润滑油红外光谱去噪预处理方法-化工仪器网-手机版

红外光谱分析技术由被测样品的红外光谱主导,由红外光谱仪得到的光谱信号中不仅含有样品的信息,还包含了噪声和各种外界干扰因素。为了使定量分析模型更加稳健和精确,需对光谱进行去噪预处理。

平均平滑法

根据红外光谱图中的吸收峰是否消失或采用偏*小二乘法(PLS)建模后得出的均方根误差(RMSE)确定出预处理方法的*佳参数。平均平滑的数据点数通常从20以内的奇数中选择,平滑的点数越高,光谱越平滑,去噪效果越好,但所得光谱的分辨率越低,光谱的有些肩峰会消失。考察范围为从5点开始,间隔为2点,分别进行平滑,结果如图3~7所示。当平滑点数为11点时,波数为967处的肩峰开始消失,当平滑点数为13点时,波数为967处的肩峰都消失,因而样品的平均平滑点数选择9点

图3.5点平均平滑

图4.7点平均平滑

图5.9点平均平滑

图6.11点平均平滑

图7.13点平均平滑

Savitzky-Golay平滑法

Savitzky-Golay卷积平滑法是1964年Savitzky和Golay提出并**运用于信号滤波处理的平滑方法,该方法与移动平均平滑法的基本思想是类似的,只是没有进行简单的平均,而是通过多项式来对移动窗口内的数据进行多项式*小二乘拟合,其本质是一种加权平均法,强调中心点的中心作用。采用SavitzkyGolay平滑,平滑的窗宽值是一个重要参数。如果窗宽值选择较小,平滑去噪效果不好;如果窗宽值选择较大,则会造成光谱信号失真。因此,要选择合适的窗宽值,考察范围为7~23,间隔为2,在选择不同的窗宽值后发现红外光谱图的特征峰均还存在,因而需要用偏*小二乘法对不同的窗宽值的平滑结果建立模型后比较均方根误差(RMSE)的值来确定出*佳的窗宽值,结果如图8所示。当窗宽值为11时,均方根误差(RMSE)*小,所以样品的Savitzky-Golay平滑窗宽值选择11。

图8.Savitzky-Golay平滑窗宽值的选择

小波包变换预处理

小波包变换是基于小波变换的进一步发展,能够提供比小波变换更高的分辨率。小波包分解与小波分解相比,是一种更精细的分解方法。

在多分辨分析中,表明多分辨分析是按照不同的尺度因子j把Hilbert空间L2(R)分解为所有子空间Wj(j∈Z)的正交和,其中,Wj为小波函数φ(t)的闭包(小波子空间)。

小波包分析就是进一步对小波子空间Wj按照二进制分式进行频率的细分,以达到提高频率分辨率的目的。

小波包降噪的步骤

小波包分析的一般步骤如下。

1)信号的小波包分解。选择一个小波并确定小波分解的层次N,然后对信号进行小波包分解。

2)确定*优小波包基。对于一个给定的熵标准,计算*优树。

3)小波包分解系数的阈值量化。对于每一个小波包分解系数,选择一个恰当的阈值并对系数进行阈值量化。

4)信号的小波包重构。根据*底层的小波包分解系数和经过量化处理的系数进行小波包重构。

小波包变换参数选择

小波包变换对红外光谱图进行去噪处理,采用了软阈值和“db3”小波包基。但信号尺度的分解层数是影响去噪效果的一个重要因素,一般情况下分解层数较少,去噪效果不理想;但分解层数较多,导致运算量增大,且会造成信息的丢失。

通常分解层数在3层或3层以上,所以选择从考察3层开始考察,分别进行小波包变换去噪,结果如图9~11所示。在分解层数为4层时,波数为1422处的吸收峰已经基本消失,在分解层数为5层时,波数为1422处的吸收峰已经都消失,所以信号尺度的分解层数选择3层。

图9.分解层数为3层的小波包变换

图10.分解层数为4层的小波包变换

图11.分解层数为5层的小波包变换

通过上述3种方法分别对获得的红外光谱进行预处理,再采用偏*小二乘法(PLS)对这3种预处理后的红外光谱进行总酸值建模预测,并以相对误差值(RE)作为评价标准,结果如图12和表1所示。图12中,“○”线、“□”线、“+”线分别是是平均平滑法(9点)、Savitzky-Golay平滑法(窗宽值11)和小波包变换预处理后建模的预测相对误差。