1 安徽理工大学, 深部煤矿采动响应与灾害防控国家重点实验室, 安徽 淮南 232001
2 安徽理工大学电气与信息工程学院, 安徽 淮南 232001
矿井水害对煤矿安全生产存在巨大威胁, 所以快速识别矿井突水水源, 对煤矿水灾预警及灾后救援工作开展都有重大意义。 激光诱导荧光(LIF)技术具有快速、 高效、 灵敏度高等特点, 克服了传统水化学方法识别时间长的缺点。 循环神经网络(RNN)在解决长序列训练过程中产生的梯度消失、 梯度爆炸等问题上存在明显不足, 而特殊变体RNN即长短期记忆(LSTM)神经网络很好地弥补了RNN的短板及缺陷。 提出了将LIF技术与LSTM算法相结合, 应用在矿井突水水源快速识别中。 实验样本采自淮南矿区, 以砂岩水和老空水为原始样本, 并将砂岩水和老空水按照不同比例混合配置成5种混合水样, 共7种待测水样进行实验。 首先采用最大最小值归一化(MinMaxScaler)、 平滑滤波(SG)以及标准正态变量变换(SNV)三种预处理方法对原始光谱数据进行预处理, 减少原始光谱数据存在的噪声和干扰信息。 之后为防止数据量过大, 维度过高, 将包括原始光谱数据在内的四组数据再进行LDA降维至3维。 最后分别搭建LSTM识别模型, 从测试集预测准确率、 训练集准确率变化趋势以及训练集损失函数变化趋势三个方面进行比较, 选择最优模型。 其中SG+LDA+LSTM和Original+LDA+LSTM在测试集预测准确率上都能达到100%, MinMaxScaler+LDA+LSTM测试集预测准确率在98.57%, SNV+LDA+LSTM准确率最低, 只有87.14%; 在训练集准确率变化趋势表现上, SG+LDA+LSTM能够保持良好的学习, 很快达到100%, Original+LDA+LSTM和MinMaxScaler+LDA+LSTM也能达到100%的准确率, 但在前几次训练过程中会有准确率下降的情况出现, SNV+LDA+LSTM训练集准确率在训练次数内并未达到100%; SG+LDA+LSTM损失函数变化趋势也具有很好的收敛性和稳定性, Original+LDA+LSTM, MinMaxScaler+LDA+LSTM以及SNV+LDA+LSTM在损失函数变化趋势上表现并不出色。 结果表明, 4组模型中, SG+LDA+LSTM模型是最适合应用于矿井突水识别, 该方法补充了矿井突水水源识别工作的内容, 为矿井突水识别提供了新的思路。
水源识别 激光诱导荧光光谱 预处理 Water source identification Laser-induced fluorescence spectroscopy Pretreatment LDA LSTM LDA LSTM 光谱学与光谱分析
2022, 42(10): 3091
1 安徽理工大学, 深部煤矿采动响应与灾害防控国家重点实验室, 安徽 淮南 232001
2 安徽理工大学电气与信息工程学院, 安徽 淮南 232001
电力变压器油的检测分析是电力变压器故障诊断的有效方法, 快速识别电力变压器油的油样对电力变压器故障诊断工作有重大意义。 常规的电力变压器油的检测技术主要是气相色谱法, 此方法操作比较复杂, 且不适合在线检测, 不能及时发现变压器的故障隐患。 提出一种激光诱导荧光光谱(LIF)技术与极限学习机(ELM)算法的电力变压器故障诊断研究的方法。 实验采集四种油样, 分别为热性故障油、 电性故障油、 局部受潮油以及原油。 使用激光发生器激发油样而发射荧光, 获取不同油样光谱数据, 采用MSC、 SNV预处理算法对光谱数据进行处理, 防止噪声等因素干扰。 随后, 利用KPCA和PCA降维, 主成分个数皆取5, KPCA处理后显示MSC预处理的累计贡献率最高, 为99%, 经MSC预处理的PCA模型累计贡献率依然达到95%以上, Original-KPCA与Original-PCA模型的累计贡献率均达到65%以下, 可以发现, 采用预处理的模型, 累计贡献率均有上升。 最后, 分别对两种降维后的数据利用ELM进行回归拟合。 实验表明, KPCA、 PCA两种降维方式, KPCA算法表现性能较好, 处理数据时间更短, 提高了模型的可靠性和效率。 同KPCA降维方式下, MSC-ELM模型的拟合优度R2为0.999 41, 均方误差MSE为0.074%; SNV-ELM拟合优度R2为0.999 08, 均方误差MSE为0.129%; Original-ELM拟合优度R2为0.996 95, 均方误差MSE为0.399%; 对比可以发现MSC比SNV处理后的效果更好, MSC-KPCA-ELM模型表现效果最佳, 预测值与真实值更为接近, 均方根误差最小。 结果证明, MSC-KPCA-ELM模型结合激光诱导荧光光谱技术更加适用于对电力变压器是否发生故障的快速诊断, 精确判断为哪种故障类型, 保障电力设备的运行安全。
激光诱导荧光光谱 极限学习机 变压器油 Laser induced fluorescence spectroscopy Extreme learning machine Transformer oil KPCA PCA KPCA PCA 光谱学与光谱分析
2022, 42(5): 1459
1 成都理工大学, 地学核技术四川省重点实验室, 四川 成都 610059
2 四川农业大学资源学院, 四川 成都 611130
近年来, 由微生物污染引起的食品安全问题对人类健康构成威胁。 微生物的快速检测对食品安全具有重要意义。 目前, 微生物快速检测技术存在操作困难, 成本高的不足。 激光诱导荧光光谱(LIFS)具有灵敏度高、 操作方便、 设备相对便宜等优点, 为微生物的快速检测提供了一种潜在技术。 利用便携式405 nm激光激发三种常见食源性致病菌(粪肠球菌、 鼠伤寒沙门氏菌和铜绿假单胞菌)的荧光, 并利用微光纤光谱仪检测光谱。 通过调节激光器功率(10~100 mW)得到粪肠球菌的荧光强度, 验证了激光器功率(Power, P)与细菌荧光强度的关系, 结果表明最佳激光器功率范围为50~80 mW。 测量了在激光器功率P=50 mW时细菌样品的荧光光谱, 并讨论了细菌种类和荧光光谱之间关系。 结合文献分析粪肠球菌在528 nm处出现黄酮的荧光峰, 铜绿假单胞菌中的原卟啉发射634 nm荧光峰。 实验结果表明: (1)铜绿假单胞菌在634和703 nm处的荧光峰, 可作为直接识别特征; (2)基于多元统计, 将粪肠球菌和鼠伤寒沙门氏菌的光谱划分为9个特征区, 采用动态聚类法得到粪肠球菌和鼠伤寒沙门氏菌的识别率均达到100%。 结果表明, 激光诱导荧光光谱法可有效检测铜绿假单胞菌、 粪肠球菌和鼠伤寒沙门氏菌。 相较于其他微生物快速检测技术, LIFS方法操作方便, 检测速度快, 识别率高, 对食源性致病菌的快速检测具有重要的应用价值。
激光诱导荧光光谱法 粪肠球菌 鼠伤寒沙门氏菌 铜绿假单胞菌 动态聚类算法 Laser Induced Fluorescence Enterococcus faecalis Salmonella Typhimurium Pseudomonas aeruginosa Dynamic clustering algorithm 光谱学与光谱分析
2021, 41(9): 2817
1 中国科学院 安徽光学精密机械研究所 环境光学与技术重点实验室，合肥 230031
2 中国科学技术大学，合肥 230026
3 安徽省环境光学监测技术重点实验室，合肥 230031
4 合肥学院 先进制造工程学院，合肥 230601
激光诱导荧光技术具有实时、快速的优势，并且无需对样品做预处理，是土壤多环芳烃定量分析检测的一种重要分析手段。然而土壤中多环芳烃种类繁多，激光诱导荧光光谱重叠严重，在无法进行化学分离的情况下实现土壤中多环芳烃的精确定量是难点之一。本文采用266 nm可移动激光诱导荧光系统获取了农田土壤多环芳烃的荧光光谱，研究了基于单变量线性回归、加权非负最小二乘多元线性回归和支持向量回归的多组分多环芳烃定量分析方法。结果表明：采用单变量线性回归，蒽和菲的相关系数均小于0.90，平均相对误差均大于20%；与单变量线性回归相比，加权非负最小二乘多元线性回归提高了两组分多环芳烃污染土壤中蒽和菲的预测精度，但在多组分多环芳烃污染土壤中的平均相对误差仍在20%以上。最后，采用GWO-DE优化的支持向量机回归模型分析了多组分多环芳烃污染土壤中的蒽和菲，蒽的平均相对误差由多元线性回归的23.1%下降至5.02%，菲的平均相对误差从20.8%下降到4.83%。该研究为提高土壤多组分多环芳烃激光诱导荧光定量分析的准确性提供了方法支撑。
polycyclic aromatic hydrocarbons laser-induced fluorescence spectra quantitative analysis 多环芳烃 激光诱导荧光光谱 定量分析
1 咸阳师范学院与中国科学院近代物理研究所联合共建离子束与光物理实验室, 陕西 咸阳 712000
2 西安交通大学应用物理系, 陕西 西安 710049
3 中国科学院近代物理研究所, 甘肃 兰州 730000
研究Au-O键可以帮助人们更好理解不断发展的金化学科学, 而氧化金AuO是含Au-O键最简单的模型, 因此对氧化金分子的电子态结构进行研究有重要的科学意义。 激光诱导荧光光谱是研究分子结构和化学键的有效手段。 利用激光溅射结合超声射流技术产生气相氧化金分子(AuO), 采用激光诱导荧光光谱技术测量氧化金在16 500～18 500 cm-1范围内的电子谱。 消融激光(Leibao Dawa-300)溅射高纯度(99.9%)金靶产生金原子, 将靶材安装在真空步进电机上由步进电机带动转动, 保证溅射激光每次打在靶材不同的位置, 保证信号的稳定度。 高压纯氧气经脉冲阀(Parker, General Valve, series 9)进入真空腔室与金原子反应生成气相氧化金分子AuO。 Nd∶YAG激光器(Continuum Surelite Ⅱ-10) 泵浦染料激光器(Sirah, Cobra-Stretch)输出线宽为0.05 cm-1、 脉宽为5 ns、 能量为0.1 mJ·pulse-1的激光, 该激光激发前述产生的氧化金分子至激发态。 扫描染料激光器, 使用光电倍增管PMT(EMI, ET9202QB)探测此荧光。 示波器卡(Picoscope 6404C, 500 MHz, 14 bits)将光电倍增管探测的信号转换成数字信号输入到计算机, 采用基于LabVIEW的分析程序读取信号。 分析所测量的光谱, 带头在17 152.94, 17 552.17, 17 932.78和18 291.62 cm-1的四个振转谱带被归属为b4Π3/2 (v′=0, 1, 2, 3)－X2Π3/2(v″=0)跃迁谱。 对转动分辨的光谱进行拟合, 得到激发态b4Π3/2态的光谱常数, 包括转动常数和离心畸变常数。 分析了激发态可能的电子组态, 为1σ21π41δ42σ12π33σ*1。
激光诱导荧光光谱 电子谱 AuO AuO Laser-induced fluorescence(LIF) Electronic spectrum 光谱学与光谱分析
2020, 40(6): 1747
安徽理工大学电气与信息工程学院, 安徽 淮南 232001
快速且准确识别矿井涌水水源对于防范煤矿水灾事故有着重大的研究意义。 利用激光诱导荧光(LIF)光谱融合智能分类算法进行矿井涌水水源识别打破了传统水化学方法耗时过长等不足, 具有灵敏度高、 响应速度快等特点； 然而目前这些已使用的算法仅能依靠分类准确率定性判别不同矿井涌水水样的种类。 把随机森林(RF)算法和竞争性自适应重加权(CARS)算法相结合, 基于激光诱导荧光的水样荧光光谱数据建立偏最小二乘回归(PLSR)模型来预测不同矿井涌水的含量, 实现水样的定量评估。 首先, 采集300组以老空水为基础混入不同含量砂岩水的矿井涌水样本, 将采集到的水样按4∶1比例随机划分成校正集和预测集, 校正集共240组用于建立回归模型, 预测集共60组用于预测不同水样, 搭建激光诱导荧光涌水光谱系统完成光谱数据的获取并生成荧光光谱图。 然后分别通过S-G卷积平滑法和Lowess平滑法对原始荧光光谱进行去噪处理, 发现处理后的荧光光谱较原始光谱更为分散, 适合光谱分析, 对比了两种去噪方法的预测精度, 选择Lowess平滑法作为最终去噪方法。 接着采用RF算法约简去噪后属性重要度较低的光谱属性, 依据最优回归模型的性能选择约简出的223个属性再用于CARS算法的二次属性精简, 根据CARS算法采样过程中交叉验证均方根误差值最小原则选择出的77个属性光谱数据建立PLSR模型。 最后与全光谱、 其他变量选择方法、 不同回归模型相比, RF-CARS算法属性精简效果最好, 较全光谱建模, 属性由2 048个减少到77个, 模型预测集判定系数R2pre由0.991 4增长到0.996 7, 预测均方根误差RMSEP由0.029 4减少到0.018 3, 预测精度得到提升, 其余评估指标也相对较好。 实验结果表明, RF-CARS结合激光诱导荧光光谱可快速、 精准预测矿井涌水, 精简出的光谱属性用来建立回归模型, 为实现矿井涌水含量的实时定量评估提供了一定的理论保障。
激光诱导荧光光谱 回归模型 随机森林 竞争性自适应重加权 矿井涌水 Laser-induced fluorescence spectroscopy Regression model Random forest Competitive adaptive reweighted sampling Mine water inflow 光谱学与光谱分析
2020, 40(7): 2170
1 中国科学院近代物理研究所, 甘肃 兰州 730000
2 中国科学院大学, 北京 100049
结合脉冲放电气体束和激光溅射技术, 开发了一套产生气相金属化合物分子和离子的装置。 利用飞行时间质谱测试了金属铜靶与不同气体反应的离子产物和效率, 并利用激光诱导荧光光谱方法测量了自由基分子产物的状态。 测试结果表明, 该装置可有效产生气相金属化合物自由基分子和离子, 而且产物转动温度低, 为下一步开展高精度金属化合物分子自由基电子态激光光谱研究打下了基础。
金属化合物自由基 激光诱导荧光光谱 飞行时间质谱 Metal compound radicals Laser-induced fluorescence spectroscopy Time-of-flight mass spectroscopy 光谱学与光谱分析
2018, 38(12): 3941
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 合肥学院生物与环境工程系, 安徽 合肥 230601
3 皖江新兴产业技术发展中心, 安徽 铜陵 244000
利用激光诱导荧光技术可对土壤中石油类污染物快速检测, 不同土壤物理性质下, 污染物荧光发射特征具有一定差异。 为实现外场检测时快速制备合适的土壤样品, 实验研究了土壤疏松度、 颗粒度、 湿度与土壤中石油类污染物荧光强度及光谱稳定性之间的关系。 压片机压强大于2 MPa时土壤样品荧光光谱的稳定性较好, 九种不同疏松度的土壤样品荧光强度的相对标准偏差为3.51%。 不同粒径的机油土壤样品荧光强度差异较小, 其中100目土壤样品的荧光光谱RSD值为2.25%。 结果表明, 土壤样品表面呈平整洁净时, 所得样品荧光光谱的稳定性较好, 土壤疏松度和颗粒度对荧光光谱的影响较小。 湿度对土壤样品荧光发射的影响较大, 当土壤湿度低于10%, 荧光强度变化较小; 湿度范围大于10%时, 荧光强度变化较大。 为利用LIF技术对外场土壤中石油类污染物检测时, 快速有效制备土壤样品及准确测量提供参考。
激光诱导荧光光谱 土壤 颗粒度 疏松度 湿度 Laser-induced fluorescence spectroscopy Soil Bulkiness Particle size Soil moisture 光谱学与光谱分析
2018, 38(11): 3541
安徽理工大学电气与信息工程学院， 安徽 淮南 232001
煤矿井下突水水源的快速判别对煤矿安全生产意义非常重大， 激光荧光技术用于煤矿突水水源的识别打破了传统水化学方法耗时长的不足。 矿井老空水是最常见也是危害最大的水源类型， 而温度是影响物质特性的重要因素之一， 研究激光诱导荧光检测老空水的温度特性有助于快速准确识别矿井突水水源， 该研究具有重要的学术意义和实用价值。 采用405 nm蓝紫光半导体激光器作为光源， 设定激光器功率为120 mW， 产生的激光经UV/Vis石英光纤由荧光探头照射待测水样， 待测水样受激光激发产生荧光由荧光探头采集， 通过石英光纤传输至光谱仪。 以2017年3月在淮南市张集煤矿采集的老空水作为研究对象， 首先过滤掉水样中的悬浮颗粒， 随后将其放置在烧杯中， 使用冰块使样品温度降低至5.0 ℃， 随后放入恒温水浴锅中， 使用铁架台固定荧光探头使其位于液面下1 cm处。 在荧光光谱采集过程中， 样品始终放置在恒温水浴锅中， 通过水浴锅控制样品在10.0～60.0 ℃温度范围内获取荧光光谱， 并讨论了温度变化对老空水激光诱导荧光光谱谱图、 波峰位置及峰值、 温度系数、 谱图面积的影响。 研究结果表明： 随着温度升高， 加速了分子运动， 增加了分子间碰撞的概率， 使得非辐射跃迁增加， 老空水的荧光效率下降， 荧光强度减弱， 荧光光谱整体呈衰减变化主要集中在400～700 nm波段； 老空水荧光光谱的两个波峰所对应的波长保持不变， 并未随着温度变化发生漂移， 两个波峰处（472和493 nm）荧光强度减弱最明显， 同时荧光强度减弱与温度升高存在较好的线性关系， 荧光强度和温度在472 nm处拟合相关系数r2为0.91， 在493 nm处的拟合相关系数r2为0.963 36； 472 nm处的温度系数在20.0 ℃时达到最小值0.34%， 493 nm处的温度系数在20 ℃时达到最小值0.81%， 两处的温度系数均在20.0 ℃时达到最低值即荧光光谱在20.0 ℃附近最稳定； 温度升高， 老空水在荧光光谱在400～700 nm波段与温度轴包围的面积逐渐减小， 400～700 nm波段谱图所对应的面积与温度的拟合相关系数r2为0.975 39即面积的减小与温度的升高有良好的线性关系。 通过研究矿井老空水的温度特性， 矿井老空水的激光诱导荧光光谱在20 ℃最稳定， 在该温度条件下采用激光诱导荧光技术进行矿井水源的识别效果最佳， 同时利用老空水波峰以及面积与温度的线性关系进行温度补偿可以进一步提升利用LIF技术进行矿井突水水源识别的灵敏度和精度， 该研究对实现矿井老空水的快速、 准确判别具有重要意义。
激光诱导荧光光谱 老空水 温度 光谱分析 Laser induced fluorescence spectroscopy Goaf water Temperature Spectral analysis 光谱学与光谱分析
2018, 38(8): 2583
安徽理工大学电气与信息工程学院， 安徽 淮南 232001
快速识别煤矿突水水源类型对于矿井水害防治意义非凡。 鉴于传统水化学方法水源识别耗时较长等诸多不足， 提出了将模糊C均值聚类（FCM）算法和多维标度分析（MDS）用于激光诱导荧光光谱识别煤矿突水水源这一新思路。 由于FCM算法在光谱分析和模式识别等方面都有着成功的应用， 况且激光光谱具有时间响应快、 灵敏度高、 干扰小等优点， 通过实时采集水样的荧光光谱数据， 利用FCM和MDS对光谱数据分析后就可以辨别水样类型。 以华东地区某矿的老空水和奥灰水以及按比例混合得到水样共7种（每种水样各20个样本）为实验材料， 利用405 nm激光打入被测水体， 一共采集了140组荧光光谱数据， 随后选择合适的波长区间进行分析。 取每种水样各15组共105组光谱数据用作训练集， 其余35组光谱数据用作测试集。 使用MDS建立七种不同水样的模型， 再利用FCM算法进行聚类分析得到七种水样的簇中心， 最后使用得到的簇中心对测试集进行验证。 实验结果表明， 不同水样的光谱图有着较大差异， 选取合适的波长区间下的光谱数据， 在MDS下选择维度为2， 利用FCM算法对水样进行分类， 全部140组样本的准确率是100%。
模糊C均值聚类 多维标度分析 激光诱导荧光光谱 煤矿突水 水源识别 Fuzzy C means clustering Multidimensional scaling analysis Laser-induced fluorescence spectroscopy Coal mine water inrush Water source identification 光谱学与光谱分析
2018, 38(5): 1572
