一种基于红外光谱的PE塑料管断裂伸长率的识别方法

技术领域

本申请涉及塑料管检测技术领域，具体涉及一种基于红外光谱的PE塑料管断裂伸长率的识别方法。

背景技术

目前，常规可盘PE塑料管每1盘的交货长度为500米至1000米，硬直PE塑料管按每6米一根交货，而实际市场订单大多是数万米甚至数十万米，且出厂检验及型式检验都需检测断裂伸长率性。通信聚乙烯(PE)塑料管依据行业标准YD/T 841.1～5-2016系列标准，其断裂伸长率的指标要求需满足≥250％。

相关技术中，需对PE塑料管进行抽查检测，因此，无法将整盘产品，以及一批订单中的每根塑料管，进行取制样形成试验试片进行测试。但是，若提高抽样检测的频率，其整体检测工作量将大大增加且费时费力，同时在抽样测试中，存在人为因素和概率因素，没抽中的根数或者盘段样品中，也可能发生质量问题。

发明内容

针对现有技术中存在的缺陷之一，本申请的目的在于提供一种基于红外光谱的PE塑料管断裂伸长率的识别方法，以解决相关技术中整体检测工作量大、且费时费力的问题。

为达到以上目的，本申请采取的技术方案是：

一种基于红外光谱的PE塑料管断裂伸长率的识别方法，其包括步骤：

选择多个PE塑料管样品，采集每个PE塑料管至少一个样点的红外光谱数据和断裂伸长率测试值，并将多个PE塑料管样品随机分为训练样点集和验证样点集；

根据上述训练样点集的红外光谱数据提取断裂伸长率的多个相关因子，并获取各相关因子的值；

剔除方差大于预先设定的方差临界值的相关因子后，分别将剩余的每个相关因子与断裂伸长率进行数据拟合建模，得到多个初始模型；

从多个初始模型中选择最优模型并利用验证样点集进行验证，验证通过后，作为关联模型对待测PE塑料管进行断裂伸长率识别。

一些实施例中，上述采集每个PE塑料管至少一个样点的红外光谱数据，具体包括：

分别对每个样点进行取样，进行波段为4000-400cm

将多个特征峰波段划分为已知组分波段和未知组分波段，并分别积分得到每个波段的峰面积。

一些实施例中，根据上述训练样点集的红外光谱数据提取断裂伸长率的多个相关因子，具体包括：

以每个已知组分波段的峰面积分别作为一个相关因子；

以每个未知组分波段的峰面积分别作为一个相关因子；

以所有已知组分波段的峰面积之和作为一个相关因子；

以所有未知组分波段的峰面积之和作为一个相关因子；

以所有已知组分波段和所有未知组分波段的峰面积之和作为总面积，以所有未知组分波段的峰面积之和与总面积之间的比值作为一个相关因子。

一些实施例中，上述未知组分波段包括第一波段1900-950cm

一些实施例中，上述进行数据拟合建模时，还包括：剔除异常样点，并统计每个初始模型剔除的异常样点数。

一些实施例中，上述从多个初始模型中选择最优模型，具体包括：

计算每个初始模型的相关系数和标准误差；

选择剔除异常样点数最少、相关系数最高且标准误差最小的模型作为最优模型。

一些实施例中，上述剔除异常样点的原则为：

剔除成对异常点和明显离群样点，至模型的相关系数大于第一阈值，置信区间大于第二阈值，且剔除的样点数量最少；

上述成对异常点定义为：若同一PE塑料管上两个样点的同一相关因子值的差值在预设范围内，而两个样点的断裂伸长率测试值中一个大于标准值且另一个小于标准值，则以该两个样点为成对异常点。

一些实施例中，上述利用验证样点集进行验证，具体包括：

将验证样点集的红外光谱数据输入上述最优模型中，得到验证样点集的断裂伸长率预测值；

将上述验证样点集的断裂伸长率预测值与对应的测试值进行比较；以对应的预测值和测试值中一个大于标准值且另一个小于标准值的样点为失真样点；

当不存在失真样点时，以该最优模型作为关联模型；否则，分别将每个失真样点与剔除的异常样点进行比对；

若每个失真样点均存在一个异常样点与之数据相同，则以该最优模型作为关联模型；

否则，判断验证失败，并将不存在相应异常样点的失真样点补充至训练样点集中，进行二次建模。

一些实施例中，上述二次建模具体包括：

若补充至训练样点集中失真样点的数量超过验证样点集的5％，则根据新的训练样点集进行数据拟合建模，得到新的最优模型；

否则，增加相关因子，根据上述新的训练样点集建立三维拟合模型，作为新的最优模型。

一些实施例中，得到新的最优模型之后，还包括：

制作二次验证样点集，并获取上述二次验证样点集的红外光谱数据和断裂伸长率测试值；

对上述新的最优模型利用上述二次验证样点集进行再次验证，直至得到关联模型。

本申请提供的技术方案带来的有益效果包括：

本申请的基于红外光谱的PE塑料管断裂伸长率的识别方法，由于预先获取所有样点的红外光谱数据和断裂伸长率测试值，然后将多个PE塑料管样品随机分为训练样点集和验证样点集，并根据训练样点集的红外光谱数据提取断裂伸长率的多个相关因子，将方差小于或等于预先设定的方差临界值的相关因子分别与断裂伸长率进行数据拟合建模，并选择最优模型利用验证样点集进行验证，验证通过后即可作为关联模型对待测PE塑料管进行断裂伸长率识别。因此，获取待测PE塑料管的红外光谱数据后，即可通过关联模型对其断裂伸长率进行分析识别，快读判定待测PE塑料管的断裂伸长率是否达标。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中识别方法的流程图；

图2为本申请实施例中第一波段峰面积s1与断裂伸长率L的关系图；

图3为本申请实施例中第二波段峰面积s2与断裂伸长率L的关系图；

图4为本申请实施例中第一波段和第二波段的峰面积之和S与断裂伸长率L的关系图；

图5为本申请实施例中第三波段峰面积pe1与断裂伸长率L的关系图；

图6为本申请实施例中第四波段峰面积pe2与断裂伸长率L的关系图；

图7为本申请实施例中第三波段和第四波段的峰面积之和PE和与断裂伸长率L的关系图；

图8为本申请实施例中第一波段和第二波段的峰面积之和与总面积之间的比值R与断裂伸长率L的关系图；

图9为本申请实施例中的s1-R1-L插值模型。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本申请实施例提供了一种基于红外光谱的PE塑料管断裂伸长率的识别方法，其能解决相关技术中整体检测工作量大、且费时费力的问题。

如图1所示，一种基于红外光谱的PE塑料管断裂伸长率的识别方法，用于通信地下敷设用PE塑料管断裂伸长率的识别。该识别方法包括步骤：

S1.选择多个PE塑料管样品，采集每个PE塑料管至少一个样点的红外光谱数据和断裂伸长率测试值，并将多个PE塑料管样品随机分为训练样点集和验证样点集。即，部分PE塑料管样品的所有样点集合为训练样点集，剩余PE塑料管样品的所有样点集合为验证样点集。

其中，通过红外光谱仪分别对每个样点进行红外光谱测试，然后通过材料拉伸试验机分别对每个样点进行断裂伸长率的测试，得到每个样点的红外光谱数据和断裂伸长率测试值。

S2.根据上述训练样点集的红外光谱数据提取断裂伸长率的多个相关因子，并获取各相关因子的值。随后，可计算各相关因子的方差。

S3.剔除方差大于预先设定的方差临界值的相关因子后，分别将剩余的每个相关因子与断裂伸长率进行数据拟合建模，得到多个初始模型。

其中，当某一相关因子的方差大于预先设定的方差临界值时，表示该相关因子与断裂伸长率拟合程度低，拟合效果差，即拟合后的相关系数过低，相对误差大，该相关因子各样点数据在正交图中的分布没有聚类，或聚类较多没有统计共性，数据分布零散，分布面积较大，没有可供研究的规律。

S4.从多个初始模型中选择最优模型并利用验证样点集进行验证，验证通过后，作为关联模型对待测PE塑料管进行断裂伸长率识别。

本实施例的识别方法，由于预先获取所有样点的红外光谱数据和断裂伸长率测试值，然后将多个PE塑料管样品随机分为训练样点集和验证样点集，并根据训练样点集的红外光谱数据提取断裂伸长率的多个相关因子，将方差小于或等于预先设定的方差临界值的相关因子分别与断裂伸长率进行数据拟合建模，并选择最优模型利用验证样点集进行验证，验证通过后即可作为关联模型对待测PE塑料管进行断裂伸长率识别。因此，获取待测PE塑料管的红外光谱数据后，即可通过关联模型对其断裂伸长率进行分析识别，快读判定待测PE塑料管的断裂伸长率是否达标。

本实施例中，上述步骤S1中，采集每个PE塑料管至少一个样点的红外光谱数据，具体包括：

首先，分别对每个样点进行取样，并进行波段为4000-400cm

然后，将多个特征峰波段划分为已知组分波段和未知组分波段，并分别积分得到每个波段的峰面积。

其中，已知组分波段即PE塑料管中已知的PE组分的波段，未知组分波段为PE塑料管中未知组分的波段。同一批PE塑料管的生产工艺相同，因此，其未知组分相同。

优选地，根据上述训练样点集的红外光谱数据提取断裂伸长率的多个相关因子，具体包括：

以每个已知组分波段的峰面积分别作为一个相关因子。

以每个未知组分波段的峰面积分别作为一个相关因子。

以所有已知组分波段的峰面积之和作为一个相关因子。

以所有未知组分波段的峰面积之和作为一个相关因子。

以所有已知组分波段和所有未知组分波段的峰面积之和作为总面积，以所有未知组分波段的峰面积之和与总面积之间的比值作为一个相关因子。因此，需至少提取5个相关因子。

本实施例中，上述分别将剩余的每个相关因子与断裂伸长率进行数据拟合建模时，还包括：剔除异常样点，并统计每个初始模型剔除的异常样点数。

优选地，上述步骤S4中，从多个初始模型中选择最优模型，具体包括：

首先，计算每个初始模型的相关系数和标准误差。

然后，选择剔除异常样点数最少、相关系数最高且标准误差最小的模型作为最优模型。

进一步地，上述剔除异常样点的原则为：

剔除成对异常点和明显离群样点，至模型的相关系数大于第一阈值，置信区间大于第二阈值，且剔除的样点数量最少。

上述成对异常点定义为：若同一PE塑料管上两个样点的同一相关因子值的差值在预设范围内，而两个样点的断裂伸长率测试值中一个大于标准值且另一个小于标准值，则以该两个样点为成对异常点。

上述明显离群样点为相关因子与断裂伸长率的关系图中明显远离数据点群的聚类，或者与拟合曲线的投影距离较远的点。

优选地，上述步骤S4中，利用验证样点集进行验证，具体包括：

首先，将验证样点集的红外光谱数据输入上述最优模型中，得到验证样点集的断裂伸长率预测值。

然后，将上述验证样点集中每个样点的断裂伸长率预测值与其断裂伸长率测试值进行比较；以对应的预测值和测试值中一个大于标准值且另一个小于标准值的样点为失真样点。

当不存在失真样点时，表明该模型验证通过，以该最优模型作为关联模型；否则，分别将每个失真样点与剔除的异常样点进行比对。

若每个失真样点均存在一个异常样点与之数据相同，则表明该模型验证通过，同样可以该最优模型作为关联模型；否则，判断验证失败，并将不存在相应异常样点的失真样点补充至训练样点集中，进行二次建模。

本实施例中，上述二次建模具体包括：

首先判断补充至训练样点集中失真样点的数量是否超过验证样点集的5％。

若补充至训练样点集中失真样点的数量超过验证样点集的5％，则根据新的训练样点集进行数据拟合建模，得到新的最优模型。

否则，增加相关因子，根据上述新的训练样点集建立三维拟合模型，作为新的最优模型。

进一步地，经过二次建模得到新的最优模型之后，还包括：

首先，制作二次验证样点集，并获取上述二次验证样点集的红外光谱数据和断裂伸长率测试值。

然后，对上述新的最优模型利用上述二次验证样点集进行再次验证，直至得到关联模型。

本实施例中，首先，找到所有特征峰的峰面积信号，然后根据特征峰的峰面积信号，区别出已知的PE组分信号和未知组分信号，并对所有组分信号进行分组统计。其中，上述未知组分波段包括第一波段1900-950cm

相应地，上述相关因子包括第一波段峰面积s1、第二波段峰面积s2、第三波段峰面积pe1、第四波段峰面积pe2、第一波段和第二波段的峰面积之和S、第三波段和第四波段的峰面积之和PE、以及第一波段和第二波段的峰面积之和与总面积之间的比值R。训练样点集的数据如下表1所示。

表1

如下表2所示，按照相关因子在光谱图中的特征峰面积信号，可得到各关联关系。

表2

如图2-8所示，通过分别分析各相关因子与断裂伸长率的相关性关系，可以排除明显超出拟合极限的关联关系：pe1-L、pe2-L、以及PE-L，从而减少拟合组的数量，并形成如下表3的有效拟合组。随后即可对剩余的关联关系建立拟合模型。

表3

如图2所示，第一波段的峰面积s1与断裂伸长率L的初始模型如下：L＝p1×(s1)

p1＝44.11

q1＝-383.1

m1＝866.6

其中，相关系数为0.9658，标准误差为38.75。

如图3所示，第二波段的峰面积s2与断裂伸长率L的初始模型如下：L＝p2×(s2)

p2＝1624

q2＝-2384

m2＝930.8

其中，相关系数为0.9458，标准误差为49.09。

如图4所示，第一波段和第二波段的峰面积之和S与断裂伸长率L的初始模型如下：L＝p3×S2+q3×S+m3

p3＝33.95

q3＝-341.2

m3＝902.2

其中，相关系数为0.9622，标准误差为41.17。

如图8所示，第一波段和第二波段的峰面积之和与总面积之间的比值R与断裂伸长率L的初始模型如下：

L＝p4×R

p4＝2.458

q4＝-102.8

m4＝1147

其中，相关系数为0.9681，标准误差为36.88。

本实施例中，训练样点集的总样点数为63，每个模型中均相应排除了若干异常样点，即剔除成对异常点和明显离群样点，至模型的相关系数大于第一阈值，置信区间大于第二阈值，且剔除的样点数量最少。

如在2.6±0.25面积信号的情况下，s1-L模型和S-L模型中均存在成对异常点，即该成对异常点的断裂伸长率测试值一个大于250％，另一个小于250％。其中，s1-L模型中的成对异常点为16号和29号样点，S-L模型中的成对异常点为31号和44号。

该成对异常点对模型效果的影响是破坏性的，由于成对异常点属于同一个PE塑料管的不同部位，表明该PE塑料管自身性能的均匀性不好，有异常因素导致预测失真。该PE塑料管可被认为不符合物理性能标准要求，因此，在保证模型预测结果准确即符合置信区间的情况下，成对异常点可予以剔除。另外，删除的成对异常点的占比不宜超过6％。其具体剔除个数可根据统计学公式查表计算得出，以符合设定的置信区间。本实施例中，每个模型中的成对异常点剔除数量不宜超过两对。

另外，在每个模型中均存在明显离群的样点，在不影响模型置信区间及相关系数的情况下，均可予以剔除。为持续保证模型的准确程度，该剔除的明显离群样点在后续模型的验证维护中，可再次进行筛选比较。

本实施例中，剔除异常样点数最少、相关系数最高且标准误差最小的模型为R-L，即以该R-L为最优模型。即样点中未知组分光谱信号的占比与断裂伸长率的拟合程度最优，该相关因子的实际含义，即体现了未知组分的光谱信息，又包含已知组分的光谱信息，可最大程度的体现PE材料组分的真实情况。随后即可对R-L模型利用验证样点集进行验证。

如下表4所示，验证样点集中的验证样点数为60，其中，28号样点的断裂伸长率测试值大于250％，即其标准要求应该大于250％，但是其断裂伸长率预测值小于250％，与标准要求不同，因此，28号样点结论失真，为失真样点。但由于该失真样点存在一个与之数据相同的异常样点，则无需将该失真样点补充到训练样点集中，表明该模型验证通过，判断R-L模型即为关联模型。

表4

若验证样点集中，需要补充至训练样点集的失真样点数量超过验证样点集的5％时，表明拟合模型中系数95％置信区间被破坏，需要根据补充失真样点后新的训练样点集进行数据拟合建模，得到新的R-L模型，作为最优模型。

在其他实施例中，若补充至训练样点集的失真样点数量未超过验证样点集的5％，即未破坏拟合模型中系数95％置信区间，其存在引起的是模型相关系数降低，即相关系数低于0.9。此时，R-L模型已经无法涵盖新增的失真样品，建立拟合的R-L模型存在失效风险，需在保持原有二维模型的同时，增加其他相关系数较高的相关因子，并根据新的训练样点集建立三维拟合模型。

在其他实施例中，统计的预测失真结果集合如下表5所示，其中，60组验证样点集中具有7个失真样点，其中，4个失真样点均存在一个已剔除的异常样点与之数据相同，而另外3个失真样点不存在相应的异常样点，因此，将该3个失真样点增加至原训练样点集中，得到新的训练样点集，即新的训练样点集包括66个样点。根据该新的训练样点集建立三维拟合模型，作为新的最优模型。

表5

可选地，增加的其他相关因子为除R以外相关系数最高的相关因子。如下表6所示，本实施例中，新增的相关因子为s1，得到的新的最优模型为s1-R1-L插值模型，即可再次进行验证。

如图9所示，该插值模型属于实际插值，其相关系数理论上无限接近1。后期验证过程中，若发现该差值模型具备回归曲线结构特征时，也可通过删除相关因子s1以降至二维拟合模型，并再次进行验证，直至得到关联模型。

表6

本实施例的识别方法，基于不同PE塑料管中未知组分不同，其断裂伸长率也会有明显不同，组分的变化可以通过红外光谱准确识别，无需复杂的计算步骤，运用化学计量学中的主成分分析及回归分析方法建立数学模型，通过合理的数据处理方法，对数学模型进行验证及维护，提高模型预测数据的准确性，实现通过红外光谱定量预测通信用PE塑料管的断裂伸长率。

本申请不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。