[发明专利]基于迭代自适应加权算法的绝缘油拉曼光谱基线扣除方法和系统

说明书

本发明公开了基于迭代自适应加权算法的绝缘油拉曼光谱基线扣除方法和系统，所述方法包括：采集实际运行变压器绝缘油的油样，获取变压器绝缘油的原始拉曼光谱分析信号X；记Z是X扣除基线后得到的拟合向量，建立Z与X之间的精确度计算模型F和Z的平滑度计算模型R；基于计算模型F和R，引入Z的平滑调节参数α，构建描述所述精确度和平滑度之间平衡度的平衡函数Q；在平衡函数Q中引入迭代加权因子后推导拟合向量Z的表达式；基于拟合向量Z的表达式，采用稀疏矩阵技术和迭代自适应加权算法求解得到拟合向量Z。本发明能够有效扣除拉曼光谱数据的背景干扰信号，突出待测成分信号的特征性，确保光谱数据的有效性，提高原始光谱信号的信噪比。

技术领域

本发明属于变压器油拉曼光谱数据分析技术领域，涉及基于迭代自适应加权算法的绝缘油拉曼光谱基线扣除方法和系统。

背景技术

拉曼光谱(Raman Spectrum)技术是一种利用分子振动-转动信息的光谱分析法。由于其对微妙的化学和生化变化的高度敏感性和对非侵入性应用的适应性，该技术已被广泛应用于固体和液体材料的结构检测和性能分析。

变压器油拉曼光谱分析中，最主要的干扰因素是荧光，由于有机分子或样品中污染物的荧光影响，常会使拉曼光谱产生荧光背景信号，表现为一个典型的倾斜宽背景，使基线偏离，信噪比下降，影响数据进一步分析处理，在分析前必须预先扣除。

通过运用背景扣除算法，可降低基线，同时在不丢失有用信息的前提下将背景扣除，得到较理想的分析结果。由于拉曼光是散射光，不能完全适用于Lambert-Beer定律进行定量分析，为了更好地对样品进行定量分析，很有必要在分析前用适当的方法对数据进行预处理，以得到更好的定量分析结果。

目前扣除拉曼光谱基线的方法主要有小波变换法、多项式拟合法、位移激发拉曼差分法等，上述方法的确能够有效实现拉曼光谱基线扣除，但在一定程度上也操纵了测量所需的纯拉曼光谱。通常情况下，上述方法还依赖人为的干预来选择可调整的输入参数。因此，必须非常谨慎地选择应用的技术和输入参数值，以确保对所需的纯拉曼光谱进行最小的操作，实施起来复杂低效，且容易引入误差，影响拉曼光谱数据分析的准确度。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供基于迭代自适应加权算法的绝缘油拉曼光谱基线扣除方法和系统，能够有效去除光谱数据测量时由于绝缘油荧光背景造成的基线信号。

为了实现上述目标，本发明采用如下技术方案：

基于迭代自适应加权算法的绝缘油拉曼光谱基线扣除方法，包括以下步骤：

步骤1：采集实际运行变压器绝缘油的油样，获取变压器绝缘油的原始拉曼光谱分析信号X；

步骤2：记Z是X扣除基线后得到的拟合向量，建立Z与X之间的精确度计算模型F和Z的平滑度计算模型R；

步骤3：基于计算模型F和R，引入Z的平滑调节参数α，构建描述所述精确度和平滑度之间平衡度的平衡函数Q；

步骤4：在平衡函数Q中引入迭代加权因子后推导拟合向量Z的表达式；

步骤5：基于拟合向量Z的表达式，采用稀疏矩阵技术和迭代自适应加权算法求解得到拟合向量Z，实现绝缘油拉曼光谱基线扣除。

本发明进一步包括以下优选方案：

优选地，步骤1中，采集实际运行变压器绝缘油的油样，通过激光拉曼光谱检测平台获取变压器绝缘油的原始拉曼光谱分析信号X。

优选地，步骤2中，采用误差平方差的和建立Z与X之间的精确度计算模型F，具体为：

其中，m为Z的长度，x_i、z_i分别为原始拉曼光谱分析信X和拟合向量Z的第i个数据的值。