调谐激光吸收光谱频率特征分析方法研究

来源 :河北工业大学 | 被引量 : 0次 | 上传用户:hangxujie
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
调谐激光吸收光谱技术因实时性好、精度高、无需采样等优点在气体检测领域得到广泛应用。信号频率结构包含信息较多,从谱线频率特征出发,优化系统检测参数,可提高吸收光谱质量,从而提高气体组分识别、气体压强检测时的精度。针对检测参数之间的联系、组分识别精度和多个吸收峰的压强检测问题,本文从频域角度分析,主要进行检测参数优化、气体组分识别、气体压强检测方面的研究:基于频率分析的检测参数优化。实验获得气体频谱曲线,选择Savitzky-Golay平滑滤波器对信号滤波,依据滤波时处理的采样点数与滤波效果选择阶数和窗宽两个滤波参数;分析不同时间常数的最佳扫描频率;计算不同浓度各个周期信号的信噪比、均方根误差、频域幅度之比,依据三个曲线变化趋势获得最佳采样周期数;分析不同时间常数下信号的截止频率,根据谱线是否失真和滤波效果选择时间常数。综合分析检测参数对谱线的共同影响,总结检测参数的选取方法。基于时频分析的混合气体组分识别。获得系统检测参数优化后气体的二次谐波信号的时频特征矩阵,通过对待测气体与混合气体的时频特征矩阵进行列相关性分析,获得特征吸收位置。在特征吸收位置处进行行相关性分析,将相关系数与已知识别阈值比较,完成混合气体组分识别。分别计算特征吸收位置获得前后实测气体的浓度,测量精度提高了43.75%。此方法与在整个光谱区间进行相关性分析相比,降低非特征吸收位置处的干扰,提高了识别准确性与浓度计算的精确性。基于频率分析的气体压强检测技术。将时频特征矩阵与压强检测结合,利用主成分分析法对不同仿真压强下导数光谱的时频特征矩阵降维,依据累计贡献率选择第一主成分,分析不同压强下第一主成分曲线的变化特点,建立压强与小波尺度的三阶拟合数学模型。通过实测数据的分析可得,随着检测气体吸收峰增加,此模型的三阶拟合度提高,根据三个吸收峰的数学模型计算压强,实际压强和计算压强相对误差平均值大小为7.80%,验证了该数学模型的正确性。实验结果表明,综合分析系统检测参数可提高吸收光谱质量,从而提高气体检测应用时的测量准确度。本文提出的气体频域特征分析方法,对气体检测的应用有重要意义。
其他文献
报纸
随着机器人技术在生活领域的广泛应用和助行需求的日益增多,下肢助行机器人研究受到越来越多的关注。目前助行机器人多采用下肢关节一体化设计,存在效率低、穿戴舒适性差和自由度低等问题。在人类正常行走中,踝关节的功率和提供的力矩是髋关节和膝关节的2~3倍,为行走推进提供了主要的能量。柔性机器人摒弃了大量刚性连杆结构,相较于传统的刚性机器人具有舒适性高和质量轻等优点。针对人体步行助力需求,对柔性踝关节助行机器
学位
目的 比较格列美脲仿制药与原研药在治疗2型糖尿病时的疗效与安全性。方法 收集于2020年1月1日-2021年12月31日期间在3家中心就诊的2型糖尿病并使用格列美脲患者(342例)的相关临床信息,采用倾向性评分匹配法(PSM)平衡2组患者基线水平。比较2组患者用药至少6个月后有效性与安全性。有效性主要研究指标为糖化血红蛋白(HbA1c)的变化值,有效性次要研究指标为空腹血糖(FBG)的变化值及Hb
期刊
传统的模糊C均值(fuzzy c-means, FCM)算法的聚类结果容易受到随机选取初始聚类中心的影响,且在聚类过程中忽视了样本的不同特征和样本本身的重要程度对聚类结果产生的影响。针对这一系列问题,提出了一种结合自适应近邻与密度峰值的基于信息熵加权的模糊聚类算法(ANNDP-WFCM)。首先,结合自适应近邻的密度峰值算法(ANNDP)实现初始聚类中心的自动搜索,针对不同规模、不同结构的数据集可以
期刊
在《中国制造2025》的背景下,众多行业均投身于自主研发自动化、智能化生产设备的浪潮中。轴承作为机械系统的核心零部件,其精度关系到整个机械系统的稳定性、可靠性。随着机械行业不断发展,对轴承的精度提出了更高的要求,导致轴承自动化检测技术的要求也不断提高。本文以轴承圈数字化检测线为研究对象,为提高其测量精度,对检测线检测方法、可靠性、数据处理方法进行分析研究,并建立一套数据管理系统,既可监测检测线实时
学位
报纸
在港口运输作业中,自动导引运输车(Automated Guided Vehicle,AGV)凭借其自动化程度高、载重量大、可控性强等特点,得到广泛应用。然而沿海地区多降雨、风蚀、盐蚀,港口区域工作负荷较大且多电磁辐射干扰,导致港口AGV发生故障的概率显著升高。本文研究的港口AGV为四轮独立驱动与转向型电动车辆,其四个车轮均可被独立控制,极大提升了操纵灵活性。但由于执行器数量和系统复杂程度的增加,使
学位
微机电惯性测量单元(Micro-Electro-Mechanical System Inertial Measurement Unit,MEMS IMU)因成本低、体积小以及功耗低等优势受到广泛关注,但由于MEMS IMU精度低,基于MEMS IMU的捷联惯性导航系统精度还远远不能满足移动机器人、无人驾驶等各个领域的广泛需求。本文针对MEMS IMU误差大且复杂多变,基于线性误差模型的传统标定方法
学位
微机电(Micro Electro Mechanical System,MEMS)捷联惯性导航系统具有成本低、体积小以及功耗低等特点,因此被广泛应用于移动机器人、无人驾驶以及行人导航等各个领域。但是MEMS惯性测量单元(Inertial Measurement Unit,IMU)的低精度导致导航系统误差在短时间内迅速积累并发散,从而影响导航系统的性能,同时对准精度直接影响系统的导航精度,因此初始对
学位
用于人体动作识别(Human Activity Recognition,HAR)的可穿戴器件及传感网络在人机交互、运动分析、医疗监测和日常生活辅助等众多领域获得了广泛应用并发挥着重要的作用。其中,微机电惯性测量单元(Micro-Electro-Mechanical System Inertial Measurement Unit,MIMU)由于体积小、功耗低、经济性好、感知信息丰富等优势成为可穿戴
学位