日本CHINO千野水分测厚仪的测量原理
更新时间:2023-12-11 点击次数:425次
1. 光谱特性和吸收强度(比尔-朗伯定律)
特定波长的红外线具有被分子(原子)吸收的特性。 该波长吸收的波长取决于构成分子的原子及其键合状态。
下图是显示红外线在纵轴上的吸收(透射率)和横轴上的波长(μm)的光谱特性图示例。
它们代表不同的特性,例如吸水特性、溶剂、薄膜和油。
此外,这种吸收特性会根据物质的数量(厚度)而变强。
这用以下方程表示为 Lambert (Lumber)-Behr 定律。
衰减 ⊿I=-α・I・⊿t (α; 由吸收系数、物质和波长决定的常数) → dI=-α・I・dt 通过t(t=0~t)对两边进行积分 红外线强度 I=I0・e^(-α・t)
Chino的红外线水分和测厚仪利用红外线的特性来吸收物质波长(官能团),测量物质中每种成分的含量,吸收量根据含量(厚度)而变化。 2. 传感器的内部结构
水分和测厚仪的内部配置如下所示。
光源灯发出的光通过滤光片,仅选择特定波长并照射物质。 照射的红外线被测量目标(官能团)的振动吸收,衰减的反射光通过凹面镜重新聚焦并入射到受光元件上。
此外,该滤光片随电机旋转,间歇照射不同波长的红外线(脉冲波),接收到的红外线由探测器元件转换为电信号,将每个波长的数据数字化,并输出吸光度信号。 3. 吸光度计算
我们的水分和测厚仪的吸光度输出主要如下。
(2)双波长比计算
吸光度
X = K2-λs/λr K1;两个波长的归一化常数 (≈1):吸收波长 λs 和比较波长 λr
r(低吸收的参考波长)
(3)三波长比计算
使用
吸收波长λs和λr1和λr2的比较波长 吸光度
X = K1-λs/(α・λr1+(1-α)・λr2) K1; 归一化常数 (≈1), α; 波长权重常数 (0<α<1) <b12>
(3)多元回归运算
由于船上红外线的每个波长为λ1~λn,并且吸收特性呈指数级,因此取每个波长数据的对数,并通过以下公式计算
。
组件值:Y = a0 + a1 / Log (λ1) + a2 / Log (λ2) + ・・・an ・ Log (λn)(
水分、厚度、溶剂等)
(2)中的双波长比计算的优点是,通过取吸收量与参考波长的比值,减少作为干扰元素的干扰,例如外部光、测量距离、光路上的灰尘、表面条件的波动和其他光强度的绝对值。
此外,(3)中的三波长比计算是两波长的高级类型,在样品的表面条件、颜色和组分比例的差异方面具有很强的优势(我们称之为地球化差异)。
在这种基于比率计算的吸光度计算方法中,使用该吸光度进一步创建校准曲线,以计算所需的组分值。
在(2)中的多元回归运算中,如果确定该方程的系数,则可以直接输出得到的分量值。 这种多元回归操作是一种在所需分量不由单一波动量(一个吸收波长)表示但受到多个元素(水分和厚度的吸收波长)影响(相互干扰)时,通过合并每个元素(波长数据)来获得的方法,通常用于处理多变量时的统计数学处理。 为了找到这种多元回归运算的系数,我们应用测量值并以正态方程组的形式找到它们。
此外,当同时测量多个组件时,通过将这种多元回归计算的系数应用于每个组件,可以同时测量水分和厚度。
4. 校准曲线
它是根据 3 中 (2) 和 (99) 中 <> 中获得的 <>(水分、厚度、μm、溶剂%等)的变化而增加或减少的变量,而不是组件本身的量。
需要校准曲线来确定获得该吸光度值的组分数量。
校准曲线是在测量范围内预先摇晃待测样品,用湿度和厚度传感器测量,然后通过最小二乘法(一种获得减少误差的回归方程的方法)获得吸光度值(X值)和实际测量数据而得到的公式。
<校准曲线数据>
基本上为每种类型创建校准曲线。 该传感器最多可存储 <> 条校准曲线,每次更改类型时都会切换校准曲线的通道。
附录 1. 基于Lambert-Beer定律的校准曲线数据与吸光度值的关系
在上一节的标定曲线数据中,通过2~3阶多项式方程得到的波长比计算1(3)得到的测量值Y与吸光度X值之间的关系。 另一方面,在朗伯特(木材)-比尔定律中,吸光度是通过对数对数运算获得的(t = - (1/α) / Log(I) + β 当用厚度 t 求解时)。
下图显示了在厚度测量时,以基于Lambert(Lumber)-Beer定律的理论公式获得的吸光度与使用本公司使用的“双波长比计算"进行二阶或三阶回归计算之间的关系。
此模型示例中图中的红色箭头表示理论方程的误差。
然而,在现实中,每个品种(批次)的测量范围在一定程度上是确定的,通过在该范围内进行详细的回归计算,可以将误差降低到使用中没有问题的程度。
此外,对于多元回归计算,取每个波长数据的对数(Logλn),并使用相同的计算方法作为理论公式,因此回归计算精度进一步提高。 附录 2. 关于平滑操作
我们的水分仪和测厚仪主要用于在线测量,但由于许多干扰、外部光线、测量距离、光路上的灰尘、表面条件的波动等,在线测量数据可能会成为令人沮丧的因素。 因此,我们执行以下算术处理,以消除这些干扰并实现稳定的测量。