基于波段挑选的水泥生料成分含量检测方法及系统与流程

本发明涉及一种基于波段挑选的水泥生料成分含量检测方法及系统，属于水泥生产制造技术领域。

背景技术：

水泥质量的控制是水泥生产过程中非常重要的一环，直接影响了产品的最终质量，如果售出使用会对建筑工程造成极大的安全隐患。

目前大多数水泥企业对水泥生料成分含量检测方法大多采用xrf荧光分析仪化验检测。该方法在化验前需要对样本进行粉磨，压片制样过程，从采样到制样最后到化验此过程需要二十分钟左右，该方法严重制约了水泥企业的发展，同时也耗费了大量的人力。此种检测方法存在放射性物质，对操作人员身体造成一定伤害。因此，一种基于波段挑选的水泥生料成分含量检测方法能够方便企业对水泥生料成分含量进行快速准确检测，还实现了安全检测避免潜在威胁。既保障了企业的利益还保障了操作人员的人身安全。

近红外光谱检测技术是发展最快的分析技术之一，广泛应用于农业和工业各种领域。在无机微量元素虽然在红外区没有吸收峰，但是被测物中的有机质、金属及非金属氧化物可与无机微量元素形成螯合物或络合物，这就使得近红外光谱与中红外光谱定性、定量检测无机微量元素成为可能。同时近红外光谱分析技术具有快速、操作简单、安全等特点，是一种理想的快速检测水泥生料成分含量的方法。因此，本发明提出了一种基于波段挑选的水泥生料成分含量检测方法。

技术实现要素：

针对以上方法存在的不足，本发明提出了一种基于波段挑选的水泥生料成分含量检测方法及系统，能够解决现有水泥生料成分含量检测方法存在的操作复杂、化验时间长的缺陷。

本发明解决其技术问题采取的技术方案是：

一方面，本发明实施例提供的一种基于波段挑选的水泥生料成分含量检测方法，包括以下步骤：

s1，采集水泥生产线不同时段所生产水泥生料的近红外光谱信息；

s2，对采集的近红外光谱进行预处理；

s3，对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段；

s4，根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型；

s5，利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。

作为本实施例一种可能的实现方式，所述水泥生料成分包括sio2、al2o3、fe2o3、cao。

作为本实施例一种可能的实现方式，所述步骤s1具体为：采用连续取样器采集水泥生产线不同时段生产的水泥生料样本，采用近红外光谱仪采集水泥生料样本的近红外光谱。

作为本实施例一种可能的实现方式，所述水泥生料样本利用spxy法进行样本划分为建模样本和验证样本。

作为本实施例一种可能的实现方式，所述近红外光谱为10000-4000cm^-1波长范围内的近红外光谱，利用漫反射的方式进行采集。

作为本实施例一种可能的实现方式，所述步骤s2具体为：采用sg(savgol)平滑算法对采集的近红外光谱进行去除噪音处理。

作为本实施例一种可能的实现方式，所述sg平滑算法的平滑参数包括导数阶数(od)、多项式次数(dp)和平滑点数(nsp＝2m+1)。sg平滑算法把光谱区间的2m+1个连续点作为一个窗口，在窗口内用多项式(以点的编号i为自变量，i＝0,±1,±2,…,±m)对实测光谱数据做最小二乘拟合，得到相应的多项式系数，然后采用得到的多项式系数计算出该窗口中心波长点(i＝0)的平滑值和各阶导数值。能够去除近红外光谱的噪音，获取高信噪比的近红外光谱。

作为本实施例一种可能的实现方式，所述步骤s3具体为：根据水泥生料成分的光谱特性对预处理后的近红外光谱先采用bipls法进行一次波段筛选，再采用cars法进行二次波段筛选水泥生料成分对应的光谱波段。采用bipls法进行挑选，可以剔除绝大多数光谱波段，减小了建模数据维度，再采用cars法进行二次筛选，减少了建立检测模型所用的波段数量。

作为本实施例一种可能的实现方式，所述步骤s4具体为：采用化学计量法根据筛选的水泥生料成分对应的光谱波段和对应水泥生料的成分化验结果建立检测模型，所述检测模型用于表示近红外光谱和水泥生料成分含量之间的函数关系。

作为本实施例一种可能的实现方式，所述化学计量法包括多元线性回归、偏最小二乘、支持向量机或神经网络方法。

另一方面，本发明实施例提供的一种基于波段挑选的水泥生料成分含量检测系统，包括：

数据采集模块，用于采集水泥生产线不同时段所生产水泥生料的近红外光谱信息；

预处理模块，用于对采集的近红外光谱进行预处理；

波段筛选模块，用于对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段；

检测模型建立模块，用于根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型；

检测模块，用于利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。

作为本实施例一种可能的实现方式，所述数据采集模块具体用于采用连续取样器采集水泥生产线不同时段生产的水泥生料样本，采用近红外光谱仪采集水泥生料样本的近红外光谱。

作为本实施例一种可能的实现方式，所述水泥生料样本利用spxy法进行样本划分为建模样本和验证样本。

作为本实施例一种可能的实现方式，所述近红外光谱为10000-4000cm^-1波长范围内的近红外光谱，利用漫反射的方式进行采集。

作为本实施例一种可能的实现方式，所述预处理模块具体用于采用sg平滑算法对采集的近红外光谱进行去除噪音处理。

作为本实施例一种可能的实现方式，所述sg平滑算法的平滑参数包括导数阶数(od)、多项式次数(dp)和平滑点数(nsp＝2m+1)。sg平滑算法把光谱区间的2m+1个连续点作为一个窗口，在窗口内用多项式(以点的编号i为自变量，i＝0,±1,±2,…,±m)对实测光谱数据做最小二乘拟合，得到相应的多项式系数，然后采用得到的多项式系数计算出该窗口中心波长点(i＝0)的平滑值和各阶导数值。能够去除近红外光谱的噪音，获取高信噪比的近红外光谱。

作为本实施例一种可能的实现方式，所述波段筛选模块包括：

一次波段筛选模块，用于根据水泥生料成分的光谱特性对预处理后的近红外光谱先采用bipls法进行一次波段筛选；

二次波段筛选模块，用于对一次波段筛选后的近红外光谱再采用cars法进行二次波段筛选水泥生料成分对应的光谱波段。

采用bipls法进行挑选，可以剔除绝大多数光谱波段，减小了建模数据维度，再采用cars法进行二次筛选，减少了建立检测模型所用的波段数量。

作为本实施例一种可能的实现方式，所述检测模型建立模块具体用于采用化学计量法根据筛选的水泥生料成分对应的光谱波段和对应水泥生料的成分化验结果建立检测模型，所述检测模型用于表示近红外光谱和水泥生料成分含量之间的函数关系。

作为本实施例一种可能的实现方式，所述化学计量法包括多元线性回归、偏最小二乘、支持向量机或神经网络方法。

本发明实施例的技术方案可以具有的有益效果如下：

本发明利用水泥生料成分含量在近红外光谱中反应的特征信息，采用波段挑选和偏最小二乘算法将采集到的近红外光谱信息转换为待测水泥生料样本中的成分含量信息，建立检测模型对水泥生料成分含量能够快速进行检测，利用本发明能够切实从技术上实现水泥生料的安全、快速检测。本发明为水泥生产企业及监管单位带来了一种新的水泥生料成分含量检测思路。

本发明能够快速准确地检测水泥生料中sio2、al2o3、fe2o3、cao的成分含量，与现有技术相比，具有以下优点：

1.快速简便，近红外光谱检测的实际非常短，模型计算时间可以忽略。样本不需再次粉磨和压片，可直接进行测量。

2.多成分可以同时测量，可以同时测量多种水泥生料的成分含量。

3.本发明为水泥生料成分含量在线检测提供了技术支持。

附图说明：

图1是根据一示例性实施例示出的一种基于波段挑选的水泥生料成分含量检测方法的流程图；

图2是根据一示例性实施例示出的一种基于波段挑选的水泥生料成分含量检测系统的结构图；

图3是一种水泥生料的近红外光谱图；

图4是一种水泥生料的sio2成份对应的bipls法所挑选出的波段示意图；

图5是一种水泥生料的al2o3成份对应的bipls法所挑选出的波段示意图；

图6是一种水泥生料的fe2o3成份对应的bipls法所挑选出的波段示意图；

图7是一种水泥生料的cao成份对应的bipls法所挑选出的波段示意图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明：

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

如图1所示，本发明实施例提供的一种基于波段挑选的水泥生料成分含量检测方法，包括以下步骤：

s1，采集水泥生产线不同时段所生产水泥生料的近红外光谱信息；

s2，对采集的近红外光谱进行预处理；

s3，对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段；

s4，根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型；

s5，利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。

作为本实施例一种可能的实现方式，所述水泥生料成分包括sio2、al2o3、fe2o3、cao。

作为本实施例一种可能的实现方式，所述步骤s1具体为：采用连续取样器采集水泥生产线不同时段生产的水泥生料样本，采用近红外光谱仪采集水泥生料样本的近红外光谱。

作为本实施例一种可能的实现方式，所述水泥生料样本利用spxy法进行样本划分为建模样本和验证样本。

作为本实施例一种可能的实现方式，所述近红外光谱为10000-4000cm^-1波长范围内的近红外光谱，利用漫反射的方式进行采集。

作为本实施例一种可能的实现方式，所述步骤s2具体为：采用sg平滑算法对采集的近红外光谱进行去除噪音处理。

作为本实施例一种可能的实现方式，所述sg平滑算法的平滑参数包括导数阶数(od)、多项式次数(dp)和平滑点数(nsp＝2m+1)。sg平滑算法把光谱区间的2m+1个连续点作为一个窗口，在窗口内用多项式(以点的编号i为自变量，i＝0,±1,±2,…,±m)对实测光谱数据做最小二乘拟合，得到相应的多项式系数，然后采用得到的多项式系数计算出该窗口中心波长点(i＝0)的平滑值和各阶导数值。能够去除近红外光谱的噪音，获取高信噪比的近红外光谱。

作为本实施例一种可能的实现方式，所述步骤s3具体为：根据水泥生料成分的光谱特性对预处理后的近红外光谱先采用bipls法进行一次波段筛选，再采用cars法进行二次波段筛选水泥生料成分对应的光谱波段。采用bipls法进行挑选，可以剔除绝大多数光谱波段，减小了建模数据维度，再采用cars法进行二次筛选，减少了建立检测模型所用的波段数量。

作为本实施例一种可能的实现方式，所述步骤s4具体为：采用化学计量法根据筛选的水泥生料成分对应的光谱波段和对应水泥生料的成分化验结果建立检测模型，所述检测模型用于表示近红外光谱和水泥生料成分含量之间的函数关系。

作为本实施例一种可能的实现方式，所述化学计量法包括多元线性回归、偏最小二乘、支持向量机或神经网络方法。

本实施例利用水泥生料成分含量在近红外光谱中反应的特征信息，采用波段挑选和偏最小二乘算法将采集到的近红外光谱信息转换为待测水泥生料样本中的成分含量信息，建立检测模型对水泥生料成分含量进行快速检测，能够切实从技术上实现水泥生料的安全、快速检测。

如图2所示，本发明实施例提供的一种基于波段挑选的水泥生料成分含量检测系统，包括：

数据采集模块，用于采集水泥生产线不同时段所生产水泥生料的近红外光谱信息；

预处理模块，用于对采集的近红外光谱进行预处理；

波段筛选模块，用于对预处理后的近红外光谱筛选水泥生料成分对应的光谱波段；

检测模型建立模块，用于根据水泥生料成分及其对应的光谱波段建立水泥生料成分含量检测模型；

检测模块，用于利用水泥生料成分含量检测模型进行水泥生料成分含量的检测。

作为本实施例一种可能的实现方式，所述水泥生料成分包括sio2、al2o3、fe2o3、cao。

作为本实施例一种可能的实现方式，所述数据采集模块具体用于采用连续取样器采集水泥生产线不同时段生产的水泥生料样本，采用近红外光谱仪采集水泥生料样本的近红外光谱。

作为本实施例一种可能的实现方式，所述水泥生料样本利用spxy法进行样本划分为建模样本和验证样本。

作为本实施例一种可能的实现方式，所述近红外光谱为10000-4000cm^-1波长范围内的近红外光谱，利用漫反射的方式进行采集。

作为本实施例一种可能的实现方式，所述预处理模块具体用于采用sg平滑算法对采集的近红外光谱进行去除噪音处理。

作为本实施例一种可能的实现方式，所述sg平滑算法的平滑参数包括导数阶数(od)、多项式次数(dp)和平滑点数(nsp＝2m+1)。sg平滑算法把光谱区间的2m+1个连续点作为一个窗口，在窗口内用多项式(以点的编号i为自变量，i＝0,±1,±2,…,±m)对实测光谱数据做最小二乘拟合，得到相应的多项式系数，然后采用得到的多项式系数计算出该窗口中心波长点(i＝0)的平滑值和各阶导数值。能够去除近红外光谱的噪音，获取高信噪比的近红外光谱。

作为本实施例一种可能的实现方式，所述波段筛选模块包括：

一次波段筛选模块，用于根据水泥生料成分的光谱特性对预处理后的近红外光谱先采用bipls法进行一次波段筛选；

二次波段筛选模块，用于对一次波段筛选后的近红外光谱再采用cars法进行二次波段筛选水泥生料成分对应的光谱波段。

采用bipls法进行挑选，可以剔除绝大多数光谱波段，减小了建模数据维度，再采用cars法进行二次筛选，减少了建立检测模型所用的波段数量。

作为本实施例一种可能的实现方式，所述检测模型建立模块具体用于采用化学计量法根据筛选的水泥生料成分对应的光谱波段和对应水泥生料的成分化验结果建立检测模型，所述检测模型用于表示近红外光谱和水泥生料成分含量之间的函数关系。

作为本实施例一种可能的实现方式，所述化学计量法包括多元线性回归、偏最小二乘、支持向量机或神经网络方法。

利用本发明基于波段挑选的水泥生料成分含量检测系统对水泥生料成分含量进行检测，能够切实从技术上实现水泥生料的安全、快速检测。

本发明基于波段挑选的水泥生料成分含量检测方法的具体实施过程如下：

1.样本采集：采取水泥生产线不同时段所生产的水泥生料样本，采用连续取样器进行采集，每个样本为每小时所生产的水泥生料混合样，共采集了96个样本。

2.光谱采集：对上述得到的水泥生料运用近红外光谱仪进行光谱扫描得到样品的近红外光谱，对同一样品重复扫描四次，以四次的平均光谱作为该样品的标准光谱。在每扫描10个样本后进行一次背景矫正。得到的水泥生料光谱如图3所示。

3.样本划分：将获得的水泥生料光谱和对应的化验室化验值利用spxy法进行样本划分，划分出80个建模集样本和16个验证集样本,本方法采用matlab软件编写spxy样本划分程序，建模集设置为80。

4.光谱预处理，获得建模集样本的光谱后进行光谱的预处理。采用matlab软件根据“savgol”算法编写savgol”处理程序对水泥生料近红外光谱进行预处理，时间窗宽度设为10，多项式拟合项为2，导数阶设为1。

5.光谱波段筛选：先采用bipls法对水泥生料进行一次波段筛选，本次筛选可以剔除绝大多数光谱波段，然后再采用cars法进行二次波段筛选。因为水泥生料主要成分含sio2、al2o3、fe2o3、cao四种氧化物，每种成分对应的光谱波段不同，因此在波段筛选时分别进行挑选。本方法采用matlab软件编写程序进行实现。其中参数设置为：no_of_lv设为10，prepro_method采用mean方法，intervals分别设为(20、30、40、50、60)选出最佳区间，val_method选用syst123，segments设为5，蒙特卡罗抽样的个数为60。经过bipls挑选得出sio2、al2o3、fe2o3、cao分别均等划分为30、50、30、40时进行波段挑选建立的模型最优，然后在此基础上运用cars法进行波段筛选，最终sio2、al2o3、fe2o3、cao对应的光谱波段分别挑选出84、88、75、76个波段。

6.模型的建立：利用eigenvector公司的pls_toolbox_881工具箱选用pls建模方法进行数学建模，将筛选后的近红外光谱和化验室化验值建立模型，建模方法采用偏最小二乘回归法。

7.模型验证，将验证集的水泥生料近红外光谱进行波段剔除，保留步骤5所筛选出的波段，将保留下来的波段来作为验证输入对比预测结果和时间化验室化验值的偏差，来验证建模效果。如表1所示为化验室化验值和近红外技术预测值对比。

表1化验室化验值与近红外建模预测值对比表：

建模模型效果见表2所示。

表2模型评价参数表：

图4-图7分别为sio2、al2o3、fe2o3、cao四种氧化物成份对应的bipls法所挑选出的波段。(sio2、al2o3、fe2o3、cao分别均等划分为30、50、30、40时进行波段挑选建立的模型最优)。

8.成分检测：利用验证后水泥生料成分含量检测模型对水泥生料成分含量进行检测。

本发明能够快速准确地检测水泥生料中sio2、al2o3、fe2o3、cao的成分含量，与现有技术相比，具有以下优点：

1.快速简便，近红外光谱检测的实际非常短，模型计算时间可以忽略。样本不需再次粉磨和压片，可直接进行测量。

2.多成分可以同时测量，可以同时测量多种水泥生料的成分含量。

3.本发明为水泥生料成分含量在线检测提供了技术支持。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视作为本发明的保护范围。