为了研究室内二氧化碳（CO₂）体积分数变化以及其与人类活动之间的关系，设计了一种开放路径式可调谐二极管激光吸收光谱（TDLAS）传感系统对室内CO₂体积分数进行监测。采用中心波长为2004 nm的分布式反馈（DFB）激光器作为激励光源测量CO₂的R（16）特征吸收线。使用Levenberg-Marquardt非线性最小二乘法拟合测量光谱，实现体积分数测量免定标。与商用XENSIV^TMPAS二氧化碳传感器进行对比测量，二者的相关度R²达到0.89。结果显示，室内CO₂每日体积分数均值为4.63×10^-4，略高于室外的CO₂体积分数，并且一天内波动范围在3.86×10^-4~5.66×10^-4之间。室内CO₂体积分数受通风情况和室内人员活动的影响，其每日体积分数变化趋势与人员工作时间高度相关。在人员密度为0.005 人/m³的情况下，测量得到CO₂体积分数的增长速率为2.3×10^-5 h^-1。因此，人员拥挤的室内环境应及时通风，以防止体积分数过高的CO₂引起不适。

为提高锂电池温度在线监测能力, 通过双路解调方案构建分布式拉曼光纤温度测试系统, 采用外部触发方式, 实现相互协调的工作状态。温度测试结果表明, 常温状态下系统各通道距离10 m范围的温度精度达到±1 ℃。经过8次测试后温度值误差均在0.17 ℃内, 表明系统常温条件下可以保持良好的稳定性, 满足设计条件。该系统能够满足锂电池的测温要求, 能够对锂电池局部温度异常情况进行准确反馈, 有效预防锂电池各类事故。10 m传感距离内行程误差最大值只有2 m, 符合锂电池测温要求。模拟试验测试结果表明, 该系统能够对故障进行准确辨别与定位, 表明系统具备优异的分布式测试性能。DTS系统可以达到±1 m的分辨能力, 可以快速响应锂电池故障引起的温度变化。

人工智能在智能制造领域中起着举足轻重的作用。近年来，激光制造技术以其精度高、可控性强等优势而逐渐成为先进制造的关键技术，在航空航天、****、新能源汽车、生物医疗等重要领域中发挥了重要作用。与此同时，人工智能在激光制造中的模拟预测、参数优化、过程控制、质量分析等方面展现了巨大的应用潜力。主要从激光制造装备和工艺这两个方面出发，总结了激光制造领域中人工智能的研究现状与应用情况，并对人工智能和激光制造技术的发展方向及应用前景进行了展望。

研制了一种基于光纤布拉格光栅（FBG）和非本征法布里-珀罗干涉仪（EFPI）的高精度井下长期在线温度压力监测系统。该系统通过EFPI的腔长变化监测压力，通过FBG的波长变化监测温度，同时实现对压力的温度补偿。标定结果表明，该系统的压力测量范围为0.1~42 MPa，压力灵敏度为203.8 nm/MPa，精度为±0.05%F.S（F.S表示满量程），压力分辨率达到0.0007 MPa。将该系统在胜利油田桩西某生产井进行了工程示范，实时监测井下温度和压力5个月。结果表明，该系统能反映油井生产状态，实现重要参数的在线监测，对提高油气采收率具有重要指导意义。

为了减少因杆塔倾斜造成的电力事故, 该文设计了用于野外杆塔的姿态监测系统。系统主要采用误差状态卡尔曼(ESKF)算法对原始信号进行滤波处理, 再通过欧拉角和四元数变换的方法进行姿态解算。通过在每次迭代中产生新的对应特征来递归地校正估计的状态, 并保持系统在计算上满足四元数的约束, 实现陀螺仪和加速度计的随机误差补偿滤波。处理后的数据经过无线传输模块传至后台服务器, 最终实现远程监控。通过实验室验证与实地测试一段时间后, 结果表明, 系统功能稳定, 精度高, 满足了杆塔的倾斜检测。

结合激光诱导击穿光谱(LIBS)技术,设计激光清洗在线监测系统以实时监测激光清洗的质量。实验所用的激光器为光纤激光器,其可以在多维空间中加工应用。首先确定激光清洗速度,并研究LIBS随激光单脉冲能量密度的变化规律,用来表征碳纤维复合材料清洗的效果。然后在数据分析的处理上,采用均值平滑去除背景的方法处理包络状的光谱连续背景;采用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法实现光谱噪声和有效数据的分离;采用皮尔逊系数分析的方法确定激光清洗的最佳烧蚀次数,为激光清洗实现过程自动优化控制提供判定依据。最后采用扫描电子显微镜分析碳纤维表面形貌特征,证实LIBS技术在线监测激光清洗效果的有效性。

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。

水体中的硝酸盐浓度过高不仅会造成水环境污染而且会对人类身体健康造成很大威胁, 传统的检测硝酸盐的方法检测时间长且操作复杂。 针对水体中硝酸盐氮难以快速在线检测的问题, 基于紫外吸收光谱, 提出了一种混合预测模型结合光谱积分快速定量检测水体中硝酸盐浓度的方法。 混合预测模型为低浓度样本建立的双波长法预测模型与高浓度样本建立的偏最小二乘支持向量机(LS-SVM)预测模型数据融合之后的模型。 按照合适的浓度梯度配备了19组硝酸盐氮标准溶液, 通过实验测得不同浓度硝酸盐氮样本的光谱数据。 首先基于双波长法对所有样本进行回归分析, 按照A=A220-2A275计算不同实验样本的吸光度A, 其中A220和A275是220和275 nm处样本的吸光度, 将吸光度A与样本浓度值进行线性回归, 拟合出样本浓度的预测值。 结果显示当样本浓度较小时, 相关性很好, r为0.997 4, 随着实验样本浓度的上升, 曲线发生严重的非线性漂移, 因此双波长法只适合低浓度样本预测模型的建立。 对于高浓度样本, 光谱重叠严重, 适合建立非线性的预测模型, 支持向量机(SVM)与LS-SVM都适合小样本的非线性数据建模, LS-SVM预测精度稍高, 运算速度稍快。 通过对所有的实验样本进行全波长光谱积分, 比较相邻样本光谱积分的变化率可以筛选出样本的临界浓度值, 4 mg·L-1的硝酸盐样本积分值前后变化率最大, 因此选择4 mg·L-1作为临界浓度值较为合适。 浓度高于4 mg·L-1的实验样本建立LS-SVM预测模型, 通过交叉验证的方法选择出合适的参数, 正则化参数γ=50, 核函数选择高斯核, 核函数宽度σ２=0.36, 训练样本之后进行回归; 其余样本建立双波长法预测模型, 最后进行两种模型的数据融合, 形成从低浓度到高浓度的水体中硝酸盐浓度的检测。 为了验证混合预测模型的预测精度, 另外建立了SVM, LS-SVM, 偏最小二乘(PLS)等模型, 并求出r, 预测值与真实浓度值平均绝对误差(MAE)和均方根误差(RMSE)对模型进行评价。 验证结果表明, 相比于SVM, LS-SVM和PLS等模型, 提出的混合模型回归的相关系数为0.999 86, 分别提高了1.8%, 1.6%和0.45%, 预测值与真实浓度的平均绝对误差为2.55%, 分别降低了6.27%, 4.49%和1.01%, 均方根误差为0.303, 为四种预测模型中最小, SVM与LS-SVM的相对误差相对较高, PLS模型相对误差上下波动比较大, 混合预测模型相对误差最为稳定, 并保持在较低水平, 由此可见混合预测模型的预测效果明显优于其他几种模型。 并与文献［5—7］中的测量方法进行对比, 该混合预测方法可以简单快速的测量水体中硝酸盐氮的浓度, 且不需要试剂, 无二次污染, 与文献[9]中的预测模型相比, 预测精度明显提高。 因此提出的混合模型可正确快速地预测水体中硝酸盐氮的浓度, 可为在线监测水体中硝酸盐浓度提供有效的技术参考。