【技術實現步驟摘要】
本專利技術涉及光譜分析，特別是涉及一種含能化合物合成過程的多元曲線分辨實時監測方法。
技術介紹
1、含能化合物指在化學結構中含有高能鍵或高能功能團的化合物，通常具有較高的能量釋放潛力，能夠在特定條件下迅速分解或燃燒，釋放出大量能量。在含能化合物的合成過程中，實時監測反應過程中不同物質在體系中的濃度變化，對工藝改進和提升產品質量至關重要。然而，現有技術中尚缺乏有效的實時監測方法。
2、因此，亟需提供一種實時監測方法，以便在含能化合物合成過程中獲得準確的數據支持，從而優化合成工藝和提高最終產品的質量。
技術實現思路
1、為了克服現有技術的不足，本專利技術的目的是提供一種含能化合物合成過程的多元曲線分辨實時監測方法，通過光譜分析技術和化學計量學方法實現了實時數據處理與展示，能夠快速獲取反應進程中的關鍵指標和變化信息，提升了對反應動態的響應能力。
2、為實現上述目的，本專利技術提供了如下方案：
3、一種含能化合物合成過程的多元曲線分辨實時監測方法，包括以下步驟：
4、s1、實時采集含能化合物合成反應時的紅外光譜數據，并對所述紅外光譜數據進行經驗模態分解去噪處理；
5、s2、基于迭代自適應加權懲罰最小二乘法算法，對去噪處理后的紅外光譜數據進行基線校正，得到預處理后的數據；
6、s3、根據所述預處理后的數據，通過kmeans聚類算法和差分分析，確定最佳化學等級；
7、s4、利用確定的最佳化學等級，對所述預處理后
8、s5、將所述光譜矩陣和濃度矩陣轉化為不同物質的光譜圖和化學成分濃度變化圖，通過圖形界面實時展示分析結果，同時持續進行監測并更新結果，從而完成含能化合物合成過程的實時監測。
9、優選地，在步驟s1中，實時采集含能化合物合成反應時的紅外光譜數據，包括：通過在線紅外光譜儀在含能化合物合成反應的前二十分鐘內，以3000~650?cm-1的光譜掃描范圍、128次的掃描次數和2分鐘的掃描時間間隔，實時采集紅外光譜數據。
10、優選地，對采集得到的紅外光譜數據進行經驗模態分解去噪處理，包括：
11、s11、采集的紅外光譜數據為 x(m×n)，其中m為樣本數量，n為每條光譜的數據點數；
12、s12、對于任意一條紅外光譜數據 x j={ x1, x2,…, xn}?( j=1,2,…,m)，確定局部極大值和局部極小值；若存在 x p( p=2,3,…,n-1)使得 x p> x p-1且 x p> x p+1，則 x p為局部極大值，若存在 x p( p=2,3,…,n-1)使得 x p< x p-1且 x p< x p+1，則 x p為局部極小值；
13、采用樣條插值法分別構建上包絡線和下包絡線，其中所述上包絡線連接所有局部極大值點，所述下包絡線連接所有局部極小值點，并計算均值：
14、；
15、其中， u表示上包絡線， l表示下包絡線；
16、s13、用紅外光譜數據 x j減去均值得到第一個固有模態函數：
17、；
18、其中，表示固有模態函數；
19、s14、將得到作為新的輸入數據，重復步驟s11~s13提取后續的分量，直至滿足設定的停止條件；
20、s15、將提取得到的所有分量進行重構組合，得到經驗模態分解去噪處理后的紅外光譜數據。
21、優選地，在步驟s15中，將提取得到的所有分量進行重構組合，得到經驗模態分解去噪處理后的紅外光譜數據，包括：
22、選擇前 k個分量用于重構，得到重構數據，并將得到的重構數據進行組合，得到經驗模態分解去噪處理后的紅外光譜數據，公式如下：
23、；
24、；
25、其中，表示重構數據，表示去噪處理后的紅外光譜數據。
26、優選地，在步驟s2中，具體包括：
27、s21、初始化迭代自適應加權懲罰最小二乘法算法的參數；其中包括懲罰參數 λ、迭代停止閾值 ε和最大迭代次數 tmax；
28、s22、構造二階差分矩陣、對角權重矩陣，并求解帶懲罰項的最小二乘函數：
29、；
30、；
31、；
32、式中，表示二階差分矩陣；表示對角權重矩陣；表示第 j個經驗模態分解去噪處理后的紅外光譜數據， j=1,2,…,m； z=( z1, z2, z3,…, z n)表示擬合的基線；為權向量，若當前迭代次數 t=1時，權向量均為1，在后續每次迭代中，權向量根據迭代次數進行動態調整；
33、s23、通過求偏導數向量并令其值為0，即，計算擬合的基線 z：
34、；
35、；
36、s24、計算殘差 d，并更新權向量：
37、；
38、；
39、式中，由殘差 本文檔來自技高網...
【技術保護點】
1.一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，在步驟S1中，實時采集含能化合物合成反應時的紅外光譜數據，包括：通過在線紅外光譜儀在含能化合物合成反應的前二十分鐘內，以3000~650?cm-1的光譜掃描范圍、128次的掃描次數和2分鐘的掃描時間間隔，實時采集紅外光譜數據。
3.根據權利要求2所述的一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，對采集得到的紅外光譜數據進行經驗模態分解去噪處理，包括：
4.根據權利要求3所述的一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，在步驟S15中，將提取得到的所有分量進行重構組合，得到經驗模態分解去噪處理后的紅外光譜數據，包括：
5.根據權利要求4所述的一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，在步驟S2中，具體包括：
6.根據權利要求5所述的一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，在步驟S2
7.根據權利要求6所述的一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，在步驟S3中，通過KMeans聚類算法和差分分析，具體包括：
8.根據權利要求7所述的一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，利用步驟S33確定的最佳化學等級對預處理后的數據進行交互式自建模混合分析，分解出光譜矩陣和濃度矩陣，所述光譜矩陣包括含能化合物合成中每種成分的特征光譜，所述濃度矩陣包括含能化合物合成中對應每種成分在不同時間點的濃度。
...【技術特征摘要】
1.一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，在步驟s1中，實時采集含能化合物合成反應時的紅外光譜數據，包括：通過在線紅外光譜儀在含能化合物合成反應的前二十分鐘內，以3000~650?cm-1的光譜掃描范圍、128次的掃描次數和2分鐘的掃描時間間隔，實時采集紅外光譜數據。
3.根據權利要求2所述的一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，對采集得到的紅外光譜數據進行經驗模態分解去噪處理，包括：
4.根據權利要求3所述的一種含能化合物合成過程的多元曲線分辨實時監測方法，其特征在于，在步驟s15中，將提取得到的所有分量進行重構組合，得到經驗模態分解去噪處理后的紅外光譜數據，包括：
【專利技術屬性】
技術研發人員：陳錕，錢石川，晁慧，秦楷丁，趙鑫平，徐銀光，佘沖沖，李麗潔，王俊峰，
申請(專利權)人：北京理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。