针对现有含磷量检测方法无法通过实时监测指导调控精炼过程中酸碱的添加量问题,提出一种基于近红外光谱分析的大豆原油含磷量的快速检测方法。对比分析发现标准正态变换法对大豆原油样本含磷量光谱数据的去除噪声效果最优。采用组合区...针对现有含磷量检测方法无法通过实时监测指导调控精炼过程中酸碱的添加量问题,提出一种基于近红外光谱分析的大豆原油含磷量的快速检测方法。对比分析发现标准正态变换法对大豆原油样本含磷量光谱数据的去除噪声效果最优。采用组合区间偏最小二乘法优选出磷脂的最佳特征吸收波段,选用学习效率0.005、训练次数108,建立了大豆原油含磷量的BP神经网络预测模型。模型校正集的决定系数(R^(2))为0.979 7、均方根误差(root mean square error,RMSE)为0.859 3、相对标准偏差(relative standard deviation,RSD)为1.89%;预测集的R^(2)为0.978 5、RMSE为0.963 8、RSD为2.15%。以上结果说明近红外光谱技术能够实现大豆原油中含磷量的快速、精准、无损检测,为后续精炼工段及调控提供切实可行的方法。展开更多
文摘针对现有含磷量检测方法无法通过实时监测指导调控精炼过程中酸碱的添加量问题,提出一种基于近红外光谱分析的大豆原油含磷量的快速检测方法。对比分析发现标准正态变换法对大豆原油样本含磷量光谱数据的去除噪声效果最优。采用组合区间偏最小二乘法优选出磷脂的最佳特征吸收波段,选用学习效率0.005、训练次数108,建立了大豆原油含磷量的BP神经网络预测模型。模型校正集的决定系数(R^(2))为0.979 7、均方根误差(root mean square error,RMSE)为0.859 3、相对标准偏差(relative standard deviation,RSD)为1.89%;预测集的R^(2)为0.978 5、RMSE为0.963 8、RSD为2.15%。以上结果说明近红外光谱技术能够实现大豆原油中含磷量的快速、精准、无损检测,为后续精炼工段及调控提供切实可行的方法。
