大豆秸稈成分近紅外光譜分析快速檢測方法研究.pdf

1、我國正處于經(jīng)濟飛速發(fā)展時期，近年來我國對能源需求也急劇增加，我國已經(jīng)處于連年能源短缺，供需不均衡的狀態(tài)，對外原油依賴度也越來越大，面對這種狀況我國提出了改善能源結構，合理有效的利用新能源和可再生能源的指導方針，其中生物質(zhì)能源是可再生能源中重要的一部分，在我國每年都有大量的生物質(zhì)資源被廢棄，如何合理而有效的利用生物質(zhì)能源是一個嚴峻而適時的考驗，生物質(zhì)能源的開發(fā)和利用會為我國能源短缺問題找到新的突破口和根本性解決方案。
　　目前對于生

2、物質(zhì)能的利用主要還是集中于制造燃料酒精及生物柴油，但是受制于制造工藝和技術的限制，傳統(tǒng)化學方法無法實現(xiàn)生物質(zhì)成分含量及其配比的實時和在線化檢測，缺少明確配比的指導使得生物燃料在制造過程中燃料質(zhì)量和產(chǎn)量無法得到保障。本文以此為切入點，以大豆秸稈為研究對象，采用近紅外光譜分析技術探索實現(xiàn)大豆秸稈主要成分纖維素、半纖維素和木質(zhì)素含量的快速檢測方法，希望通過該技術的逐步完善和成熟為日后生物燃料生產(chǎn)過程提出一種實時和在線化快速檢測方案。
　

3、　首先在黑龍江省內(nèi)采集了160株不同地區(qū)和品種的大豆秸稈后，完成對大豆秸稈的化學定標及光譜掃描，同時對近紅外光譜分析中的各種數(shù)據(jù)處理方法和建模方法進行了論證。主要研究結果如下:
　　(1)對大豆秸稈成分纖維素、半纖維素、木質(zhì)素進行了樣品正態(tài)分析，確保所選樣品具有代表性，通過建立頻數(shù)直方圖和分布的正態(tài)性檢驗圖對三種成分進行統(tǒng)計，其中三種樣品布爾變量h=0，顯著性指標sig=1，95％置信區(qū)間都包含有假設均值，證明模型樣品的選取是具有

4、充分代表性的。
　　(2)對大豆秸稈光譜進行了多重相關性分析，其中大豆秸稈光譜之間的互相關性較低，互相關性低可以保持模型的穩(wěn)定，不易放大計算誤差，光譜和化學測定值之間的相關性總體保持穩(wěn)定，其中半纖維素在4000-12000cm-1范圍內(nèi)呈現(xiàn)由負相關逐步逼近正相關趨勢，多數(shù)波長相關系數(shù)保持在0.4以上，適合用來建立定量分析模型，木質(zhì)素和纖維素樣品在7500-12000cm-1相關系數(shù)保持穩(wěn)定在0.5左右，也適于用來建立定量分析模型。

5、
　　(3)采用馬氏距離、霍特林T2統(tǒng)計、X-Y殘差進行異常樣本的選擇，并提出了基于X-Y殘差和杠桿值的3D視圖分析法進行異常樣本選取，結果表明四種方法都可以有效準確得找到異常樣本，但由于四種算法的判別依據(jù)不同在異常樣本選取上具有一定差異性，在三種成分定量分析模型中3D視圖分析法都準確而有效的找到了異常樣本，在進行樣本剔除后模型精度大幅提升，校正集決定系數(shù)R2分別提升了7.76％，12.09％，9.04％，交互驗證均方誤差根RMS

6、ECV分別降低了0.076，0.1731，0.0942。
　　(4)采用小波變換處理進行光譜去噪，分別選取DB小波，Haar小波和Symlet小波在不同分解層數(shù)下選擇penalty全局閾值、Bridge-massart分層閾值和缺省閾值方法進行光譜信號的分解和重構，并與其它傳統(tǒng)去噪方法進行對比，最終對半纖維素和木質(zhì)素分別選取Symlet2-2層分解和DB2-2層分解小波基對光譜進行處理，經(jīng)去噪后驗證集決定系數(shù)分別從0.462524

7、、0.653223提升至0.6314158、0.7816511。
　　(5)分別對纖維素、半纖維素和木質(zhì)素進行特征波段選擇，選取相關系數(shù)法，間隔偏最小二乘(IPLS)、連續(xù)投影算法(SPA)、遺傳算法(GA)、和移動窗口最小二乘法(MWPLS)、其中IPLS選取間隔50點和間隔70點分別進行特征波段選取，SPA分別選擇全譜波段和IPLS特征波段內(nèi)根據(jù)最大有效波長m max=10、20、30、40條件下進行特征選取，GA在全譜及IP

8、LS特征波段內(nèi)依據(jù)評估次數(shù)evaluate=50、100條件下的特征波長選取。各種算法相對于全譜模型模型驗證結果具有大幅提升。
　　(6)對半纖維素和纖維素校正模型采用了BP神經(jīng)網(wǎng)絡進行模型建立，并與PLS模型進行了驗證對比，其中BP神經(jīng)網(wǎng)絡在建立模型之前進行了最優(yōu)參數(shù)選擇，最終選擇隱含層節(jié)點為20、動量因子0.6和學習速率0.6，學習次數(shù)3500次的BP模型。
　　(7)對木質(zhì)素校正模型采用了支持向量回歸(SVR)模型，并