始数据运算量过大并对数据压缩、 消除冗余和数据噪音, 利用主成分分析(PCA)分别对7种水样进行建模降维处理, 从而得到小数据并且保持原有信息的数据特征。 为了识别煤矿水源的突水类型, 对于降维后的数据利用粒子群算法(PSO)优化BP神经网络, PSO算法通过对新粒子的适应度值和个体极值、 群体极值适应度值的比较更新个体极值和群体极值的位置, 将最优初始权值和阈值赋予BP神经网络, 从而对待测水样的种类进行预测分析。 普通的PSO优化BP神经网络, 容易出现早熟收敛, 故在改进的PSO算法中引入变异因子来提高模型寻找更优解的可能性。 实验证明: SG, MSC以及Original三种预处理方式中, SG算法表现良好, 提高了模型的相关性。 在SG预处理的前提下, BP的决定系数R2为0.984 5, 平均相对误差MRE 7.39%, 均方根误差为7.25%; PSO-BP的决定系数R2为0.999 8, 平均相对误差MRE 0.17%, 均方根误差 0.08%; IPSO-BP的决定系数R2达到0.999 9, 平均相对误差MRE和均方根误差RMSE皆为0.01%。 结果表明: 经SG预处理过后的光谱数据, 比MSC预处理效果更精确, 改进的粒子群优化算法更适用于该实验的矿井水源分类。
激光诱导荧光技术 预处理 改进的粒子群优化算法 Laser-induced fluorescence technology Pretreatment Improved particle swarm optimization algorithm 光谱学与光谱分析
2021, 41(7): 2288
1 安徽理工大学, 深部煤矿采动响应与灾害防控国家重点实验室, 安徽 淮南 232001
2 安徽理工大学电气与信息工程学院, 安徽 淮南 232001
快速准确的识别煤矿含水层水源对于煤矿突水预警及灾后救援意义重大, 针对传统水源识别耗时较长, 不适宜构建在线式预警系统, 提出使用激光诱导荧光技术用于煤矿水源类型识别的方法。 利用激光激发待测水样, 获取其荧光光谱, 结合模式识别对水源进行快速辨识。 实验采集了淮南矿区谢桥煤矿的两种纯水样本-老空水与砂岩水, 并根据不同混合比配成5种混合水样进行实验。 首先针对获取的水源荧光光谱中可能会存在的各种噪声及干扰信息, 采用SG、 Normalize、 Gapsegment求导、 Detrend和MSC 5种常用的光谱预处理算法对光谱数据进行处理。 其次针对荧光光谱数据量过大, 对数据进行PCA降维, 作为对比6种预处理方式(含原始光谱)主成分数皆取3, 结果显示SG预处理累计贡献度最大, 为97.26%； 其次是原始光谱, 为92.38%, Normalize与Detrend累计贡献度相差不大, 分别为88.04%和87.59%, MSC为66.41%, Gapsegment最差, 为22.65%。 最后分别对PCA降维后的数据使用线性LDA以及非线性RBF-SVM模型进行识别对比。 使用LDA进行建模, SG-PCA-LDA正确率最高, 达到了98.86%, 依据建立的LDA模型, 对验证集数据进行识别, SG-PCA-LDA的正确率依然最高, 为100%。 使用RBF-SVM进行建模, Original-PCA-RBF-SVM, SG-PCA-RBF-SVM, Normalize-PCA-RBF-SVM正确率最高, 皆为97.14%, 依据建立的RBF-SVM模型, 对验证集数据进行识别, Original-PCA-RBF-SVM和SG-PCA-RBF-SVM正确率依然最高, 为97.14%。 对比两类模型可以发现, LDA验证集正确率较建模集有一定的提升, 而RBF-SVM验证集正确率较建模集有小幅度降低, 说明LDA模型对于此煤矿水源荧光光谱数据的泛化能力较好, 且成功率较高。 结果表明, SG-PCA-LDA模型结合激光诱导荧光技术是一种较佳的应用于本地煤矿水源识别的方法, 且验证了对老空水、 砂岩水的纯水样和混合水样识别的可能性, 可以推广到煤矿其他混合水源的识别中。
激光诱导荧光技术 水源识别 煤矿含水层 laser induced fluorescence technology Water source identification Coal mine aquifer LDA LDA RBF-SVM RBF-SVM 光谱学与光谱分析
2020, 40(7): 2176
安徽理工大学电气与信息工程学院, 安徽 淮南 232001
针对现有的食用油检测技术无法快速、准确地识别市售食用油的问题,提出了一种快速辨识食用油的方法。采用激光诱导荧光技术(LIF)获取油样的荧光光谱数据,然后采用主成分分析法提取光谱数据的特征信息,之后采用飞蛾-扑火优化器和核极限学习机相结合的算法建立多元分类学习模型,最后用该模型识别油样的类别。实验油样选取5种样本,每种样本采集150组荧光光谱,然后随机抽取600个样本用于学习模型的训练,剩余的150个用于测试训练好的模型。结果表明:在测试集上的平均分类准确率方面,该模型与极限学习机、反向传播神经网络相差不大,但该模型分类准确率的标准差远小于其他两种模型。这说明所建模型具有较稳定的分类性能,可以满足快速鉴别食用油的要求。
光谱学 激光诱导荧光技术 主成分分析法 飞蛾-扑火优化算法 核极限学习机 激光与光电子学进展
2020, 57(20): 203001
1 中国矿业大学资源与地球科学学院, 江苏 徐州 221008
2 徐州工业职业技术学院, 江苏 徐州 221140
3 南京审计大学信息工程学院, 江苏 南京 210029
矿井进入深部开采过程中, 突水威胁分别来自顶板老空水和底板高压岩溶水。 煤矿突水水源类型的在线识别能够预警煤矿水害, 是矿井水害防治关键环节, 对煤矿安全生产具有积极意义。 代表离子法作为传统的煤矿突水水源类型识别方法, 需要深入现场采集水样, 密封处理后在实验室检测水样中7种典型的无机离子浓度, 计算得到突水评价因子。 这种存在检测周期过长、 样品易被污染以及预警响应滞后、 无法在线判别等不利因素。 针对代表离子法方法的不足, 提出了一种基于激光诱导荧光(LIF)和卷积神经网络(CNN)的矿井突水水源判别模型。 首先, 针对淮南矿业集团新集二矿的4种水体, 2016年6月—2017年6月期间分批次取得161组水源样本, 其中采空区积水46条, 砂岩水59条, 太灰水42条和奥灰水14条。 用LIFS-405激光诱导荧光系统发射的405 nm激光检测水样, 水体受激后得到突水水样的荧光光谱。 主成分分析得到前10个主成分累计贡献率不足85%, 4种水样无法有效直接辨识。 针对该问题和水样荧光光谱中的随机高频波动干扰, 采用一阶滞后滤波方法抑制波动频率较高的周期性干扰; 针对线判别分析对数据更新率的要求, 采用递推平均方法; 在此基础上, 提出了一种改进的递推平均一阶滞后平滑滤波方法, 并对滤波处理后的荧光光谱进行自相关计算, 得到二维自相关荧光光谱特征图。 实验表明, 采用改进后的滤波法处理方法, 计算得到的4种测试水样的二维荧光光谱图较好的滤除了噪声干扰, 并表现了出了明显的差异性。 针对二维自相关荧光光谱特征图, 构建了基于卷积神经网络(CNN)的突水水源类型判别模型, 用于判别突水水源类型。 该方法采用深度学习的模型框架, 直接对二维自相关荧光光谱特征图进行识别, 有效避免了PCA降维的片面性。 理论分析和实验结果表明: 该模型对水源类型的准确识别率达到了98%, 是一种有效的矿井突水水源类型判别方法, 为在线矿井突水水源类型判别方法提供了新的思路。
突水水源类型判别 激光诱导荧光技术 卷积神经网络 Discriminate inrush water source types Laser-induced fluorescence Convolution neural network 光谱学与光谱分析
2019, 39(8): 2425
