[发明专利]基于红外光谱主成分和神经网络的生物质氢含量测量与建模方法

说明书

本发明公开了一种基于红外光谱主成分和神经网络的生物质氢含量测量与建模方法，主要包括以下步骤：(1)生物质红外光谱数据的获取及预处理；(2)记录红外光谱数据采集时的环境状态参数；(3)依据国家或行业标准测得生物质样本的氢含量测量值数据；(4)对红外光谱数据和氢含量测量值做两两相关性计算；(5)采用主成分分析的方法对数据降维；(6)以主成分数据和环境状态参数为输入，氢含量测量值为输出，建立神经网络模型，使用训练集进行训练至误差小于0.1％；(7)输入验证集数据，模型计算获得氢含量数据，与测量值数据比较，得出预测偏差。该方法无需破碎或接触生物质，是一种可以实现在线测量、充分考虑测量环境影响、非接触式快速测量方法。

技术领域

本发明属于生物质和大数据分析技术领域，涉及一种高效、精确的生物质氢含量测量方法。

背景技术

生物质(biomass)狭义上认为是农林业种植、生产过程中产生的秸秆、树木、废弃物等等，因此广泛存在于农田、森林、城市绿化等地。其储量巨大且自身可作为能源用于发电或提取高附加值化合物。

物质的氢元素含量的现有检测方法多为氧化方法，中华人民共和国电力行业标准(DL/T 568—2013)中指出，其测量原理为：样品在高纯氧气中高温燃烧，燃烧产物中的硫氧化物及卤化物由试剂去除，气态H₂O进入储气罐，再从储气罐中定量抽取气体送入红外检测池测量H₂O含量，从而计算出氢含量。这些方法虽然较准确，但因其需要温度较高、时间较长，因此需要探索其他更简便的方法。

国内尚未有采用大数据分析进行生物质氢测量的研究及专利，相关专利多是测量氢的化合物含量或采用较为传统的实验方法测量氢含量。如发明专利CN201410307163.4中提供了一种由近红外光谱预测脱硫胺液中硫化氢含量的方法，其采用的方法为将胺液红外光谱数据和硫化氢含量建立相关性关系并依据偏最小二乘回归的方法进行建模。此种方法只能预测硫化氢的含量而非全氢含量，其次发明限定了温度、含量等条件，适应性差；再如发明专利CN201310419000.0公开了一种生物质燃料中碳氢氮元素含量的测定方法，其采用将生物质样品在加热炉中高温燃烧，去除其他燃烧产物，再利用红外热导测量氮气含量。此种方法需要对样品进行复杂的化学处理，同时需要高温仪器等设备，是一种传统的、复杂的离线测量方法。

基于已有技术对不同物质进行红外分析的检测方法的缺点，本发明的基于红外光谱主成分和神经网络的生物质氢含量测量与建模方法是一种可以实现在线测量、充分考虑测量环境影响、非接触式快速测量方法，应用可更广泛、误差更小。

发明内容

为了满足快速低成本测量需求，弥补现有方法的不足，本发明基于红外光谱主成分和神经网络的生物质氢含量测量与建模方法提供了一种可以实现在线测量、充分考虑测量环境影响、非接触式快速测量方法。

为实现所述发明目的，本发明包含以下特征：

基于红外光谱主成分和神经网络的生物质氢含量测量与建模方法，其主要包括红外光谱测量、生物质氢含量测量、状态参数测量、主成分分析以及BP神经网络建模方法。

方法包含以下步骤：

(1)生物质样本数据的获取：针对生物质样本，采用红外分析仪测量红外光谱数据，并对数据进行去燥、平滑等处理，同时记录红外光谱数据采集时的环境温度、压力、红外传感器探头距离样品的距离、环境光强等状态参数数据；依据标准(如电力行业标准：DL/T568—2013)测量方法，对生物质氢含量进行检测，获得生物质氢含量测量值数据；

(2)样本集的划分：采用随机分类的方法，将所得样本数据的20％～80％作为训练集，其余样本数据作为验证集；

(3)相关性分析：采用皮尔逊公式对步骤(1)得到的生物质红外光谱数据和生物质氢含量测量值进行两两相关性计算，来确定所选取的红外光谱数据和氢含量测量值之间的相关性，剔除无关数据；