1 燕山大学电气工程学院, 河北 秦皇岛 066004
2 燕山大学信息科学与工程学院, 河北 秦皇岛 066004
海上溢油事故不仅造成极大的石油资源浪费, 而且严重威胁生态环境。 因此, 利用荧光光谱对油膜厚度进行快速无损检测对于有效评估溢油量有重要意义。 基于激光诱导荧光(LIF)技术对海水表面0#柴油、 5#白油油膜的荧光光谱进行检测, 进而实现对油膜厚度的量化分析。 首先使用SG平滑滤波对原始光谱数据进行预处理以减少原始光谱中的背景噪声。 然后采用间隔随机蛙跳算法(IRF)结合变量子集迭代优化法(IVSO)对获取的全光谱数据进行波长选择以剔除冗余变量, 将经过二次筛选出的光谱特征波长作为偏最小二乘回归(PLS)的自变量输入数据建立油膜厚度反演模型。 该方法第一步利用IRF从全光谱数据中筛选出特征波段, 再利用IVSO对特征光谱波段组合进一步筛选出特征波长变量, 从而有效提高优选出的特征波长建立油膜厚度反演模型的预测能力和稳定性。 将IRF-IVSO与全光谱及移动窗口偏最小二乘法(MWPLS)、 间隔随机蛙跳算法(IRF)、 变量组合集群分析法(VCPA)、 变量子集迭代优化法(IVSO)四种波长优选方法进行对比, 发现IRF-IVSO筛选出0#柴油数据和5#白油数据的特征波长数量分别占全光谱数据的4.48%和19.40%。 将全光谱及上述波长优选方法筛选出的特征波长作为输入建立PLS模型进行分析讨论。 结果表明, 特征波长选择方法结合PLS所建立的不同模型预测能力和效率较全光谱有明显提高。 其中, IRF-IVSO结合PLS所建立的油膜厚度反演模型预测效果最优, 该模型可以实现对厚度分别为0.141 5～2.291 8和0.052～0.980 mm的0#柴油及5#白油油膜的有效反演, 柴油油膜测试集相关系数RP可达到0.961 1, 测试集均方根误差RMSEP为0.137 5, 白油油膜测试集相关系数RP可达到0.971 2, 测试集均方根误差RMSEP为0.079 0。 该研究表明, IRF-IVSO通过结合区间波段筛选和单一变量选择能够有效而稳定地筛选出特征波长变量, 结合PLS建立的油膜厚度反演模型能够实现可靠预测。
激光诱导荧光 油膜厚度 特征波长选择 定量分析 Laser-induced fluorescence Oil film thickness Characteristic wavelength selection Quantitative analysis 光谱学与光谱分析
2023, 43(9): 2811
1 环境光学与技术重点实验室, 中国科学院安徽光学精密机械研究所, 安徽 合肥 230031
2 中国科学技术大学, 安徽 合肥 230026
3 安徽省环境光学监测技术重点实验室, 安徽 合肥 230031
为了实现水体表面油膜厚度的快速测量分析, 以266 nm的激光作为探测系统的激发光源, 基于激光诱导水拉曼散射光谱检测技术, 通过获取不同种类不同厚度油膜存在下水拉曼光谱信息, 建立油膜厚度反演模型。采用高斯函数拟合法校正了荧光光谱对拉曼光谱的干扰。 然后根据水拉曼抑制法结合非线性最小二乘优化算法, 建立油膜厚度反演模型。结果表明: 对92#汽油、 0#柴油、 美孚机油20w-40、 壳牌润滑油10w-40、 采埃孚变速箱油AG6和原油油膜能探测到的油膜厚度范围为0.19~379.22 μm。 采用水拉曼光谱-油膜厚度反演模型预测油膜厚度的平均相对误差在8.14%~15.81%之间。 该方法能实现实验室条件下对微米级油膜的测量。
油膜厚度 拉曼光谱 快速检测 Oil film thickness Raman spectroscopy Rapid detection 光谱学与光谱分析
2022, 42(12): 3954
1 燕山大学信息科学与工程学院, 河北 秦皇岛 066000
2 燕山大学电气工程学院, 河北 秦皇岛 066000
3 河北环境工程学院信息工程系, 河北 秦皇岛 066000
随着海洋溢油问题的日益严重, 多种遥感技术被用于海面溢油监测, 其中激光诱导荧光(LIF)技术是目前被认为最有效的海面溢油探测技术之一。 Hoge等基于LIF技术提出了一种利用拉曼散射光评估薄油膜厚度的积分反演算法并广泛应用于海面溢油探测, 针对该算法存在误差较大的问题, 提出一种融合拉曼散射光和荧光信号评估海面溢油厚度的反演算法。 首先利用拉曼散射光信号反演油膜厚度, 然后利用该反演结果计算获取溢油油品的荧光特征光谱, 最后利用荧光信号反演油膜厚度。 文中推导了利用荧光信号反演油膜厚度的算法, 给出了油品荧光特征光谱的逼近算法, 并给出了利用荧光信号反演油膜厚度的误差分析。 通过实验对该方法进行了验证, 选用原油和柴油为实验油品, 以波长405 nm的激光作为激发光源, 采集波长范围为420~700 nm, 采集了海水的背景荧光和拉曼散射光信号、 实验油品2, 5, 10和20 μm等不同厚度油膜的光谱信号。 将采集数据分为训练集和测试集, 利用训练集数据采用梯度下降法获取油品的荧光特征光谱, 利用测试集数据分别采用积分拉曼法和该方法反演油膜厚度。 采用积分拉曼法, 原油不同厚度油膜反演结果的平均误差分别为12.6%, 4.6%, 4.4%和2.3%, 柴油不同厚度油膜反演结果的平均误差分别为14.0%, 7.0%, 4.2%和3.6%; 采用本文方法, 原油不同厚度油膜反演结果的平均误差分别为2.5%, 2.2%, 1.2%和1.1%, 柴油不同厚度油膜反演结果的平均误差分别为3.0%, 2.4%, 2.7%和1.6%。 实验结果表明, 2 μm油膜反演结果的误差降低最多, 原油和柴油2 μm油膜的反演结果误差分别由12.6%和14.0%降低为2.5%和3.0%, 其他厚度油膜反演结果的误差也有较大程度的降低, 油膜厚度反演结果的误差均小于3%, 采用本文算法可以有效提高油膜厚度反演结果的精度。
激光诱导荧光 荧光光谱 海面溢油 油膜厚度 梯度下降法 Laser induced fluorescence Fluorescence spectrum Oil spill on the sea surface Oil film thickness Gradient descent
油膜厚度是海面溢油污染评估分析的一个重要指标, 激光诱导荧光(LIF)技术是目前最有效的海面溢油探测技术之一, 基于LIF探测技术的油膜厚度反演算法当下仅有适用于薄油膜(≤10~20 μm)的评估方法, 而对于较厚油膜(>20 μm)的评估目前尚无有效的反演算法。 鉴于此, 提出一种基于LIF技术适用于较厚油膜的反演算法, 该算法采用油膜荧光信号反演油膜厚度, 推导了油膜厚度反演公式, 并给出了基于该反演算法的油膜厚度评估方法。 首先采用最大类间方差算法(Otsu)选取合适的荧光光谱波段, 然后根据选取波段内每个波长的光谱数据反演油膜厚度, 最后采用反演油膜厚度的平均值作为油膜厚度评估结果。 研究了该算法的适用范围, 给出了该算法有效评估范围最大值与测量相对误差的关系, 并结合消光系数给出了在多种测量误差条件下不同消光系数油品有效评估范围的最大值。 通过实验对本文方法进行了验证, 选用原油和白油的混合油(1:50)作为实验油品, 以波长为405 nm的激光作为激发光源, 采集波长范围为420~750 nm, 采集了海水背景荧光和拉曼散射光光谱、 实验油品的荧光特征光谱和多种不同厚度的较厚油膜的荧光光谱。 采用Otsu算法选取420~476 nm波段评估油膜厚度, 在实验油品油膜厚度≤800 μm时, 该算法对油膜厚度的评估具有较高的精度, 平均误差为10.5%; 在油膜厚度>800 μm时, 平均误差为28.8%, 评估误差较大且随油膜厚度的增加快速变大, 该实验结果与利用测量相对误差和消光系数的分析结果一致。 实验结果表明, 该方法可以实现对海面较厚油膜厚度的有效评估, 并可以根据测量相对误差和消光系数判断评估结果的有效性。
激光诱导荧光 荧光光谱 油膜厚度 Laser induced fluorescence Fluorescence spectrum Otsu Oil film thickness Otsu
1 中国科学院环境光学与技术重点实验室, 中国科学院安徽光学精密机械研究所, 安徽 合肥 230031
2 中国科学技术大学, 安徽 合肥 230026
3 安徽省环境光学监测技术重点实验室, 安徽 合肥 230031
海上溢油油膜厚度的定量检测是实现溢油量准确估计的重要依据和手段, 为制定石油污染应急响应提供了基础数据。 本文基于激光诱导荧光(LIF)的方法以柴油(0# diesel)、 机油(Mobil motor oil 20w-40)、 润滑油(Shell Helix 15w-40, Shell Helix 10w-40, Shell Helix 5w-40)为研究对象, 重点分析了油膜厚度-荧光发射强度关系, 检出限以及油膜厚度在不同水体中定量检测的准确性。 结果表明: 0#柴油和美孚机油20w-60的荧光光谱特征与润滑油的光谱特征有明显不同, 柴油的荧光峰位于326 nm其FWHM为60 nm, 美孚机油20w-60则具有三个荧光峰分别位于360 nm/375 nm/390 nm其FWHM为100nm。 三种润滑油(壳牌润滑油15w-40、 壳牌润滑油10w-40、 壳牌润滑油5w-40)的荧光光谱重叠明显, 荧光峰分别位于334, 344和343 nm且FWHM分别为75, 45和50 nm。 5种油膜的荧光强度均随油膜厚度的增加而增加, 校正曲线的相关性分别为0.997 8, 0.997 9, 0.996 4, 0.997 8和0.996 0, 均具有较好的相关性, 5种油膜检出限分别为0.03, 0.02, 0.02, 0.03和0.05 μm, 0#柴油在合成海水A和B中的平均相对误差为5.04%和8.73%, 平均相对标准偏差分别为4.37%和8.36%, 美孚机油20w-40在合成海水A和B中的平均相对误差为7.99%和9.97%, 平均相对标准偏差为4.78%和6.23%。 壳牌润滑油15w-40在合成海水A和B中的平均相对误差为8.54%和13.69%, 相对标准偏差为5.05%和9.08%。 壳牌润滑油10w-40在合成海水A和B中的平均相对误差为6.33%和12.38%, 平均相对标准偏差为2.85%和7.92%。 壳牌润滑油5w-40在合成海水A和B中的平均相对误差为4.28%和11.57%, 平均相对标准偏差为3.56%和7.73%。 可见5种油膜在不同水体中定量检测的平均相对误差均小于14%, 平均相对标准偏差均小于10%, 研究结果可以实现对薄油膜的测量, 为海上油膜厚度的在线监测提供了技术手段。
激光诱导荧光 油膜厚度 在线监测 Laser-induced fluorescence Oil slick thickness Fluorescence spectra Online monitoring 光谱学与光谱分析
2019, 39(11): 3646
1 中国科学院烟台海岸带研究所, 海岸带环境工程技术研究中心, 山东 烟台 264003
2 中国科学院大学, 北京 100049
为了实现水体表面油膜厚度的快速非接触检测, 基于激光拉曼光谱检测技术, 搭建了水体表面油膜厚度拉曼光谱检测系统。 以532 nm激光作为激发光源, 以常见的柴油和汽油为例研究了不同油品的拉曼光谱特性, 研究结果表明, 油膜拉曼光谱响应特性与油品密切相关, 相同油膜厚度情况下不同油品的拉曼光谱曲线有明显的差异, 97#汽油在1 651 cm-1光谱强度要高于90#汽油。 随着油膜厚度的增加, 柴油316和1 451 cm-1光谱强度和汽油1 651 cm-1拉曼位移光谱强度增加, 油拉曼光谱信号变强； 根据油水界面拉曼光谱特征, 设计了油膜厚度计算因子, 实验证明随着油膜厚度增加, 油膜厚度计算因子rfilm呈下降趋势。 可以将油膜厚度计算因子作为水体表面油膜厚度测量的一种依据。
拉曼光谱 油膜厚度 水环境监测 Raman spectra Oil film thickness Water environment monitoring 光谱学与光谱分析
2018, 38(6): 1661
1 天津大学精密仪器与光电子工程学院, 天津 300072
2 光电信息技术教育部重点实验室, 天津 300072
3 天津大学电气与自动化工程学院, 天津 300072
4 国家海洋技术中心, 天津 300112
针对海水折射率变化引起差分激光三角法溢油油膜厚度测量系统结果误差增大的问题，理论分析了海水折射率变化对厚度测量值的影响机理，研究了折射率变化与测量结果误差大小的关系。提出了基于二维曲面拟合的误差补偿方法。该方法通过采集不同厚度、不同折射率下的厚度测量值，利用二次多项式曲面拟合建立测量误差、厚度测量值和折射率之间的函数关系，根据测量值和折射率值，就可得到误差补偿值，进而实现对测量结果的补偿。通过对不同折射率、不同厚度陶瓷量块的补偿实验，结果表明补偿后的厚度测量值更接近真值，测量结果的误差显著降低。
测量 误差补偿 曲面拟合 差分激光三角法 油膜厚度测量
1 天津大学精密仪器与光电子工程学院, 天津 300072
2 光电信息技术教育部重点实验室, 天津 300072
针对海面溢油油膜厚度的测量，基于垂直入射式差分激光三角法原理，研制了可机载投放的浮标式油膜厚度测量传感器。介绍了传感器的组成和原理，给出了系统集成与调试过程，以0级陶瓷量块为标准厚度，采用最小二乘拟合高次曲线的方法对传感器进行了标定。选用1.4~9.4 mm量块对传感器进行了精度测量，测量相对误差小于1%。
传感器 油膜厚度测量 浮标 垂直入射 差分激光三角法
大连海事大学信息科学技术学院, 辽宁 大连116026
如今, 海上溢油事故频发, 如何对溢油的油量进行估计, 是一个重要课题。 如果可以得到溢油量, 那么对后续的处理以及损失的评估都会有较大的帮助。 高光谱遥感技术的快速发展使对油膜厚度的定量估计成为可能。 采用AvaSpec光谱仪测量不同厚度的油膜, 然后对得到的光谱曲线的多种曲线特征进行提取, 分析其与油膜厚度之间的关系。 结果表明, 油膜厚度与基于高光谱位置变量的Rg和Ro、 三角植被指数的RDVI和TVI以及Haboudane关系式相关性较大。 分别采用曲线拟合、 BP神经网络和基于SVD的迭代方法建立油膜曲线特征与油膜厚度之间的预测关系, 并以此对不同的油膜光谱曲线进行油膜厚度估计, 对得到的结果进行精度检测和运行时间分析, 最终得出对每个估计模型的分析评价。
高光谱遥感 曲线特征提取 油膜厚度 预测模型 Hyperspectral remote sensing Feature extraction Oil thickness Estimate model 光谱学与光谱分析
2013, 33(7): 1881
青岛理工大学 机械工程学院, 山东 青岛 266033
彩色光干涉技术是润滑油膜厚度测量的最有效的方法之一, 但对其测量光学理论的研究并不十分透彻。以球-盘弹性流体动压润滑油膜测量装置为对象, 建立了彩色光干涉的色度学计算模型, 对该系统的干涉条纹和色彩进行了数值模拟与分析。分析结果与实验数据的一致性表明了所建立的模型和分析方法的正确。分析表明: 铬膜厚度对图像的色彩和对比度有明显的影响, 当其厚度为5～10nm时, 能够获得对比度和色彩理想的图像; 垫层厚度影响各颜色分量强度分布的初相变; LED光源可产生对比度较好的干涉条纹。
光干涉 颜色复现 油膜厚度 弹性流体动力润滑 optical interference color rendering oil film thickness elastohydrodynamic simulation
