CN101458214A - 有机聚合物溶液浓度的检测方法 - Google Patents

Abstract

本发明公开了一种有机聚合物溶液浓度的检测方法，包括获得已知浓度有机聚合物溶液的拉曼光谱，对拉曼光谱信号进行预处理后，通过主成分回归法、偏最小二乘法和人工神经网络等多元数据处理方法得到有机聚合物浓度的预测模型，检测待测有机聚合物溶液的拉曼光谱并进行预处理，将预处理后的拉曼光谱输入预测模型来计算有机聚合物溶液的浓度。本发明方法具有快速准确、安全环保等特点，可应用于有机聚合物及其相关制品在生产、改性、运输和回收过程的在线和离线监测。

Description

有机聚合物溶液浓度的检测方法

技术领域

本发明涉及拉曼光谱检测领域，尤其涉及一种拉曼光谱对有机聚合物溶液浓度的检测方法。

背景技术

目前可用于检测有机聚合物溶液浓度的方法包括比重法、旋光法、分光光度法、超声波法和折射率法等。比重法虽然测量精度较高，但需要分析天平称量多次，过于繁琐，不适宜于快速检测或在线监控；旋光法是检测偏振光光强的变化规律，需要不同成分具有不同的旋光性，应用范围受到极大地限制，同时，旋光法还存在测量精度不高的问题；分光光度法是检测透光率，灵敏度也不够高。中国专利CN1062416提出利用超声波检测液体浓度，但当体系中存在气泡或其他杂质时，会对检测结果产生影响；中国专利申请CN101216422提出的通过检测溶液折射率来检测溶液浓度的方法具有很高的检测精度，但是检测仪器只能置于待测溶液外部，限制了其在管道测量中的应用。

拉曼散射，又称拉曼效应，是光通过介质时由于入射光与分子运动相互作用而引起的频率发生变化的散射。目前，拉曼光谱仪主要可以分为两类：傅里叶拉曼仪和激光拉曼仪。傅里叶拉曼光谱借助Nd：YAG激光器(λ＝1064nm)来激发，具有近红外线系统的干涉仪用于检测拉曼辐射，借助于陷波滤波器来抑制非波长偏移的瑞利辐射。激光拉曼光谱仪，又可称为分散型拉曼光谱仪，可应用不同类型的激光器激发拉曼辐射，比较常见的类型包括He：Ne激光器(λ＝632nm)和半导体激光器(λ＝785nm)，通过使用格栅和CCD检测器来进行光谱衰变和检测，瑞利散射辐射是借助于陷波滤波器来阻断。

发展能够快速、准确检测有机聚合物溶液浓度的拉曼光谱检测方法，能够实现对涉及有机聚合物溶液的生产、改性、运输和回收过程实现溶液浓度的快速检测和实时监控，对降低生产成本，提高产品质量都有极大的好处。

发明内容

本发明提供了一种利用拉曼光谱与多元数据处理方法相结合对有机聚合物溶液浓度进行检测的方法，该方法快速、准确，有效地解决了现有技术存在的局限，对实现涉及有机聚合物溶液的生产、改性、运输和回收过程的快速检测和实时监控具有重要意义。

本发明所提出的有机聚合物溶液浓度的检测方法，包括如下步骤：

(1)获得已知浓度有机聚合物溶液的拉曼光谱并进行预处理；

(2)通过多元数据处理方法得到预处理后的有机聚合物溶液拉曼光谱与浓度的预测模型；

(3)获得待测有机聚合物溶液的样品的拉曼光谱并进行预处理；

(4)将预处理后的拉曼光谱输入预测模型来计算有机聚合物溶液的浓度。

所述的有机聚合物包括聚乙烯、聚丙烯、聚苯乙烯和聚氯乙烯等聚合物，其中特别适用于含有特殊官能团(如苯基等)的有机聚合物，如聚苯乙烯、聚氯乙烯。

根据本发明所提出的检测方法，有机聚合物溶液浓度的检测在傅里叶拉曼光谱仪和激光拉曼光谱仪上均可实现。

通过拉曼光谱仪获取溶液拉曼光谱时，可采用浸入式测量或非浸入式测量。其中浸入式测量是指将拉曼探头等设备插入到溶液中，获得拉曼光谱，浸入式测量无需专门采样，可以实现在线检测。非浸入式测量是指溶液与拉曼光谱仪或拉曼探头不直接接触，而是通过透射获得拉曼光谱，例如通过拉曼光谱仪检测样品池中的溶液就属于非浸入式测量的一种。根据本发明所提出的检测方法，有机聚合物溶液样品的拉曼光谱可以通过浸入式测量也可以通过非浸入式测量获得。

目前，激光拉曼光谱的最高分辨率为3～5cm^-1，傅里叶拉曼的最高分辨率可以达到0.5～1cm^-1。根据本发明所提出的有机聚合物溶液浓度的检测方法，通过拉曼光谱仪获取有机聚合物溶液拉曼光谱时，设置拉曼光谱仪的分辨率为0.5～10cm^-1为宜。当设置最高分辨率为0.5cm^-1时，可以提高检测结果的准确性；当设置最高分辨率为10cm^-1时，检测结果的准确性有所下降，但检测时间却大大缩短；当设置最高分辨率高于10cm^-1时，拉曼光谱中一些有用信息会被掩盖，对检测结果产生一定影响。

一般而言，扫描和分析检测物质拉曼光谱时，选用的拉曼光谱范围为0～3600cm^-1。但各不同的基团或化学键都存在一个或几个对应的特征波数范围，例如C-O和C-Cl对应的特征波数范围分别为1680～1820cm^-1和330～800cm^-1。若对待测物的化学结构和组成有一定的了解，则可以通过缩小扫描和分析范围，提高检测结果准确性，减少扫描和分析时间。根据本发明所提出的检测方法，可以根据有机聚合物溶液体系的性质，选择拉曼光谱的扫描和分析范围(0～3600cm^-1的全部或部分)。

根据本发明所提出的有机聚合物溶液浓度的检测方法，其中对拉曼光谱信号的预处理包括平滑、扣减、微分、归一化、标准化、多元散射校正、分段多元散射校正、标准正态变量变换、去趋势、傅立叶变换、正交信号校正、小波变换和净分析信号中的一种或多种。以上预处理方法均为拉曼光谱的常见预处理方法。平滑可以提高分析信号的信噪比，最常用的方法是窗口移动多项式最小二乘平滑。扣减是选择一吸收波长，将其吸收值对所有波长处的吸收值进行扣除，一般用于消除背景影响。微分可以消除基线漂移、强化谱带特征、克服谱带重叠，是常用的光谱预处理方法，一阶微分可以去除同波长无关的漂移，二阶微分可以取出同波长线性相关的漂移。多元散射校正通过数学方法将光谱中的散射光信号与化学吸收信息进行分离，它可以去除光谱中样品的镜面反射及不均匀性造成的噪声，消除基线的不重复性。分段多元散射校正是对多元散射校正的进一步优化，它能消除全波长范围内单体光谱和平均光谱的非线性散射。标准正态变量变换主要用于消除固体颗粒大小、表面散射以及光程变化对光谱的影响。去趋势算法通常用于标准正态变量变换处理后的光谱，用来消除漫反射光谱的基线漂移。傅里叶变换能够实现谱域函数与时域函数之间的转换，其实质是把原光谱分解成许多不同频率的正弦波的叠加和，它可以用来对光谱进行平滑去噪、数据压缩以及信息的提取。正交信号校正是在建立定量校正模型前，将光谱阵用浓度阵正交，滤除光谱与浓度阵无关的信号，再进行多元校正，达到简化模型及提高模型预测能力的目的。小波变换能将化学信号根据频率的不同分解成多种尺度成分，并对大小不同的尺度成分采取相应粗细的取样步长，从而能够聚焦于信号中的任何部分。净分析信号算法的基本思想与正交信号校正基本相同，都是通过正交投影除去光谱阵中与待测组分无关的信息。

根据本发明所提出的有机聚合物溶液浓度的检测方法，其中获得预测模型所采用的多元数据处理方法为主成分回归法、偏最小二乘法或人工神经网络法。

主成分回归法是采用主成分分析方法先对混合物光谱量矩阵进行分解，然后选取其中的主成分来进行多元线性回归分析。主成分分析的中心目的是将数据降维，将原来变量进行转换，使少数几个新变量是原变量的线性组合，同时，这些变量要尽可能多地表征原变量的数据特征而不丢失信息。经转换得到的新变量是相互正交的，即互不相关，以消除众多信息共存中相互重叠的信息部分。

设X(n×k)为标定样本拉曼光谱矩阵，由n个样本，k个波长组成。主成分分析将X分解为k个向量的外积之和，即

$X=s_1{p}_1^T+s_2{p}_2^T+s_3{p}_3^T+\·\·\·+s_k{p}_k^T$

式中s为得分向量(Score Vector)，p为载荷向量(Loadings Vector)，每个得分向量实际上是矩阵X在其对应载荷向量方向上的投影。得分向量的长度反映了矩阵X在对应载荷向量方向上的覆盖程度，反映了样本与样本之间的相互关系。

主成分分析的计算采用Wold提出的非线性迭代偏最小二乘法(NIPALS)，以下为NIPALS方法的算式，其流程图见图2：

1)取X中某列矢量x为s的起始值：s＝x；

2)计算p^T＝s^TX/s^Ts；

3)将p^T归一化，p^T＝p^T/‖p‖；

4)计算s，s＝Xp/p^Tp；

5)比较新的s与旧的s，看是否满足收敛条件。若满足收敛条件，

继续步骤6)，否则跳回步骤2)；

6)若已完成计算所需要的主成分，则停止计算，否则计算残差阵E，E＝X-sp^T；

7)用E代替X，返回步骤1)，求下一个主成分。

从概率统计观点可知，一个随机变量的方差越大，该随机变量包含的信息越多；如果一个变量的方差为零时，该变量为一常数，不含任何信息。当矩阵X中的变量间存在一定程度的线性相关时，X的变化将主要体现在最前面几个载荷向量方向上，X在最后面几个载荷向量上的投影很小，可以认为它们主要是由于测量噪音引起的。在主成分回归中，确定参与回归多的最佳主成分数尤为重要。如果选取的主成分得分项数太少，将会丢失原始光谱较多的有用信息，拟合不充分；如果选取的主成分得分项数太多，会将测量噪音过多地包括进来，出现过度拟合现象，所建模型的预测误差会显著增大。因此，在选择主成分得分用于拟合有机聚合物浓度预测模型时，通常选用1～5个主成分得分项，这样既能提取与浓度相关的信号，除去测量噪音，又能降低运算次数，提高运算速率。

用矩阵X主成分分析得到的主成分得分项S与已知有机聚合物溶液浓度Y进行多元线性回归，便得到了主成分回归模型：

y＝SB+E

其中B的最小二乘解为：

B＝(S^TS)^-1S^TY

对于待测样品的光谱x，经预处理后，首先由主成分分析得到的载荷矩阵，求取其得分向量：s＝xP。然后，通过主成分回归模型得到的结果：y＝sB。

在主成分回归法中，只对光谱矩阵X进行分解，消除无用的噪音信息。同样，浓度矩阵Y也包含有无用信息，应对其作同样的处理，且在分解光谱矩阵X时应考虑浓度矩阵Y的影响。偏最小二乘法就是基于以上实现提出的多元回归方法。

偏最小二乘法首先对光谱矩阵X和浓度矩阵Y进行分解，其模型为：

X＝SP+E

Y＝UQ+F

式中S和U分别为X和Y矩阵的得分矩阵；P和Q分别为X和Y矩阵的载荷矩阵；E和F分别为X和Y矩阵的偏最小二乘法拟合残差矩阵。

接下来，偏最小二乘法将S和U作线性回归：

U＝SB

B＝(S^TS)^-1S^TY

在预测时，首先根据P求出预处理后的待测样品的光谱X_未知得分S_未知，然后由下式得到浓度预测值：

Y_未知＝S_未知BQ

在实际的偏最小二乘法回归中，矩阵分解与回归是并为一步实现的，即X和Y矩阵的分解同时进行，并且将Y的信息引入到X的矩阵分解过程中，在每计算一个新主成分前，将X的得分S与Y的得分U进行交换，使得X的主成分直接与Y关联。这就克服了主成分回归法只对X进行分解的缺点。同时，区别于主成分回归法，偏最小二乘法还可以根据不同的待测组分选取最佳的主成分数。一般偏最小二乘法选用1～5个偏最小二乘组分。

人工神经网络法是近些年发展起来的数学处理方法，它模仿人脑神经的活动力图建立脑神经活动的数学模型，即把对信息的存储和计算同时储存在神经单元中，所以在一定程度上神经网络可以模拟动物神经系统的活动过程，具有自学习、自组织、自适应能力、很强的容错能力、分布储存与并行处理信息的功能及高度非线性表达能力，这是其他传统方法所不具备的。

将拉曼光谱检测装置的输出信号与计算机联用，能够对有机聚合物浓度的变化进行动态演示，也能够作为控制系统的输入变量以实现对有机聚合物浓度的控制。

本发明与现有技术相比具有的有益效果：

1)能够快速地检测溶液中有机聚合物的浓度，且检测结果精度较高；

2)拉曼光谱检测装置灵敏度高，且检测范围宽；

3)同时适用于浸入式测量或非浸入式测量；

4)拉曼光谱检测可以实时在线；

5)拉曼光谱检测装置的输出信号可直接与计算机联用，便于有机聚合物溶液浓度的监控。

附图说明

图1是本发明的检测方法的流程图；

图2是主成分分析的流程图；

图3是三层BP神经网络结构示意图；

图4是不同主成分数下PCA-BP的平均相对误差示意图；

图5是不同训练次数下PCA-BP的平均相对误差示意图；

图6是聚乙烯-二甲苯溶液浓度预测结果示意图；

图7是聚丙烯-十氢萘溶液浓度预测结果示意图；

图8是聚氯乙烯-四氢呋喃溶液浓度预测结果示意图。

具体实施方式

实施例1

采用德国Bruker公司生产的MultiRAM型傅里叶拉曼光谱仪，该光谱仪选用激光光源波长为1064nm。设定光谱仪光谱扫描范围0～3600cm^-1，分辨率为10cm^-1。通过非浸入式测量，检测不同浓度聚苯乙烯-四氢呋喃溶液的拉曼光谱，预测聚苯乙烯浓度。

以四氢呋喃溶液中聚苯乙烯浓度的检测为例，其步骤如下：

(1)用FT拉曼光谱仪获得9组不同浓度四氢呋喃-聚苯乙烯溶液的拉曼谱图，其中浓度为0，0.3％，0.6％，1.2％，1.5％和2.4％wt的四氢呋喃-聚苯乙烯溶液作为标定样本，浓度为0.9％，1.8％和2.1％的四氢呋喃-聚苯乙烯溶液作为待测样本；

(2)确定待测样本拉曼谱图的频谱分析范围为1600～1450cm^-1；

(3)对标定样本的拉曼谱图进行多元散射校正预处理，多元散射校正的方法为：

首先，计算所需校正光谱的平均光谱：

$\stackrel{\‾}{A}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{A}_i}{n}$

式中，A_i为第i个样品的拉曼光谱矩阵，A为平均光谱矩阵。

其次，对平均光谱作回归：

A_i＝a_iA+b_i

式中，a_i，b_i为拉曼光谱矩阵的多元散射校正拟合系数。

最后，对每一条光谱作多元散射校正：

$A_i^{\′}=\frac{(A_i-b_i)}{a_i}$

式中，A_i’为经多元散射校正校正后的第i个样品的拉曼光谱矩阵；

(4)通过商业软件Matlab中提供的主成分分析程序，其程序文件名为princomp.m，对预处理后的标定样本拉曼光谱X进行主成分分析：

[Coeff Score]＝princomp(X)

得到主成分载荷(Coeff)和主成分得分(Score)。

(5)选取标定样本的拉曼谱图的主成分得分前两项与其浓度进行关联，通过主成分回归拟合得到聚苯乙烯溶液浓度的预测模型；

C_pred(％wt)＝1.01+1661.87×Score1-483.01×Score2

(6)对待测样本聚苯乙烯-四氢呋喃溶液浓度进行预测，其步骤如下：

6.1)对待测样本拉曼谱图进行多元散射校正预处理；

6.2)经上述处理后的待测样本拉曼光谱与标定样本主成分载荷前两项计算得到新的主成分得分；

6.3)将待测样本主成分得分代入聚苯乙烯溶液浓度的回归模型便可得出待测样本聚苯乙烯浓度分别为0.88％，1.85％，2.15％wt，与真实值的平均偏差为2.5％。

当采用全谱分析时，全谱与部分谱段(1600～1450cm^-1)检测结果比较如表1所示；

表1  全谱与部分谱段检测结果比较

 

真实值	0.9％	1.8％	2.1％	平均偏差
					1600～1450cm-1	0.88％	1.85％	2.15％	2.5％
0～3600cm-1	0.80％	1.58％	2.33％	10.7％

不同预处理方法对最终检的影响如表2所示；

表2  不同预处理方法对最终检测结果的影响比较

 

	微分	归一化	标准化	多元散射校正	标准正态变化	去趋势	傅里叶变换	小波变换
									最大偏差	8.9％	10.0％	7.8％	2.8％	3.9％	5.2％	3.9％	3.3％
平均偏差	7.4％	7.6％	6.6％	2.5％	2.6％	3.8％	2.3％	2.6％

实施例2

采用美国Thermo Fisher公司生产的DXR智能拉曼光谱仪，该光谱仪选用激光光源波长为780nm，设定光谱仪光谱扫描范围0～3600cm^-1，分辨率为4cm^-1。通过工业用拉曼光纤探头对聚苯乙烯-甲苯溶液的拉曼光谱进行浸入式在线检测，预测聚苯乙烯浓度。

以甲苯溶液中聚苯乙烯浓度的检测为例，其步骤如下：

(1)使用激光拉曼光谱仪，将光谱仪所连接的工业用拉曼光纤探头插入管道，在线检测管道中聚苯乙烯-甲苯溶液的拉曼光谱，其中浓度为0，0.4％，0.6％，1.0％，1.3％和2.0％wt的甲苯-聚苯乙烯溶液作为标定样本，浓度为0.8％和1.6％的甲苯-聚苯乙烯溶液作为待测样本；

(2)确定待测样本拉曼谱图的频谱分析范围为600～1300cm^-1；

(3)对标定样本的拉曼谱图进行微分法预处理，得到处理后的拉曼光谱矩阵X，其中微分法的过程如下：

X＝d(X_o)/d(g)

式中X_o为原始拉曼光谱，X为预处理后的拉曼光谱，g为微分窗口宽度。

(4)根据方差解释，选择两个PLS成分进行偏最小二乘法分析，得到聚苯乙烯溶液浓度的回归模型，其过程如下：

①程序开始，计数器h置为1：h＝1；

②将标定样本的浓度矩阵Y送入ss中，作为其初值：ss＝Y；

③将矩阵X投影于列向量ss上：u_h＝X^Tss/(ss^Tss)；

④将向量u_h归一化：u_h＝u_h/‖u_h‖；

⑤将矩阵X投影于行向量

上，得到X的第h个PLS成分t_h：

$t_h={\mathrm{Xu}}_h/\left(u_h^T{u}_h\right);$

⑥计算矩阵X的载荷向量c_h： $c_h=X^T{t}_h/\left(t_h^T{t}_h\right);$

⑦将成分ss对成分t_h进行回归： $b_h=t_h^T{s}_h/\left(t_h^T{t}_h\right);$

⑧从矩阵X中除去第h个PLS成分： $X=X-t_h{c}_h^T;$

⑨从矩阵Y中除去回归项：Y＝b_ht_hss；

⑩计数器h加1，回到步骤③，再次开始计算；

最终得到聚苯乙烯溶液浓度的预测模型：

C_pred(％wt)＝-9.06+491.97×t₁+8322.37×t₂

(5)对待测样本聚苯乙烯-四氢呋喃溶液浓度进行预测，其步骤如下：

5.1)对待测样本拉曼谱图进行分段多元散射校正预处理；

5.2)将处理后的待测样本拉曼光谱代入聚苯乙烯溶液浓度的预测模型便可得出待测样本聚苯乙烯浓度分别为0.83％和1.58％wt，与真实值误差分别为3.8％和1.3％。

实施例3

采用美国Thermo Fisher公司生产的DXR智能拉曼光谱仪，该光谱仪选用激光光源波长为780nm，设定光谱仪光谱扫描范围500～2000cm^-1，分辨率为0.5cm^-1，通过非浸入式测量，检测不同浓度聚苯乙烯-氯仿溶液的拉曼光谱，预测聚苯乙烯浓度。

以氯仿中聚苯乙烯浓度的检测为例，其步骤如下：

(1)使用激光拉曼光谱仪，获得聚苯乙烯-氯仿溶液的拉曼光谱。其中浓度为0，0.5％，1.0％，1.5％，2.0％和2.5％wt的氯仿-聚苯乙烯溶液作为标定样本，浓度为0.3％，1.2％和2.4％的氯仿-聚苯乙烯溶液作为待测样本；

(2)确定待测样本拉曼谱图的频谱分析范围为500～2000cm^-1；

(3)对标定样本的拉曼谱图进行傅里叶变换预处理，得到处理后的拉曼光谱矩阵X，傅里叶变换预处理可由Matlab中的fftshift.m程序实现：

X＝fftshift(X_o)

式中X_o为原始拉曼光谱，X为预处理后的拉曼光谱。；

(4)通过人工神经网络法拟合得到聚苯乙烯溶液浓度的预测模型，其具体过程如下：

①根据三层BP神经网络结构，如图3所示，首先确定输入层。若将拉曼光谱直接作为网络的输入，则网络规模会非常庞大。因此，选择主成分分析(PCA)得到的主成分得分(其过程参见实施例1)作为输入。根据标定样品的预测效果(如图4)，确定最佳主成分得分项为4；

②BP神经网络是通过输入与输出之间不断循环迭代建立起的一种基于连接权重的非线性关系。在取4个主成分的情况下，比较训练次数对标定样品预测结果的影响(如图5)，发现训练次数为1800次时预测效果最佳，当训练次数再增加时，会出现网络的过学习，预测结果准确性降低；

③由于其他网络参数的确定缺乏理论依据，因此经多次实验反复验证，最终确定隐含层节点数为6，控制误差为0.0001，学习速率为0.02，态势因子取0.1，输出节点数为1；

④将主成分分析的4个主成分得分作为输入，聚苯乙烯溶液浓度作为输出，通过BP神经网络进行反复训练建立PCA-BP校正集模型，即得到预测模型；

(5)对待测样本聚苯乙烯-氯仿溶液浓度进行预测，其步骤如下：

5.1)对待测样本拉曼谱图进行傅里叶变换预处理；

5.2)将上述处理后的待测样本拉曼光谱代入聚苯乙烯溶液浓度的预测模型便可得出待测样本聚苯乙烯浓度分别为0.31％，1.24％和2.37％wt，与真实值误差分别为3.3％，2.0％和1.3％。

实施例4

采用美国Thermo Fisher公司生产的DXR智能拉曼光谱仪，该光谱仪选用激光光源波长为780nm，设定光谱仪光谱扫描范围0～3600cm^-1，分辨率为4cm^-1。通过工业用拉曼光纤探头对不同浓度的聚乙烯-二甲苯溶液进行拉曼光谱检测，预测聚乙烯溶液浓度。

选择800～1600范围内的波长进行主成分分析，方法与实施例1一致。选择2个主成分进行主成分回归，得预测模型。通过留一法(即每次选用1个样本作为预测样本，其余样本用作建立回归模型的标定样本)所得模型预测结果如图6所示。

实施例5

采用美国Thermo Fisher公司生产的DXR智能拉曼光谱仪，该光谱仪选用激光光源波长为780nm，设定光谱仪光谱扫描范围0～3600cm^-1，分辨率为4cm^-1。通过工业用拉曼光纤探头对不同浓度的聚丙烯-十氢萘溶液进行拉曼光谱检测，预测聚乙烯溶液浓度。

选择800～1500范围内的波长进行偏最小二乘法分析，方法与实施例2一致。选择2个主成分建立预测模型，通过留一法所得模型预测结果如图7所示。

实施例6

采用德国Bruker公司生产的MultiRAM型傅里叶拉曼光谱仪，该光谱仪选用激光光源波长为1064nm。设定光谱仪光谱扫描范围0～3600cm^-1，分辨率为4cm^-1。检测不同浓度聚氯乙烯-四氢呋喃溶液的拉曼光谱，预测聚氯乙烯浓度。

选择330～800cm^-1范围内的波长进行偏最小二乘法分析，方法与实施例2一致。选择2个主成分建立预测模型，通过留一法所得模型预测结果如图8所示，其中预测值与真实值的平均相对偏差为3.54％，交叉验证误差均方根为0.08％。

Claims (8)

1、一种有机聚合物溶液浓度的检测方法，包括如下步骤：

(1)获得已知浓度有机聚合物溶液的拉曼光谱并进行预处理；

(2)通过多元数据处理方法得到预处理后的有机聚合物溶液拉曼光谱与浓度的预测模型；

(3)获得待测有机聚合物溶液的样品的拉曼光谱并进行预处理；

(4)将预处理后的拉曼光谱输入预测模型，得到有机聚合物溶液的浓度。

2、如权利要求1所述的检测方法，其特征在于：所述的有机聚合物为聚苯乙烯或聚氯乙烯。

3、如权利要求1所述的检测方法，其特征在于：获得溶液拉曼光谱采用的分辨率为0.5～10cm^-1。

4、如权利要求1所述的检测方法，其特征在于：所述的多元数据处理方法为主成分回归法、偏最小二乘法或人工神经网络法。

5、如权利要求4所述的检测方法，其特征在于：所述的主成分回归法选用1～5个主成分得分项。

6、如权利要求4所述的检测方法，其特征在于：所述的偏最小二乘法选用1～5个偏最小二乘组分。

7、如权利要求4所述的检测方法，其特征在于：所述的人工神经网络法采用三层人工神经网络机构，将对已知浓度有机聚合物溶液的拉曼光谱采用主成分分析法得到的主成分得分作为输入。

8、如权利要求1所述的检测方法，其特征在于：所述的预处理包括平滑、扣减、微分、归一化、标准化、多元散射校正、分段多元散射校正、标准正态变量变换、去趋势、傅立叶变换、正交信号校正、小波变换和净分析信号中的一种或多种。

Images