推荐厂家
暂无
暂无
选择红外测温仪的正确方法点击次数红外测温技术在产品质量控制和监测、设备在线故障诊断、安全保护以及节约能源等方面发挥了正在发挥着重要作用。近二十年来,非接触红外测温仪在技术上得到迅速发展,性能不断提高,适用范围也不断扩大,市场占有率逐年增长。比起接触式测温方法,红外测温有着响应时间快、非接触、使用安全及使用寿命长等优点。 选择红外测温仪可分为三个方面:性能指标方面,如温度范围、光斑尺寸、工作波长、测量精度、响应时间等;环境和工作条件方面,如环境温度、窗口、显示和输出、保护附件等;其他选择方面,如使用方便、维修和校准性能以及价格等,也对测温仪的选择产生一定的影响。随着技术和不断发展,红外测温仪最佳设计和新进展为用户提供了各种功能和多用途的仪器,扩大了选择余地。 确定测温范围:测温范围是测温仪最重要的一个性能指标。每种型号的测温仪都有自己特定的测温范围。因此,用户的被测温度范围一定要考虑准确、周全,既不要过窄,也不要过宽。根据黑体辐射定律,在光谱的短波段由温度引起的辐射能量的变化将超过由发射率误差所引起的辐射能量的变化,因此,测温时应尽量选用短波较好。 确定目标尺寸:红外测温仪根据原理可分为单色测温仪和双色测温仪(辐射比色测温仪)。对于单色测温仪,在进行测温时,被测目标面积应充满测温仪视场。建议被测目标尺寸超过视场大小的50%为好。如果目标尺寸小于视场,背景辐射能量就会进入测温仪的视声符支干扰测温读数,造成误差。相反,如果目标大于测温仪的视场,测温仪就不会受到测量区域外面的背景影响。 确定光学分辨率(距离系灵敏) 光学分辨率由D与S之比确定,是测温仪到目标之间的距离D与测量光斑直径S之比。如果红外测温仪由于环境条件限制必须安装在远离目标之处,而又要测量小的目标,就应选择高光学分辨率的测温仪。光学分辨率越高,即增大D:S比值,测温仪的成本也越高。 确定波长范围:目标材料的发射率和表面特性决定测温仪的光谱响应或波长。对于高反射率合金材料,有低的或变化的发射率。在高温区,测量金属材料的最佳波长是近红外,可选用0.18-1.0μm波长。其他温区可选用1.6μm、2.2μm和3.9μm波长。由于有些材料在一定波长是透明的,红外能量会穿透这些材料,对这种材料应选择特殊的波长。如测量玻璃内部温度选用1.0μm、2.2μm和3.9μm(被测玻璃要很厚,否则会透过)波长;测量玻璃内部温度选用5.0μm波长;测低区区选用8-14μm波长为宜;再如测量聚乙烯塑料薄膜选用3.43μm波长,聚酯类选用4.3μm或7.9μm波长。厚度超过0.4mm选用8-14μm波长;又如测火焰中的CO2用窄带4.24-4.3μm波长,测火焰中的CO用窄带4.64μm波长,测量火焰中的NO2用4.47μm波长。 确定响应时间:响应时间表示红外测温仪对被测温度变化的反应速度,定义为到达最后读数的95%能量所需要时间,它与光电探测器、信号处理电路及显示系统的时间常数有关。这要比接触式测温方法快得多。如果目标的运动速度很快或测量快速加热的目标时,要选用快速响应红外测温仪,否则达不到足够的信号响应,会降低测量精度。然而,并不是所有应用都要求快速响应的红外测温仪。对于静止的或目标热过程存在热惯性时,测温仪的响应时间就可以放宽要求了。因此,红外测温仪响应时间的选择要和被测目标的情况相适应。 信号处理功能:测量离散过程(如零件生产)和连续过程不同,要求红外测温仪有信号处理功能(如峰值 保持、谷值保持、平均值)。如测温传送带上的玻璃时,就要用峰值保持,其温度的输出信号传送至控制器内。 环境条件考虑:测温仪所处的环境条件对测量结果有很大影响,应加以考虑并适当解决,否则会影响测温精度甚至引起测温仪的损坏。当环境温度过高、存在灰尘、烟雾和蒸汽的条件下,可选用厂商提供的保护套、水冷却、空气冷却系统、空气吹扫器等附件。这些附件可有效地解决环境影响并保护测温仪,实现准确测温。在确定附件时,应尽可能要求标准化服务,以降低安装成本。当烟雾、灰尘或其他颗粒降低测量能量信呈悍,双色测温仪是最佳选择。在噪声、电磁场、震动或难以接近环境条件下,或其他恶劣条件下,光纤双色测温仪是最佳选择。
电子产品的温度测量机理与方法 在电子产品设计定型时,为防止表面温度过高伤害用户或由于温度超出材料件所能承受的限值而导致着火、绝缘失效和触电危险,需要分别在正常工作状态和模拟故障状态下对设备各个部分的温度进行测试,目前一般采用热电偶测量或外加红外测温监控的方式进行。 热电偶通过把非电学量(温度)转化成电学量(电动势)来测量,这种方法有许多优点,如测温范围宽、灵敏度和准确度较高、结构简单不易损坏、受热点可做得很小等,因其对温度变化响应快,对测量对象的状态影响小,可以用于温度场的实时测量和监控。热电偶的温差电动势虽然主要取决于所选用的材料和两个接头的温度,但材料中所含的杂质和加工工艺过程也会对它产生一定的影响,所以,尽管是由相同材料组成的热电偶,它们的温差电动势与温度的关系却可能不完全相同。对于每一支热电偶的选择要根据使用温度范围、所需精度、使用环境、响应时间和经济效益来综合考虑。温度在1000~1300℃并且精度要求比较高的,可用S型热电偶和N型热电偶;1000℃以下一般用K型热电偶和N型热电偶;低于400℃一般用E型热电偶;250℃以下和负温测量一般用T型 电偶,在低温时稳定而且精度高;S型、B型、K型热电偶适合于强的氧化和弱的还原气氛中使用;J型和T型热电偶适合于弱氧化和还原气氛,有化学污染的环境要求有保护管;铠装热电偶响应时间快,而且有一定的耐久性。 焊好的热电偶都应先进行分度,即测定出温差电动势与温度间的确定关系,然后才能用它来测量温度。采用补偿导线用它们连接热电偶与测量装置,以补偿它们与热电偶连接处的温度变化所产生的误差。合金丝是构成补偿导线的导体,可分为两种:延长型合金丝的名义化学成分及热电势标称值与配用热电偶丝相同,用字母“X”附加在热电偶分度号之后表示;补偿型合金丝的名义化学成分与配用热电偶丝不同,但其热电势值在0~100℃或0~200℃时,与配用热电偶丝标称值相同,用字母“C”附加在热电偶分度号之后表示。在使用之前,应将热电偶的内部绝缘体从顶端向后剥露约1.5mm,外部绝缘体则从顶端向后剥约15mm,顶端用单点焊接来连接后与要测处相连。为了达到与被测点同样的温度,接点要与被测部件的表面紧密接触。现在一般通过胶合、焊接等方法固定,胶合法将高龄粉和硅酸钠溶液以同等比例相混合,再与氰丙烯酸酯胶合。在胶合前应固定热电偶的位置,对于焊接剂易于黏附的金属表面,采用焊接法在热传导性方面优于胶合法。 接下来谈谈红外测温技术。高温区是位于光带最边缘处红光的外面,称为“热线”或者红外线,红外线的波长在0.76_100μm之间,按波长的范围可分为近红外、中红外、远红外、极远红外4类,它在电磁波连续频谱中的位置是处于无线电波与可见光之间的区域。任何物体在常规环境下都会产生自身的分子和原子无规则的运动,并不停地辐射出热红外能量,分子和原子的运动愈剧烈,辐射的能量愈大,反之,辐射的能量愈小。红外测温仪是通过接收物体发出的红外线(红外辐射),从而准确判断物体表面的温度分布情况。和接触式测温方法相比,红外测温有非接触、响应时间快、使用安全及使用寿命长等优点。红外测温仪器主要有3种类型:红外热像仪、红外热电视和红外测温仪(包括便携式、在线式和扫描式)。红外热像仪是利用红外探测器、光学成像物镜和光机扫描系统,接受被测目标的红外辐射能量,并反映到红外探测器的光敏元件上。 红外热电视是将被测目标的红外辐射线通过透镜聚焦成像到热释电摄像管,热释电摄像管是一种具有中等分辨率的实时宽谱成像器件,主要由透镜、靶面和电子枪三部分组成。通过热释电摄像管接受被测目标物体的表面红外辐射,并把目标内热辐射分布的不可见热图像转变成视频信号。 常用的便携红外测温仪是由光学系统、光电探测器、信号放大器及信号处理显示输出等部分组成,光学系统汇聚其视场内的目标红外辐射能量,红外能量聚焦在光电探测器上并转变为相应的电信号。该信号再经换算转变为被测目标的温度值,其测量精度可达1度或更高。我们要根据被测设备尺寸和环境条件从测温范围、测量精度、工作波长、响应时间、光学分辨率、显示和输出、价格等方面来选用便携红外测温仪。测温范围是最重要的一个性能指标,不同型号的测温仪都有自己特定的测温范围,一般来说,测温范围越窄监控温度的输出信号分辨率越高,测温范围过宽会降低测量精度。如果被测设备尺寸超过视场大小的50%,测温仪就不会受到测量区域外面的背景影响造成误差,可以选择单色测温仪;反之,如目标尺寸小于视场,双色测温仪是最佳选择,其温度是由两个独立的波长带内辐射能量的比值来确定的。因此当被测目标很小,即使测量通路上存在烟雾、尘埃、阻挡对辐射能量有衰减时,仍能保证测量精度。由于设备组成材料的发射率和表面特性不同,测温仪的光谱相应波长也不同,如测量高温金属材料的最佳波长是近红外,可选用0.8~1.0mm,测温时应尽量选用短波。在测量快速加热的目标时,要选用快速响应红外测温仪,否则缺乏足够的信号响应,会降低测量精度。而对于静止的或目标热过程存在热惯性时,测温仪的响应时间就可以放宽要求了。需要强调的是红外测温仪必须经过校准才能使它正确地显示出被测目标的温度,特别是要进行定期检定,试验人员在实际运用过程中也要不断积累经验和掌握测试技巧,避免读数偏差而得出错误结果。
[b][size=18px][font=宋体]1[/font][font=宋体]、背景介绍[/font][/size][/b][font=宋体] 随着微机电技术的发展,近几年,便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]被广泛应用于食品、饮料、医药、煤炭等各个领域,相较于传统的大型傅里叶变换光谱分析系统,其具有结构简单、成本低廉、携带方便、结果实时可见等优势,目前已成为光谱领域的热门产品。但是便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]易受光源、检测器、使用方法、环境条件等影响,使得采集的光谱数据稳定性差,精度低,进而造成预测结果不稳定、预测准确率低等问题。[/font][font=宋体] 为了解决上述问题,提升便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析结果的稳定性及准确性,目前行业内[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]数据建模优化工作,主要集中于数据源筛选、预处理算法优化、模型筛选算法优化等基于PLS算法的单模型建模优化工作,此类建模算法主要适用于高精度的傅里叶[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]。对于自身硬件分辨率较低的便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url],适用性较差。因此本帖在基于PLS算法建模的基础上,提出多模型加权预测的方法,以特定准则选取相对稳定、准确率较高的若干个光谱模型,结合模型自身系数进行加权预测的方式来提升便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]整体性能,进而提升便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]的预测稳定性及准确率。[/font][b][size=18px][font=宋体]2[/font][font=宋体]、方法解析[/font][/size][font=宋体]2.1[/font][font=宋体]样本集合划分[/font][/b][font=宋体] 使用便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]采集400个待测样品,采用Kennard Stone(K-S)算法对样本进行划分,将样本划分为训练集(200个)、验证集(100个)、盲测集(100个)、避免人为划分样本的主观性。[/font][b][font=宋体]2.2[/font][font=宋体]光谱预处理[/font][/b][font=宋体] 便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]采用常规的单一预处理方式效果不佳,本贴采用双预处理嵌套的方式对样品进行处理,其中第一级、第二级预处理均可设置不同的预处理参数,通过不同预处理方式,预处理参数的设置可以获取多种预处理结果。[/font][align=center][img=双预处理嵌套,690,325]https://ng1.17img.cn/bbsfiles/images/2023/09/202309042103332831_7122_5075516_3.png!w690x325.jpg[/img][/align][b][font=宋体]2.3[/font][font=宋体]光谱建模[/font][/b][font=宋体] [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]定量分析建模方法包括多元线性回归([/font][font='Times New Roman',serif]MLR[/font][font=宋体])、主成分回归([/font][font='Times New Roman',serif][url=https://insevent.instrument.com.cn/t/jp][color=#3333ff]PCR[/color][/url][/font][font=宋体])、偏最小二乘回归([/font][font='Times New Roman',serif]PLS[/font][font=宋体])、人工神经网络([/font][font='Times New Roman',serif]ANN[/font][font=宋体])和支持向量机([/font][font='Times New Roman',serif]SVM[/font][font=宋体])等。其中,[/font][font='Times New Roman',serif]PLS[/font][font=宋体]算法应用最为广泛,选用[/font][font='Times New Roman',serif]PLS[/font][font=宋体]算法进行建模。通过多种预处理结果、不同[/font][font='Times New Roman',serif]PLS[/font][font=宋体]主成分数选择组合建立多个光谱定量分析模型,若设定一级预处理为[/font][font='Times New Roman',serif]M[/font][font=宋体]种,二级预处理为[/font][font='Times New Roman',serif]N[/font][font=宋体]种,[/font][font='Times New Roman',serif]PLS[/font][font=宋体]主成分数选择为[/font][font='Times New Roman',serif]T[/font][font=宋体]种,则通过不同排列组合可以建立合计[/font][font='Times New Roman',serif]M*N*T[/font][font=宋体]个光谱定量分析模型。[/font][align=center][img=多种建模方式,690,198]https://ng1.17img.cn/bbsfiles/images/2023/09/202309042104079253_7276_5075516_3.png!w690x198.jpg[/img][/align][b][font=宋体]2.4[/font][font=宋体]光谱模型选择[/font][/b][font=宋体] 基础模型一:在上述建立的大量光谱定量分析模型中,选择光谱模型最通用的两大表征系数,即模型相关系数([/font][font='Times New Roman',serif]R2[/font][font=宋体]值)以及均方根误差([/font][font='Times New Roman',serif]RMSECV[/font][font=宋体]值)进行基础模型筛选,选择模型相关系数最大的模型为基础模型[/font][font='Times New Roman',serif]A[/font][font=宋体],模型均方根误差最小的模型为基础模型[/font][font='Times New Roman',serif]B。[/font][font=宋体] 基础模型二:在基础模型一中引入验证集,通过训练集建立的多个光谱模型对验证集进行预测,将预测值与验证集标定值进行计算,获取偏差值,选择偏差值最小的光谱模型为基础模型[/font][font='Times New Roman',serif]C。[/font][align=center][img=基础模型C,690,264]https://ng1.17img.cn/bbsfiles/images/2023/09/202309042104332526_3725_5075516_3.png!w690x264.jpg[/img][/align][font=宋体] 基础模型三:在基础模型二中引入准确率,在近红外快检的实际应用中,对于预测偏差值在一定阈值范围内的样本定义为准确预测样本,若超出阈值则为预测错误样本,选择准确率最高的光谱模型为基础模型[/font][font='Times New Roman',serif]D。[/font][align=center][img=基础模型D,690,235]https://ng1.17img.cn/bbsfiles/images/2023/09/202309042104460652_3475_5075516_3.png!w690x235.jpg[/img][/align][b][font=宋体]2.5[/font][font=宋体]权重系数计算[/font][/b][font=宋体] 光谱模型不同,对盲测样本的预测能力不同,结合光谱模型的模型相关系数([/font][font='Times New Roman',serif]R2[/font][font=宋体]值)或者均方根误差([/font][font='Times New Roman',serif]RMSECV[/font][font=宋体]值)计算各个模型的预测权重,以模型相关系数为例:[/font][align=center][font='Times New Roman',serif]Ti=Ri/(R1+R2+R3+R4)[/font][/align][font=宋体] 其中,[/font][font='Times New Roman',serif]R1[/font][font=宋体]为基础模型[/font][font='Times New Roman',serif]A[/font][font=宋体]的模型相关系数,[/font][font='Times New Roman',serif]R2[/font][font=宋体]为基础模型[/font][font='Times New Roman',serif]B[/font][font=宋体]的模型相关系数,依此类推。[/font][font='Times New Roman',serif]Ti[/font][font=宋体]为各个基础模型对应权重系数。[/font][b][font=宋体]2.6[/font][font=宋体]多模型加权预测[/font][/b][font=宋体] 分别采用光谱基础模型[/font][font='Times New Roman',serif]A[/font][font=宋体]、[/font][font='Times New Roman',serif]B[/font][font=宋体]、[/font][font='Times New Roman',serif]C[/font][font=宋体]、[/font][font='Times New Roman',serif]D[/font][font=宋体]对盲测集[/font][font='Times New Roman',serif]100[/font][font=宋体]个样本进行预测,以盲测集单个样本为例,四个光谱模型对应获取四个预测值[/font][font='Times New Roman',serif]a[/font][font=宋体]、[/font][font='Times New Roman',serif]b[/font][font=宋体]、[/font][font='Times New Roman',serif]c[/font][font=宋体]、[/font][font='Times New Roman',serif]d [/font][font=宋体],结合权重系数计算最终单一预测值[/font][font='Times New Roman',serif]S[/font][font=宋体]:[/font][align=center][font=宋体][/font][/align][align=center][font='Times New Roman',serif]S=a*T1+b*T2+c*T3+d*T4[img=多模型加权预测,690,212]https://ng1.17img.cn/bbsfiles/images/2023/09/202309042106560595_5692_5075516_3.png!w690x212.jpg[/img][/font][/align][b][size=18px][font=宋体]3[/font][font=宋体]、实际应用[/font][/size][font=宋体]3.1[/font][font=宋体]硬件信息[/font][/b][font=宋体] 硬件设备为四川长虹研发的[/font][font='Times New Roman',serif]PV800-III[/font][font=宋体]便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url],光谱仪波段范围为[/font][font='Times New Roman',serif]1350nm-2150nm[/font][font=宋体],采样间隔为[/font][font='Times New Roman',serif]6nm[/font][font=宋体],尺寸为[/font][font='Times New Roman',serif]Φ100mm×76.8mm[/font][font=宋体],重量约[/font][font='Times New Roman',serif]750g。[/font][b][font=宋体]3.2[/font][font=宋体]样本采集:[/font][/b][font=宋体] 采集[/font][font='Times New Roman',serif]400[/font][font=宋体]个酒醅样品,其中酒醅水分、淀粉、酸度等理化指标均由车间经验丰富化验员按常规化学方法测定所得。[/font][b][font=宋体]3.3[/font][font=宋体]分析对比[/font][/b][font=宋体] 结合酒醅常用的光谱预处理算法及[/font][font='Times New Roman',serif]PLS[/font][font=宋体]单模型建模算法对本应用中酒醅数据进行建模,通过多种预处理组合优化,有效剔除光谱数据中的大量无用信息,并结合[/font][font='Times New Roman',serif]PLS[/font][font=宋体]算法,将高维光谱数据进行有效降维,提升光谱数据的有效性及准确度。最后以[/font][font='Times New Roman',serif]RMSECV[/font][font=宋体]作为模型筛选指标,利用筛选的最优模型对[/font][font='Times New Roman',serif]100[/font][font=宋体]条未知样本进行模型外验证,图[/font][font='Times New Roman',serif]a~c[/font][font=宋体]依次给出了传统单模型水分、酸度、淀粉[/font][font='Times New Roman',serif]3[/font][font=宋体]个指标的模型外预测分布情况,图中横坐标为标定值,纵坐标为预测值,黄色区域为模型允许的误差范围(水分、淀粉允许误差为绝对偏差[/font][font='Times New Roman',serif]±1[/font][font=宋体],酸度允许误差范围为绝对偏差[/font][font='Times New Roman',serif]±0.3[/font][font=宋体]),采用基于多模型加权预测的近红外定量分析方法对上述酒醅光谱数据进行建模,利用筛选的多个光谱模型对相同的[/font][font='Times New Roman',serif]100[/font][font=宋体]条未知样本进行加权预测,图[/font][font='Times New Roman',serif]d~f[/font][font=宋体]依次依次给出了多模型加权预测方法水分、酸度、淀粉[/font][font='Times New Roman',serif]3[/font][font=宋体]个指标的模型外预测分布情况。[/font][img=酒醅定量分析,690,318]https://ng1.17img.cn/bbsfiles/images/2023/09/202309042105316390_239_5075516_3.png!w690x318.jpg[/img][font=宋体] 多模型加权预测方法相较于传统单模型预测方法,各指标准确率均有不同幅度提升,3个指标准确率平均提升约11%。各指标准确率均达到了企业车间应用要求。[/font][b][size=18px][font=宋体]4[/font][font=宋体]、结论[/font][/size][/b][font=宋体] 利用便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url],分别以传统单模型建模方法、多模型加权预测方法进行酿酒车间酒醅各成分光谱建模,并对[/font][font='Times New Roman',serif]100[/font][font=宋体]个未知样本进行模型外预测分析。结果表明,基于多模型加权预测的近红外定量分析方法,可以有效弥补便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]在采样精度、稳定性等方面的不足。相较于单模型建模预测结果,多模型加权预测方法将酒醅样本各成分预测准确率平均提升了约[/font][font='Times New Roman',serif]11%[/font][font=宋体],甚至可有效逼近大型傅里叶光谱仪设备预测效果,是一种可以在便携式[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]快检领域推广应用的实用方法。[/font]