CN115586280A - 一种基于自适应阈值的色谱峰识别方法 - Google Patents

一种基于自适应阈值的色谱峰识别方法 Download PDF

Info

Publication number
CN115586280A
CN115586280A CN202211344676.3A CN202211344676A CN115586280A CN 115586280 A CN115586280 A CN 115586280A CN 202211344676 A CN202211344676 A CN 202211344676A CN 115586280 A CN115586280 A CN 115586280A
Authority
CN
China
Prior art keywords
peak
chromatographic
slope
point
minimum
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211344676.3A
Other languages
English (en)
Inventor
王高明
周华良
苏战涛
吕晓俊
代莹
卢璐
黄进
于浩
苏廷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202211344676.3A priority Critical patent/CN115586280A/zh
Publication of CN115586280A publication Critical patent/CN115586280A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N30/06—Preparation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
    • G01N30/8679—Target compound analysis, i.e. whereby a limited number of peaks is analysed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N30/06—Preparation
    • G01N2030/065—Preparation using different phases to separate parts of sample

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Treatment Of Liquids With Adsorbents In General (AREA)

Abstract

本发明公开了一种基于自适应阈值的色谱峰识别方法，包括：(1)对采集的色谱谱图数据进行滤波处理；(2)针对滤波处理后的数据进行色谱峰检测；(3)计算每个色谱峰的峰识别参数；设置最小峰高、最小峰面积、最小半峰宽三个检测阈值，保留色谱峰的峰识别参数同时大于三个检测阈值的色谱峰；(4)针对保留的每个色谱峰的起点、终点进行调整；(5)对色谱峰进行连峰识别，对识别到的连峰的起点与终点进行修正；(6)通过设定最大保留时间误差百分比、标定气体浓度，对每个色谱峰的峰识别参数进行分析并识别变压器油中溶解的气体。本发明能够提高色谱识别的准确性。

Description

一种基于自适应阈值的色谱峰识别方法
技术领域
本发明涉及输变电技术领域，具体是涉及一种基于自适应阈值的色谱峰识别方法。
背景技术
变压器作为电力***的关键性设备，其可靠性是电网安全运行的关键所在，而在线色谱技术是实时监测变压器状态的有效手段。因现场环境很恶劣，温度、湿度等变化较大，对于色谱在线监测装置要求抗干扰性要强，并且算法兼容性好，在没有人工参与的基础下自动、准确地完成这些工作。目前运用较多的油色谱峰识别算法有时间窗法、曲线拟合法、模式匹配法、导数法等。常规的这些算法在峰值识别过程中存在以下不足：即色谱峰起点和终点数组的最少个数由采样频率决定，然而色谱峰的峰形会随着时间的增长而发生改变，因此根据采样频率快慢决定色谱峰的起点和终点数组最小个数具有不确定性，容易引入假峰，由此产生色谱峰识别的误差。
发明内容
发明目的：针对以上问题，本发明提供一种基于自适应阈值的色谱峰识别方法，结合电力变压器油中溶解气体色谱的特点，在峰值识别过程中设定适当的阈值，更好的去除杂峰并且大幅提高重叠峰的识别率。
技术方案：为解决上述问题，本发明公开一种基于自适应阈值的色谱峰识别方法，具体包括以下步骤：
(1)采集变压器油色谱谱图数据，对采集的色谱谱图数据进行滤波处理；
(2)针对滤波处理后的色谱谱图数据进行色谱峰检测；具体包括，设定最小峰斜率阈值，将色谱谱图各数据的斜率与最小峰斜率阈值进行比较，基于比较结果确定各色谱峰的起点、顶点、终点；
(3)计算检测到的每个色谱峰的峰识别参数；设置最小峰高、最小峰面积、最小半峰宽三个检测阈值，将每个色谱峰的峰识别参数分别与三个检测阈值进行比较，保留同时大于三个检测阈值的色谱峰；所述峰识别参数为峰高、峰面积、保留时间、半峰宽；
(4)针对保留的每个色谱峰的起点、终点进行调整；具体包括：(4.1)以每个色谱峰当前起点或终点为基准获取色谱谱图中前一采样数据点，比较当前起点或终点与前一采样数据点的斜率：(4.2)若当前起点或终点斜率大于前一采样数据点斜率，则计数加1；否则计数清零；将该前一采样数据作为新的当前起点或终点，重复步骤(4.1)直至计数值达到设定值；
(5)对色谱峰进行连峰识别，若识别到连峰，则将连峰中第二个峰的起点修正为前一个峰的终点，根据色谱峰基线再将第二个峰的起点与终点进行调整，所述色谱峰基线为第一个峰起点与第二个峰的终点之间的连线；
(6)通过设定最大保留时间误差百分比、标油中的气体浓度，对色谱峰中每个色谱峰的峰识别参数进行分析识别变压器油中溶解的气体。
进一步的，步骤(5)中具体包括：
(5.1)设定最小基线斜率与最大峰间隔；计算出色谱峰中每个色谱峰的斜率与峰宽，若每个色谱峰的斜率大于最小基线斜率并且每个色谱峰的峰宽小于最大峰间隔时，则判定为连峰，否则判定为非连峰；所述每个色谱峰的斜率计算公式为:色谱峰的斜率＝(峰终点的纵坐标-峰起点的纵坐标)/(峰终点的横坐标-峰起点的横坐标)；
(5.2)若识别到连峰，先将连峰中第二个峰的起点修正为前一个峰的终点；再计算色谱峰基线，将第二个峰的起点与终点的纵坐标修正为色谱峰基线所在纵坐标；若未识别到连峰，则转至步骤(6)。
进一步的，步骤(1)中滤波处理具体包括：先对数据进行去极值求平均滤波处理，再对滤波后的数据进行逐点求斜率处理；重复操作两次。
进一步的，步骤(2)中进行色谱峰检测具体为：
设定最小峰斜率阈值hmin；将滤波处理后的色谱谱图数据分为m个窗口，每个窗口内包含数据n个数据；当窗口内数据满足0<hmin<h1<h2…<hn时，判断此时h1为峰的起点；继续移动窗口，当窗口内数据满足h1<…<hm-1<hm>hm+1>…>hk且足hk<hk-1<…<hm+1<X，判断此时hm为峰的起点；继续移动窗口，当窗口内数据满足h1<h2…<hn<hmin，判断此时hn为峰的终点；其中，h1、h2、hn、hm-1、hm、hm+1、hk、hk-1均为对应所在窗口中数据点的斜率，X的取值范围为(-0.12，-0.07)。
进一步的，步骤(6)具体包括：
(6.1)设定最大保留时间误差百分比、标油中的气体浓度；
(6.2)对色谱峰中每个色谱峰的峰识别参数进行定量、定性分析；所述定量分析包括：根据每个色谱峰的峰识别参数，获取每个色谱峰的浓度值，计算公式为：
Figure BDA0003917891140000031
式中，HB表示标油中的气体峰高；CB表示标油中的气体浓度值；HC表示实际中的气体峰高；CC表示实际中的浓度值；
定性分析包括：将每个色谱峰的保留时间与标油中的气体出峰时间进行对比，误差小于最大保留时间误差百分比，则识别该色谱峰对应气体，最终识别变压器油中溶解的所有气体。
进一步的，步骤(2)中最小峰斜率的范围设定为(0，0.015)。
进一步的，步骤(3)中最小峰高的范围设定为(0，0.2)，最小峰面积的范围设定为(88，110)，最小半峰宽的范围设定为(24，27)。
进一步的，步骤(5)中最小基线斜率的范围设定为(0，4)，最大峰间隔的范围设定为(24，27)。
有益效果：本发明所述一种基于自适应阈值的色谱峰识别方法相对于现有技术而言，其显著优点是：1、在色谱峰检测前先对色谱谱图数据进行平滑处理，再通过设置合适阈值，有效地降低峰谱图中的噪声并去除杂峰，提高有效峰的识别率；2、通过设置最小基线和斜率等阈值，进一步的提高重叠峰的识别率；并且基于实际基线对重叠峰的起点与终点重新进行调整；3、结合谱峰曲线以及标准气体的特性，通过设置最大保留时间误差百分比以及标油中的气体浓度值，对识别的峰识别参数进行定量和定性的分析，最终识别出油色谱图中溶解的气体；变电站油色谱在线监测装置通过运用本方法进行色谱峰的识别应用，可以有效提高装置的可靠性、精确性。
附图说明
图1所示为本发明所述方法的流程图；
图2所示为本发明所述方法色谱峰识别的结果图。
具体实施方式
下面结合附图对本发明的技术方案进一步说明。
如图1所示，本发明提供的一种基于自适应阈值的色谱峰识别方法，具体的步骤如下所述：
步骤一、采集变电站油色谱谱图数据并对获取的油色谱谱图数据进行滤波处理。
具体的，先对原始油色谱谱图数据进行移动窗口平均值进行滤波，再对滤波后的数据进行逐点求斜率，然后重复一次上述步骤，即对求斜率后的数据进行滤波，并再次对滤波后的数据进行逐点求斜率。经过两次滤波以及两次求斜率之后，得到相对平滑的信号曲线。
去极值求平均滤波实现步骤：将连续M个采样点平均分成N个等份，对每个等份进行去极值求平均滤波，每次滤波窗口大小为K、滤波死区窗口大小为P的数据，然后进行冒泡排序，去掉J个极值，最后求平均得出新的数据。K的取值太小去除不掉噪声，太大会把有效的信息也过滤掉。本实施例中，K的取值范围设定为10-20，P取值设定为K的1/4。
逐点求斜率则实现步骤：将连续M个采样点平均分成N个等份，然后在每个等份中分别进行逐点相减，即求解各数据点的斜率后，逐点将后一点的值减去前一个点的值，将相减后的数据重新整理得出新数据。
步骤二、对滤波后的油色谱谱图数据进行色谱峰的检测，检测出所有色谱峰。具体包括：
设定最小峰斜率值阈值；将所有滤波后的油色谱谱图数据分为m个窗口，每个窗口内包含数据n个数据。计算油色谱谱图曲线上所有数据点的斜率，设置移动窗口，将数据点的斜率分别与最小峰斜率值阈值进行比较。其中，最大半峰宽作为滑动窗口宽度设定的基准。
当窗口内数据满足0<hmin<h1<h2…<hn时，判断此时h1为峰的起点；继续移动窗口，当窗口内数据满足h1<…<hm-1<hm>hm+1>…>hk且足hk<hk-1<…<hm+1<X，判断此时hm为峰的起点；继续移动窗口，当窗口内数据满足h1<h2…<hn<hmin，判断此时hn为峰的终点；
其中，h1、h2、hn、hm-1、hm、hm+1、hk、hk-1均为对应所在窗口中数据点的斜率。X的取值范围为(-0.12，-0.07)，本实施例中，X＝-0.1，数据的斜率在hm的时候是正的最大值，然后hm+1的时候是负的最大值。
步骤三、针对检测到的色谱峰进行去除杂峰操作。
(1)设定最小峰高，最小峰面积以及最小半峰宽等三个检测阈值；
(2)针对步骤二中检测到的所有色谱峰分别计算每个色谱峰的峰识别参数，即峰高、峰面积、保留时间、半峰宽；
(3)将每个色谱峰对应的峰识别参数与设定好的三个检测阈值进行比较，保留峰识别参数大于三个检测阈值的色谱峰，去除其余不满足条件的杂峰。
步骤四、调整完成去杂峰操作后的各色谱峰的起点与终点。
(1)以每个色谱峰当前起点为基准获取色谱图中前一采样数据点，比较当前起点与前一采样数据点的斜率：
(2)若当前起点斜率大于前一采样数据点斜率，则计数加1；否则计数清零；将该前一采样数据作为新的当前起点，重复步骤(1)直至计数值达到设定值，此时的起点为调整后的起点；具体的，比如起点和前面1个点进行数据斜率的比较，如果这个点的数据斜率小于起点位置，则计数器加1，如果这个点的数据斜率大于起点位置，则计数器清零，再将这个的点和它前面的点进行数据斜率的计算，直到计数器累加大于设定值，则判断为真正的起点位置。
采取相同的调整方式对每个色谱峰的终点调整，本实施例中计数值的设定值取10。
步骤五、针对经过调整起点与终点的各色谱峰进行连峰识别与处理。
(1)设定最小基线斜率和最大峰间隔；
(2)计算识别出来的每个色谱峰的斜率与峰宽，具体的计算公式为：
色谱峰的斜率＝(峰终点的纵坐标-峰起点的纵坐标)/(峰终点的横坐标-峰起点的横坐标)；
峰宽＝峰终点的横坐标-峰起点的横坐标；
(3)当色谱峰的斜率大于最小基线斜率并且峰宽小于最大峰间隔时，则判断为连峰，则对该连峰进行处理，具体包括：
(3.1)将连峰中第二个峰的起点的横纵坐标修正为前一个峰的终点的横纵坐标；
(3.2)根据色谱峰基线对于第二个峰的起点与终点位置进行调整，即将第二个峰的起点与终点的纵坐标修正为当前基线的纵坐标。所述色谱峰基线为第一个峰的起点及第二个峰终点的之间的连线。最后计算出连峰中每个峰的峰高，保留时间以及峰面积。
否则判断为非连峰，转至步骤六。
步骤六、计算每个色谱峰的峰识别参数，根据设定的最大保留时间误差百分比以及标油的气体浓度对前述步骤识别的色谱峰对应的峰识别参数进行定量和定性的分析。具体的：
定性过程为：将完成前述步骤识别与处理的色谱峰对应的保留时间与标油中的气体出峰时间进行对比，误差小于最大保留时间误差百分比，则此色谱峰对应标油中的特定气体；
定量过程为：每个色谱峰峰高对应的浓度值计算方法为：将识别峰值与标油中的气体峰值相比后乘以标油中的气体浓度值，即可得各色谱峰的浓度值。具体的公式为：
Figure BDA0003917891140000061
式中，HB表示标油中的气体峰高；CB表示标油中的气体浓度值；HC表示实际中的气体峰高；CC表示实际中的浓度值；
其中，最小峰斜率的范围设定为(0，0.015)、最小峰高的范围设定为(0，0.2)、最小峰面积的范围设定为(88，110)、最小半峰宽的范围设定为(24，27)、最小基线斜率的范围设定为(0，4)、最大峰间隔的范围设定为(24，27)、最大保留时间误差百分比范围为6％-9％、最大峰顶宽的范围设定为(97，103)；根据多次试验结果得出，具体到本实施例中，得出所需阈值的最优设定，如下表1所示：
表1
Figure BDA0003917891140000062
根据上表1设定的阈值，如图2所示，可以准确的识别变压器油中溶解的七种气体。从图中可以看出谱图当中基线很平稳，谱峰的曲线噪声很少，对于峰高和峰面积均可以很好的计算出来，另外对于CO这个重叠峰也可以很好的检测出来。根据本发明所述方法与传统的时间窗法、曲线拟合法，对于油色谱中的实际谱图进行识别结果对比如下表2所示：
表2
Figure BDA0003917891140000063
Figure BDA0003917891140000071
从表2可以分析获得相比较传统的识别方法，本发明提出的方法能够对变压器油中溶解的七种气体的峰高和保留时间获得更加准确识别，并且针对CO这个连峰，在其他两种方法识别误差较大，而本申请所述方法保证了连峰识别的准确性。
综上，本发明所述方法在传统斜率阈值方法基础上，在峰值识别过程设置合理的阈值，结合了色谱峰的绝对保留时间和识别窗口对疑似色谱峰加以识别，大大降低了引入假峰的概率，提高了重叠峰检测准确性。结合实验研究结果表明：本申请识别准确性很好，具有一定的自适应性能，能够满足现场在线监测装置的要求。

Claims (8)

1.一种基于自适应阈值的色谱峰识别方法，其特征在于，包括以下步骤：
(1)采集变压器油色谱谱图数据，对采集的色谱谱图数据进行滤波处理；
(2)针对滤波处理后的色谱谱图数据进行色谱峰检测；具体包括，设定最小峰斜率阈值，将色谱谱图各数据的斜率与最小峰斜率阈值进行比较，基于比较结果确定各色谱峰的起点、顶点、终点；
(3)计算检测到的每个色谱峰的峰识别参数；设置最小峰高、最小峰面积、最小半峰宽三个检测阈值，将每个色谱峰的峰识别参数分别与三个检测阈值进行比较，保留同时大于三个检测阈值的色谱峰；所述峰识别参数为峰高、峰面积、保留时间、半峰宽；
(4)针对保留的每个色谱峰的起点、终点进行调整；具体包括：(4.1)以每个色谱峰当前起点或终点为基准获取色谱谱图中前一采样数据点，比较当前起点或终点与前一采样数据点的斜率：(4.2)若当前起点或终点斜率大于前一采样数据点斜率，则计数加1；否则计数清零；将该前一采样数据作为新的当前起点或终点，重复步骤(4.1)直至计数值达到设定值；
(5)对色谱峰进行连峰识别，若识别到连峰，则将连峰中第二个峰的起点修正为前一个峰的终点，根据色谱峰基线再将第二个峰的起点与终点进行调整，所述色谱峰基线为第一个峰起点与第二个峰的终点之间的连线；否则，转至步骤(6)；
(6)通过设定最大保留时间误差百分比、标油中的气体浓度，对色谱峰中每个色谱峰的峰识别参数进行分析并识别变压器油中溶解的气体。
2.根据权利要求1所述基于自适应阈值的色谱峰识别方法，其特征在于，步骤(5)中具体包括：
(5.1)设定最小基线斜率与最大峰间隔；计算出色谱峰中每个色谱峰的斜率与峰宽，若每个色谱峰的斜率大于最小基线斜率并且每个色谱峰的峰宽小于最大峰间隔时，则判定为连峰，否则判定为非连峰；所述每个色谱峰的斜率计算公式为:色谱峰的斜率＝(峰终点的纵坐标-峰起点的纵坐标)/(峰终点的横坐标-峰起点的横坐标)；
(5.2)若识别到连峰，先将连峰中第二个峰的起点修正为前一个峰的终点；再计算色谱峰基线，将第二个峰的起点与终点的纵坐标修正为色谱峰基线所在纵坐标；若未识别到连峰，则转至步骤(6)。
3.根据权利要求1所述基于自适应阈值的色谱峰识别方法，其特征在于，步骤(1)中滤波处理具体包括：先对数据进行去极值求平均滤波处理，再对滤波后的数据进行逐点求斜率处理；重复操作两次。
4.根据权利要求1所述基于自适应阈值的色谱峰识别方法，其特征在于，步骤(2)中进行色谱峰检测具体为：
设定最小峰斜率阈值hmin；将滤波处理后的色谱谱图数据分为m个窗口，每个窗口内包含数据n个数据；当窗口内数据满足0＜hmin＜h1＜h2...＜hn时，判断此时h1为峰的起点；继续移动窗口，当窗口内数据满足h1＜…＜hm-1＜hm＞hm+1＞…＞hk且足hk＜hk-1＜…＜hm+1＜X，判断此时hm为峰的起点；继续移动窗口，当窗口内数据满足h1＜h2...＜hn＜hmin判断此时hn为峰的终点；其中，h1、h2、hn、hm-1、hm、hm+1、hk、hk-1均为对应所在窗口中数据点的斜率，X的取值范围为(-0.12，-0.07)。
5.根据权利要求1所述基于自适应阈值的色谱峰识别方法，其特征在于，步骤(6)具体包括：
(6.1)设定最大保留时间误差百分比、标油中的气体浓度；
(6.2)对色谱峰中每个色谱峰的峰识别参数进行定量、定性分析；所述定量分析包括：根据每个色谱峰的峰识别参数，获取每个色谱峰的浓度值，计算公式为：
Figure RE-FDA0003968755660000021
式中，HB表示标油中的气体峰高；CB表示标油中的气体浓度值；HC表示实际中的气体峰高；CC表示实际中的浓度值；
定性分析包括：将每个色谱峰的保留时间与标油中的气体出峰时间进行对比，误差小于最大保留时间误差百分比，则识别该色谱峰对应气体，最终识别变压器油中溶解的所有气体。
6.根据权利要求1所述基于自适应阈值的色谱峰识别方法，其特征在于，步骤(2)中最小峰斜率的范围设定为(0，0.015)。
7.根据权利要求1所述基于自适应阈值的色谱峰识别方法，其特征在于，步骤(3)中最小峰高的范围设定为(0，0.2)，最小峰面积的范围设定为(88，110)，最小半峰宽的范围设定为(24，27)。
8.根据权利要求1所述基于自适应阈值的色谱峰识别方法，其特征在于，步骤(5)中最小基线斜率的范围设定为(0，4)，最大峰间隔的范围设定为(24，27)。
CN202211344676.3A 2022-10-31 2022-10-31 一种基于自适应阈值的色谱峰识别方法 Pending CN115586280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211344676.3A CN115586280A (zh) 2022-10-31 2022-10-31 一种基于自适应阈值的色谱峰识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211344676.3A CN115586280A (zh) 2022-10-31 2022-10-31 一种基于自适应阈值的色谱峰识别方法

Publications (1)

Publication Number Publication Date
CN115586280A true CN115586280A (zh) 2023-01-10

Family

ID=84782694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211344676.3A Pending CN115586280A (zh) 2022-10-31 2022-10-31 一种基于自适应阈值的色谱峰识别方法

Country Status (1)

Country Link
CN (1) CN115586280A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115856185A (zh) * 2023-02-28 2023-03-28 杭州泽天春来科技有限公司 分析仪的处理方法、***及可读存储介质
CN116136518A (zh) * 2023-04-20 2023-05-19 杭州泽天春来科技有限公司 色谱仪
CN116399996A (zh) * 2023-06-02 2023-07-07 海能未来技术集团股份有限公司 基于热导检测的有机元素分析方法、装置及电子设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115856185A (zh) * 2023-02-28 2023-03-28 杭州泽天春来科技有限公司 分析仪的处理方法、***及可读存储介质
CN115856185B (zh) * 2023-02-28 2023-06-13 杭州泽天春来科技有限公司 分析仪的处理方法、***及可读存储介质
CN116136518A (zh) * 2023-04-20 2023-05-19 杭州泽天春来科技有限公司 色谱仪
CN116399996A (zh) * 2023-06-02 2023-07-07 海能未来技术集团股份有限公司 基于热导检测的有机元素分析方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN115586280A (zh) 一种基于自适应阈值的色谱峰识别方法
US8112147B2 (en) Method and apparatus for generating determination indexes for identifying ECG interfering signals
CN113325277A (zh) 一种局部放电处理方法
CN112380992B (zh) 一种加工过程监控数据准确性评估与优化方法及装置
CN109934100B (zh) 一种基于滑动窗口的幅频时变工艺信号分割方法
CN114186596B (zh) 一种谱图峰的多窗口识别方法、装置以及电子设备
CN113805018A (zh) 一种配电网10kV电缆局部放电故障类型智能识别方法
CN110236538B (zh) 一种基于肌电信号的运动起始点自动实时检测方法
CN110632191B (zh) 一种基于决策树算法的变压器色谱峰定性方法和***
CN114397569A (zh) 基于vmd参数优化、样本熵的断路器故障电弧检测方法
CN116136518B (zh) 色谱仪
CN112037106A (zh) 一种基于特征互相关性和概率密度的数据异常分析方法
CN114114400B (zh) 微地震事件有效信号拾取方法
CN115078616A (zh) 基于信噪比的多窗口谱峰识别方法、设备、介质及产品
CN115270410A (zh) 基于arma模型的gis微粒微弱放电发展趋势预测方法及***
CN110490297B (zh) 一种铁路道岔动作功率曲线智能分段方法
CN118091489B (zh) 一种输电线路玻璃绝缘子状态的检测方法
CN118378020A (zh) 一种二次离子质谱曲线分层位置点的自动计算方法
CN111123356A (zh) 基于初至信息的异常道智能判识方法
CN117649123B (zh) 一种智慧园区管理***
CN114841939B (zh) 基于图像处理的坯布缺陷程度分析方法
CN117115142B (zh) 基于人工智能的电子元件缺陷快速检测方法
CN117310068A (zh) 一种离子色谱仪故障诊断分析***及其方法
CN218938407U (zh) 一种发电机局放在线监测装置
CN109212601B (zh) 一种地震数据异常测点检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination