浓度计算算法

开发出一种计算气体浓度的新方法

HORIBA 杰出的浓度计算算法是 IRLAM 专有的基本技术。(世界领先技术,专利(日本专利号6886507,美国专利号11030423))。

在气体测量时,减少测量目标以外的气体的干扰和各种影响是很重要的。

HORIBA 已经建立了一种方法,从测量的气体吸收信号中提取 “特征”,并利用它们进行少量计算来校正干扰。

与传统的光谱拟合方法相比,这种基于特征的浓度计算的优点是:它需要的计算量要小得多,而且不会损失精度。因此,相对于在使用传统方法进行实时测量时,需要高性能计算机,内置在该设备中的通用微型计算机可以全面支持 IRLAM 的浓度计算。

从现在开始,浓度计算算法将以一种更容易理解的方式进行介绍。

*根据我们的2021年的内部研究

用红外吸收法测量气体浓度

材料都具有吸收某些类型光的特性。例如,一个红苹果看起来是红色的,因为苹果的表面吸收非红色波长的光,反过来说,它反射红色波长的光。

这种现象不仅发生在可见光,如红色和黄色,而且也发生在被广泛用于测量气体浓度的红外光上。利用这一原理,红外气体分析仪测量气体的方法就是将气体置于待测气室中,让光穿过气室,并在末端的检测器检测光的吸收量。

不同的气体,容易吸收的红外光的波长不同,因此,通过定义吸收的光量,就可以得知 “哪种类型的气体” 和现在有 “多少浓度”。

                                                                                     用红外吸收法测量气体浓度

当多种气体混合在一起时

当有多种气体存在时,待测的吸收信号曲线会被划分为多个峰,很难根据红外光的量(干涉效应)来确定吸收的是哪种气体。因此,为了准确地测量待测气体的浓度,使用了各种计算装置。

在这里,我们称被测气体为 “目标气体”,称其他气体为 “干扰气体”。

                                       单个气体组分与多个气体组分吸收信号的差异

常规气体分析方法

在传统的红外线气体分析方法中,采用光谱拟合和多元分析方法来计算气体浓度。该方法通过(1)将测量得到的探测器的原始信号转换为波长域的吸收光谱来计算目标气体浓度,(2)通过大量的计算步骤,将吸收光谱与预先制备的每个气体组分的参考光谱进行比较。

虽然该方法可以正确计算浓度,但计算时间较长,需要高性能计算机实时计算结果。

IRLAM 的浓度计算算法大大减少了计算量

在 IRLAM 中,探测器从测量中获得的原始信号(1)在时域中变成吸收信号,(2)吸收信号的特征被 “特征量” 代替,“特征量” 被抽象为数值。这是 HORIBA 在气体分析领域中提出的一个专有的概念。

通过将这些特征量与预先测量的目标气体和干扰气体的专有特征量进行比较,系统根据这些特征量之间的关系识别出各组分的混合程度,并计算出浓度。

与传统光谱拟合方法需要数百个数据点计算相比,这种基于特征的方法只需要很少的数值就可以计算出浓度,大大减少了计算量。但是,这并不会降低测量的准确性,因为特征量包含了足够的测量所需的信息。

                                                  常规技术与 IRLAM 浓度计算方法比较

如上所述,HORIBA 的浓度计算算法可以显著减少计算量,所以嵌入式设备中的微型计算机就可以有效地处理。因此,配备 IRLAM 的产品可以使得设备配置前所未有的紧凑,同时确保作为工业仪表的安全性和稳定性。

                         微机示例

杰出的技术和一丝不苟的专业性

在实际测量中,除了干扰气体外,由于环境温度、压力等干扰作用,激光的波长漂移和气体吸收特性的变化等因素也会影响测量信号。

那么,如何将这些干扰效应捕捉为特征呢?事实上,这也是 HORIBA 的专长所在。

HORIBA 实际测量目标气体和干扰气体在温度、压力等各种环境条件下的吸收信号,并将考虑到干扰影响的特征量提前存储在 IRLAM 分析仪中。提取什么样的特征将基于 HORIBA 多年来积累的气体分析经验和技术。这种技术诀窍使我们能够实现高可靠的测量,大幅减小环境因素对测量影响。

这使得配备 IRLAM 的产品,即使是在恶劣环境下的实时测量,也能够提供稳定的测量结果,如汽车尾气测试和需要防爆的石化生产过程。

                                                                            IRLAM 分析仪抗环境影响

IRLAM 概述

光学组件

应用领域

IRLAM 开发者的第3章- IRLAM 浓度计算算法的一个更简单的解释

特征量是表示待分析对象特征的数值。

特征量这一术语在人工智能(机器学习)领域中经常使用,如图像识别。同样的,探测器能够识别图像中的内容。同样的,通过从探测器的原始信号中提取预先学习(标定)的目标分量和干扰分量的特征量,从特征量之间的关系可以识别(量化)目标分量和干扰分量分别混合了多少浓度。

留言咨询

如您有任何疑问,请在此留下详细需求信息,我们将竭诚为您服务。