光谱分析-质量控制方法讲义
- 格式:docx
- 大小:313.73 KB
- 文档页数:11
x射线荧光光谱法测定氧化铝中杂质含量的质量控制方法1. 引言1.1 概述本文旨在介绍一种质量控制方法,即利用X射线荧光光谱法来测定氧化铝中杂质含量。
氧化铝是一种常见的无机化合物,在许多工业领域中广泛应用。
然而,氧化铝的纯度对其性能和品质至关重要。
因此,准确测定氧化铝中杂质元素的含量具有重大意义。
1.2 文章结构本文共分为七个部分:引言、X射线荧光光谱法概述、氧化铝及其杂质含量分析方法综述、X射线荧光光谱测定氧化铝中杂质含量的方法与步骤、质量控制方法与标准参照物料选择、结论和致谢。
1.3 目的本文的目的是详细介绍使用X射线荧光光谱法进行氧化铝中杂质含量测定的方法和步骤,并提出相应的质量控制方法和标准参照物料选择策略。
通过该方法,可实现快速、准确地确定氧化铝样品中各种杂质元素的含量,并为氧化铝生产过程中的质量控制提供有效指导。
以上是“1. 引言”部分的内容。
2. X射线荧光光谱法概述2.1 X射线荧光光谱法原理X射线荧光光谱法(X-ray Fluorescence Spectroscopy, XRF)是一种基于物质被入射的高能X射线激发后所产生的荧光辐射而进行元素分析的方法。
其原理基于物质中原子的电子能级结构特性,即物质在受到高能X射线入射时,会激发部分内层电子转移到空位上,随后这些激发态电子会衰变回基态并释放出辐射能量,表现为特定波长的荧光X射线。
2.2 X射线荧光仪器设备XRF分析主要依靠X射线荧光仪器设备来完成。
一般而言,该仪器由以下几个主要组成部分构成:X射线源、样品支架、能量色散系统和探测器。
其中,X射线源通常采用X射线管或放电管产生高能量的入射X射线;样品支架用于支持待测试的氧化铝样品,并确保其与入射X射线之间有适当的距离,以免干扰测量结果;能量色散系统用于分离和选择荧光X射线的能量,并将其转化为电信号;探测器则负责检测荧光X射线并将其转化为电信号进行放大、处理和记录。
2.3 应用领域和重要性X射线荧光光谱法在材料科学、地球科学、环境保护、矿产资源开发以及工业生产中有广泛的应用。
光谱分析检验方法解析光谱分析是物质检验的一种常用方法,通过检测物质在特定波长范围内的吸收或发射光谱,来分析物质的成分、结构和性质。
光谱分析检验方法广泛应用于化学、物理、生物、环境等众多领域。
下面将对光谱分析检验方法进行详细解析。
紫外可见光谱分析是通过检测物质在紫外和可见光波段的吸收光谱来分析物质。
当分子受到光照射时,会发生能级跃迁,吸收或发射特定波长的光。
通过测量物质对不同波长光的吸收程度,可以判断物质的组成、浓度和化学性质。
紫外可见光谱广泛应用于化学、环境、药物等领域。
红外光谱分析是通过检测物质在红外波段的吸收光谱来分析物质。
物质的分子具有不同的振动和转动模式,在红外波段特定波数下会吸收特定波长的光。
通过测量物质在不同波数下的吸收光谱,可以确定物质的结构、功能团、聚集状态等。
红外光谱广泛应用于有机化学、材料科学、生物化学等领域。
原子吸收光谱分析是通过检测物质中金属元素的特定波长的吸收光谱来分析物质。
当金属元素被加热或电离时,其原子碰撞、跃迁或退激发过程会发射或吸收特定波长的光。
通过测量金属元素在特定波长下的吸收光谱,可以获得物质中金属元素的含量和形态信息。
原子吸收光谱广泛应用于环境、食品、化妆品等领域。
拉曼光谱分析是通过检测物质散射光中频率发生改变的拉曼光谱来分析物质。
当入射光与样品相互作用时,样品中的分子与入射光产生能量交换,导致光波的频率发生微小的变化。
通过测量散射光中频率发生变化的拉曼光谱,可以获得样品的结构、溶液中物质的聚集状态等信息。
拉曼光谱分析广泛应用于材料科学、生命科学、环境等领域。
质谱分析是通过将化合物转化成带电离子,然后根据这些离子的质量和电荷比来分析物质。
质谱仪通过将样品分子在高能电子束的作用下断裂为带电的离子并分离出来。
通过测量带电离子的质量和电荷比,可以确定样品的分子式、分子质量以及样品中的原子组成等信息。
质谱分析广泛应用于有机化学、生化分析、环境、药物等领域。
总结起来,光谱分析检验方法通过检测物质的吸收或发射光谱来分析物质的成分、结构和性质。
近红外光谱分析技术在药物质量控制中的应用随着科技的发展和人们对健康关注的加强,对药物质量的要求也越来越高。
药物的质量控制是确保药物品质的一种重要手段。
但是传统的药物质量控制方法存在着很多局限性,比如需要花费大量时间和人力物力,无法实现快速、准确的检测等。
随着近红外光谱分析技术的不断发展,它已经成为药物质量控制中不可忽视的一种分析手段。
一、近红外光谱分析技术的原理近红外光谱分析技术利用光的散射、透过和反射特性,对药物进行分析。
在近红外波段,药物分子的分子振动和转动会引起信号变化,这些变化可以被近红外光谱仪测量到,并转化为数字信号进行分析。
这种方法可以实现非破坏性分析,同时也可以减少药物在分析过程中的损耗。
二、近红外光谱分析技术在药物质量控制中的应用1. 药物成分检测药物成分是药物质量控制的关键,近红外光谱分析技术可以通过检测药物分子的振动和转动等特性,来判断药物中的成分含量是否符合要求。
这种方法非常快速,准确度也很高,可以帮助药厂快速确定药物的质量,同时也可以为药物的研发提供有效的支持。
2. 药物含量检测药物含量是药物质量控制中的重要指标之一,近红外光谱分析技术可以通过分析不同波长下药物的吸收光谱图来判断药物的含量。
这种方法在药物含量检测方面也非常快速、准确、可靠。
3. 药物质量评估近红外光谱分析技术还可以用于药物质量评估。
通过分析样品的光谱图像,可以判断药物在各个环节中的变化情况。
这种方法可以有效避免药物在生产和运输过程中的质量问题,确保用户用药的安全。
三、近红外光谱分析技术的优点1. 快速与传统的药物分析方法相比,近红外光谱分析技术具有非常快速的特点。
从检测开始到结果出来仅需要几分钟甚至更短的时间,可以大大减少成本和时间。
2. 准确近红外光谱分析技术分析药物的结果比传统的化学分析方法更加准确。
而且准确率高达99%以上。
这种方法还可以减少人为因素带来的误差问题,使药物质量实现全面自动化。
3. 非破坏性近红外光谱分析技术是一种非破坏性的检测方法。
质量控制中的光谱分析技术研究质量控制是现代工业生产的重要环节。
在不断提高产品质量的过程中,光谱分析技术逐渐成为了质量控制的重要工具之一。
本文将讨论质量控制中的光谱分析技术研究。
一、光谱分析技术的基本原理光谱分析技术是一种确定样品成分和结构的方法。
其基本原理是将样品与一定波长的电磁波相互作用,得到一系列发射光谱或吸收光谱。
通过测量这些光谱的特征参数,如波长、强度等,可以确定样品中所含的元素或化合物。
光谱分析技术包括原子吸收、荧光、光电离、原子发射、紫外-可见吸收、红外、拉曼等多种方法。
这些方法各有特点,在不同情况下可以选择不同的方法进行分析。
二、光谱分析技术在质量控制中的应用光谱分析技术在质量控制中的应用非常广泛,主要包括以下几个方面。
1. 原材料分析当企业采购原材料时,光谱分析技术可以确定原材料的成分和质量。
这可以为后续的生产过程提供有力的保障。
原材料分析通常采用原子吸收光谱、分子吸收光谱或荧光光谱等方法。
2. 产品质量检验光谱分析技术可以用于检验成品的质量。
通过原子发射光谱、原子吸收光谱、紫外-可见吸收光谱等方法,可以确定产品中各个元素的含量。
这有助于确保成品的质量符合标准。
3. 环境监测环境监测是企业社会责任的重要组成部分。
光谱分析技术可以应用于水、空气、土壤等环境样品的分析。
通过荧光光谱、红外光谱等方法,可以确定环境中污染物的含量和种类。
4. 工艺过程监测工艺过程监测是保证产品质量稳定的重要手段之一。
光谱分析技术可以用于监测生产过程中各项指标的变化。
例如,在钢铁制造过程中,原子发射光谱可以用于分析铁矿石中的各项元素。
三、光谱分析技术应用的发展趋势随着光学技术的不断发展,光谱分析技术在质量控制中的应用也越来越广泛。
尤其是近年来,国内外专家学者不断加大对该领域的研究力度,相信在不久的将来,光谱分析技术的应用将会更加深入。
1. 新型光谱技术的开发近年来,人们不断开发出新型光谱技术。
例如,拉曼光谱、激光剥蚀电离质谱、电感耦合等离子体等。
药物的光谱分析光谱分析是一种通过分析物质在不同波长的电磁辐射下的相互作用来确定其特性和组成的方法。
在药物领域中,光谱分析广泛应用于药物研发、质量控制和治疗监测等方面。
本文将介绍药物的光谱分析的原理、方法和应用。
一、药物的光谱分析原理1. 分子光谱学分子光谱学是药物光谱分析的基础。
药物分子通过吸收、发射、散射或旋转振动等过程来与电磁辐射相互作用。
常用的分子光谱学方法有紫外可见光谱、红外光谱和拉曼光谱等。
(1)紫外可见光谱紫外可见光谱是指药物分子在紫外可见光区域(200-800纳米)的吸收光谱。
药物分子对不同波长的光的吸收程度与化学结构密切相关,因此可以通过紫外可见光谱来确定药物的结构和浓度。
(2)红外光谱红外光谱是指药物分子在红外光区域(4000-400厘米^-1)的吸收光谱。
红外光谱可以提供药物分子的功能基团信息和化学键的类型,用于药物的质量控制和鉴别。
(3)拉曼光谱拉曼光谱通过检测样品散射光的频移来获得药物分子的振动和旋转信息。
相对于红外光谱,拉曼光谱具有高灵敏度和非破坏性的特点,适用于溶液中和固体中药物分析。
2. 原子光谱学除了分子光谱学,原子光谱学也是药物光谱分析的重要方法之一。
原子光谱学通过分析药物中的元素和其原子能态与电磁辐射的相互作用来确定药物的成分和浓度。
常用的原子光谱学方法有火焰原子吸收光谱、原子荧光光谱和电感耦合等离子体发射光谱。
二、药物的光谱分析方法在药物光谱分析中,根据样品的特性和分析目的,可以选择适合的光谱分析方法。
下面介绍几种常见的方法。
1. 荧光光谱分析荧光光谱分析是通过药物分子吸收能量后发出的荧光信号来确定药物的特性和浓度。
荧光光谱分析具有高灵敏度和高选择性的特点,适用于检测微量药物和药物代谢产物。
2. 核磁共振光谱核磁共振光谱(NMR)是一种通过观察样品中核自旋在外加磁场和射频脉冲作用下的行为来确定药物结构和化学环境的方法。
NMR是一种非破坏性的分析方法,适用于液体和固体样品的分析。
化学品质量控制中的光谱分析技术前言随着化学品工业的不断发展,对化学品质量控制的需求也越来越高。
而光谱分析技术作为一种常用的分析方法,已经被广泛应用于化学品质量控制的各个环节中,能够为生产企业提供重要的分析信息,以保证产品质量。
一、UV-Vis吸收光谱UV-Vis吸收光谱是一种广泛应用的分析方法,可用于检测化学品中的有机分子、无机离子、金属离子等多种成分。
以有机物为例,当紫外或可见光通过有机物时,有机分子会吸收一部分光线,相应的吸收光谱图就可以反映出有机物的结构与数量。
对于有机溶剂、催化剂等化学品中可能存在的杂质,一般通过UV-Vis吸收光谱进行检测。
二、红外光谱红外光谱是一种非常灵敏的分析方法,已广泛应用于化学品质量控制中。
通过红外光谱,可以检测化学品中的官能团、杂质、纯度、结构等多种信息,并且具有快速分析、无需样品处理等优点。
红外光谱的应用范围很广,可用于检测催化剂、高分子材料、药品等各种化学品。
三、拉曼光谱拉曼光谱是一种现代物理学上常用的分析技术。
它是一种非常有用的分析方法,可用于检测有机物、无机物、材料等多种信息。
与其他光谱分析方法不同,拉曼光谱具有获取样品结构信息、不需要样品处理、操作简便等优点。
在化学品质量控制中,拉曼光谱可用于检测有机物、杂质等信息。
四、原子吸收光谱原子吸收光谱是一种检测化学品中金属元素含量的分析方法。
它的原理是利用金属元素的电子在电磁场的作用下发生跃迁,产生特定的吸收信号。
原子吸收光谱适用于多种材料的分析,广泛应用于化学品工业中的矿石分析、催化剂分析、电子材料分析等领域。
五、质谱分析质谱分析是一种高分辨率、高灵敏度的分析方法,具有非常广泛的应用领域。
化学品质量控制中,质谱分析一般用于检测化学品中的杂质、分子结构、组成等信息。
它的优点是可以快速、精确地测定分子量、分析化学成分、分离物种等。
结论光谱分析技术已经成为化学品质量控制中不可或缺的分析手段。
通过UV-Vis吸收光谱、红外光谱、拉曼光谱、原子吸收光谱、质谱分析等多种光谱分析方法,可以获取化学品中杂质、品质、组成、分子结构等多种信息,为生产企业提供重要的分析数据。
光谱分析检验方法解析光谱分析是一种常用的检验方法,通过测定物质所吸收或发射的特定波长的光线来分析物质的成分和性质。
它广泛应用于化学、生物、医学、环境科学等领域,因其准确性和高效性而备受青睐。
光谱分析的基本原理是物质分子与特定波长光线相互作用,产生吸收或发射现象。
通过分析光的强度和频率,可以得到物质的分子结构、化学成分、浓度等信息。
根据光的特征,光谱分析可以分为吸收光谱和发射光谱两种类型。
吸收光谱是指物质对特定波长的光线有选择性地吸收的现象。
当光通过物质时,会与物质分子相互作用,使光被吸收。
根据吸收光谱可以确定物质的分子结构和化学成分。
最常用的吸收光谱方法有紫外可见光谱和红外光谱。
紫外可见光谱是通过测定物质对紫外和可见光的吸收现象来分析物质的成分和浓度的一种方法。
它适用于无机和有机化合物的分析,常用于药物、化妆品、食品等领域。
红外光谱则是利用物质对红外光吸收的特性来分析物质的结构和成分。
它应用广泛,可用于有机化合物、聚合物、药物等的分析。
发射光谱是指物质在受到能量激发后发射特定波长的光线的现象。
通过分析发射光谱可以得到物质的化学成分和性质。
最常见的发射光谱方法是原子发射光谱和荧光光谱。
原子发射光谱是通过将物质样品加热或电激发,使其原子或离子处于高能级,然后测定其发射的特定波长的光线。
该方法可用于分析金属元素的含量和稳定同位素比值等。
荧光光谱则是通过物质在激发状态下吸收能量后再重新辐射出光线的现象。
它适用于有机化合物、生物分子的分析。
然而,光谱分析也存在一些限制。
首先,样品的预处理和制备对于光谱分析结果的准确性和灵敏度至关重要。
其次,仪器的质量和校准对于结果的准确性和可重复性也有极大的影响。
此外,光谱分析方法对样品的形态和结构有一定的要求,不适用于一些复杂的样品分析。
综上所述,光谱分析是一种准确、高效的检验方法,可用于物质成分和性质的分析。
吸收光谱和发射光谱是常用的光谱分析方法,可以应用于不同领域的化学、生物、医学等研究。
光谱分析方法光谱分析是一种通过分析物质吸收、发射或散射光的波长和强度来确定物质成分和结构的方法。
它是一种非常重要的分析技术,广泛应用于化学、生物、环境和材料等领域。
在光谱分析中,常用的方法包括紫外可见光谱、红外光谱、拉曼光谱、质谱等。
下面将分别介绍这些光谱分析方法的原理和应用。
紫外可见光谱是通过测量样品对紫外可见光的吸收来确定样品的成分和浓度。
紫外可见光谱广泛应用于有机化合物、药物、食品和环境监测等领域。
其原理是物质分子在吸收光能后,电子从基态跃迁到激发态,从而产生吸收峰。
根据吸收峰的位置和强度,可以确定物质的结构和浓度。
红外光谱是通过测量样品对红外光的吸收来确定样品的成分和结构。
红外光谱广泛应用于有机化合物、聚合物、药物和生物分子等领域。
其原理是物质分子在吸收红外光后,分子振动和转动产生特定的吸收峰。
根据吸收峰的位置和强度,可以确定物质的结构和功能基团。
拉曼光谱是通过测量样品对激光光的散射来确定样品的成分和结构。
拉曼光谱广泛应用于无机化合物、材料和生物分子等领域。
其原理是激光光与样品发生相互作用后,产生拉曼散射光,其频率和强度与样品的分子振动和转动有关。
根据拉曼光谱的特征峰,可以确定物质的结构和晶体形态。
质谱是通过测量样品离子的质量和丰度来确定样品的成分和结构。
质谱广泛应用于有机化合物、生物分子和环境样品等领域。
其原理是样品分子经过电离后,产生离子,经过质谱仪的分析,可以得到样品分子的质量和丰度信息。
根据质谱图谱的特征峰,可以确定物质的分子量和结构。
综上所述,光谱分析方法是一种非常重要的分析技术,它可以通过测量样品对光的吸收、发射或散射来确定样品的成分和结构。
不同的光谱分析方法具有不同的原理和应用领域,可以相互补充和验证,为科学研究和工程应用提供了重要的手段。
希望本文对光谱分析方法有所帮助,谢谢阅读!。
光谱分析的基本方法与实验光谱分析是一种重要的科学技术,用于研究物质的光谱特性,并通过对光的分析来获得关于物质的结构、成分、性质等信息。
本文将介绍光谱分析的基本方法与实验。
一、光谱分析的基本原理光谱分析是基于物质对不同波长或频率的光的吸收、发射、散射等现象进行分析的方法。
光谱分析主要包括吸收光谱、发射光谱和散射光谱三种。
1. 吸收光谱吸收光谱是通过测量物质对入射光的吸收来获得信息的一种光谱分析方法。
常见的吸收光谱有紫外可见吸收光谱、红外吸收光谱等。
实验中,可以使用分光光度计等仪器来进行吸收光谱分析。
2. 发射光谱发射光谱是通过测量物质在受激或加热时所发出的光的特性来获得信息的一种光谱分析方法。
常见的发射光谱有原子发射光谱、分子发射光谱等。
实验中,可以使用光谱仪等设备来进行发射光谱分析。
3. 散射光谱散射光谱是通过测量物质对入射光的散射行为来获得信息的一种光谱分析方法。
常见的散射光谱有拉曼光谱、散射光谱等。
实验中,可以使用拉曼光谱仪等装置进行散射光谱分析。
二、光谱分析的实验步骤在进行光谱分析实验时,需要经过以下几个基本步骤。
1. 样品制备根据具体需要,选择适当的样品,并进行制备。
样品的准备通常包括固体样品的研磨、溶液样品的稀释等操作。
2. 仪器调试根据实验需要,对光谱仪或其他设备进行调试和校准,以确保仪器的准确性和可靠性。
3. 光源选择根据需要选择适当的光源,如白炽灯、氢气灯、激光器等,并根据实验要求调节其光强和波长。
4. 光谱采集将样品置于光谱仪的传感器中,调节仪器使其对样品进行光谱采集。
在采集过程中,可以选择不同的波长或频率范围以获得所需的光谱信息。
5. 数据处理采集到的光谱数据经过处理,通常包括背景校正、噪声降低、平滑处理等,以提高数据的准确性和可读性。
6. 结果解读根据得到的光谱数据,进行结果的解读和分析。
通过比对标准光谱库、峰值分析等方法,确定样品的成分、结构等信息。
三、光谱分析的应用领域光谱分析技术在许多领域都有广泛的应用,包括但不限于以下几个方面。
第一章光谱分析的原理一、光谱和光谱分析1、光的本质光有粒子性,又有波动性,它的本质是粒子性的,波动性只是它的某些表现。
研究表明,光、电、磁现象密不可分,光、电、磁现象都是粒子运动时,受自然力作用影响,温度发生变化产生的不同效应。
它们都是我们可以观察到的物质结构间通过粒子运动传递能量现象,有着明显的共同性原理。
这三种现象是粒子流温度差异造成的,其中光效应是温度相对较高的粒子流,电效应次之,磁效应是温度相对较低的粒子流。
根据以上分析,光的本质又可称为是电磁波,根据电磁波波长范围不同,可分为通讯波、红外线、可见光、紫外线、X射线、γ射线和宇宙线等。
图1-1电磁波的波长范围2、光速、频率和波长光速:是光在真空中的传播速度;C=3×105m/s,C=λ·f,其中:λ为光的波长,f为光的频率。
光在真空中的传播速度是固定不变的。
3、光的色散光的颜色是由光波波长所决定的,一定波长的光线射到眼里就生成一定色的感觉。
可见光的波范围是:380—780nm。
白光是是由许多种波长的光按一定比例混合而成的,透过三棱镜可以呈现出红、橙、黄、绿、青、蓝、紫七种颜色组成的光谱。
其波长范围为:红640—780nm橙640—610nm黄610—530nm绿505—525nm蓝505—470nm紫470—380nm其中红光波长最长,紫光波长最短,中间各种色光由红到紫递减。
单色光:只有一种波长,不能再行分解的光叫做单色光;复色光:含有若干种波长成份的混合光就叫做复色光。
光的色散:复色光分解成单色光的现象,叫做光的色散。
光谱:由色散形成的光按一定次序排列的光带叫做“光谱”。
4、光谱的分类光谱又分为发射光谱、吸收光谱和荧光光谱。
发射光谱:因物质的原子、离子或分子由较高能态向较低能态或基态跃迁而产生的光谱,称为发射光谱。
由发光体所发出的光直接得到的光谱都是发射光谱。
吸收光谱:物质的原子、离子或分子将吸收与其内能变化相对应的频率而由低能态或基态过渡到较高的能态,这种因物质对辐射的选择性吸收而得到的原子或分子光谱,称为吸收光谱。
YS□□□□□□□□工程公司企业标准2006Q/YSI.659-光谱分析检验方法2006-XX-XX发布 2006-XX-XX实施□□□□□□□□工程公司标准化委员会布发Q/YS1.659—2006目次前言 (Ⅱ)1 范围 (1)2 引用文件 (1)3 术语和定义 (1)4 职责 (1)5 工作程序 (2)5.1 检测流程图 (2)5.2 接收《检验委托单》 (2)5.3 技术交底 (2)5.4 确认被检项目(部件) (3)5.5 检验准备 (3)5.6 分析步骤 (6)5.7 记录 (7)5.8 检验结果评判 (7)5.9 不合格品处理 (8)5.10 检验报告 (8)5.11 质量控制 (8)5.12 安全环境控制 (9)6 记录 (1)附录A (规范性附录)光谱分析检验流程图 (11)附录B (资料性附录)记录表样 (13)表B.金属028 光谱分析委托单 (14)表B.金属029 光谱分析不合格通知单 (15)表B金属030 光谱分析检验记录 (16)表B金属031 光谱分析检验报告 (17)2Q/YS1.659—2006前言本标准中附录表A为规范性附录。
B为资料性附录。
本标准中附录表本标准由金属检测中心提出。
本标准批准人:本标准归口部门:本标准审核人:本标准会审人:本标准起草单位:本标准起草人:本标准校对人:本标准于××××年×月首次发布。
更改记录页序号更改单编号更改条款及摘要更改人/日期备注说明:本表由文件持有人根据“文件更改审批通知单”及时填写。
3Q/YS1.659—2006光谱分析检验方法1 范围本方法适用于火力发电厂安装设备的高温高压管道和各类合金钢部件,以及它们的焊接接头、焊接材料(焊丝、焊条)的定性和半定量分析检验。
也适用于金属材料的分类检验。
2 引用标准下列标准中的条文通过本标准的引用而成为本标准的条文。
凡是注日期的引用文件,其随后所有的修改单(不包括勘误的内容)或修订版均不适用于本标准,凡是不注日期的引用文件,其最新版本适用于本标准。
光谱分析-质量控制方法讲义一、质量控制方法定义质量控制方法是保证产品质量并使产品质量不断提高的一种质量管理方法。
它通过研究、分析产品质量数据的分布,揭示质量差异的规律,找出影响质量差异的原因,采取技术组织措施,消除或控制产生次品或不合格品的因素,使产品在生产的全过程中每一个环节都能正常的、理想的进行,最终使产品能够达到人们需要所具备的自然属性和特性,即产品的适用性、可靠性及经济性。
二、历史沿革本方法是由美国贝尔电话研究所休哈特在1924年首先提出,后于1931年由他与同一研究所的道奇和罗米格两人一起研究进一步发展,成为创始人。
它有3个特点:一是运用数量统计方法;二是着重于对生产全过程中的质量控制;三是广泛运用各种质量数据图。
三、几种统计技术1、线性回归1.1基础介绍线性回归是利用数理统计中的回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法,运用十分广泛。
分析按照自变量和因变量之间的关系类型,可分为线性回归分析和非线性回归分析。
针对光谱分析,以前的讲义中讲过,分析试样的标准值和实测值是呈线性关系的。
这种线性关系明显,则表示光谱的分析数据正确度和精密度良好。
这里把这种线性关系解释一下,我们这里所说的线性关系是标准值和实测值的线性关系。
注意,只要分析数据准确标准值和实测值的线性关系是一定存在的。
而元素光强和元素的百分含量的关系是有本质区别的,元素光强和元素的百分含量有关系,可以是线性的也可以是非线性的,这根元素的特征有关系,不在赘述。
1.2软件线性回归示例Excel回归分析结果的详细阐释利用Excel的数据分析进行回归,可以得到一系列的统计参量。
下面以连续10年积雪深度和灌溉面积序列(图1)为例给予详细的说明。
图1 连续10年的最大积雪深度与灌溉面积(1971-1980)回归结果摘要(Summary Output)如下(图2):图2 利用数据分析工具得到的回归结果第一部分:回归统计表这一部分给出了相关系数、测定系数、校正测定系数、标准误差和样本数目如下(表1):表1 回归统计表逐行说明如下:Multiple 对应的数据是相关系数(correlation coefficient),即R=0.989416。
R Square 对应的数值为测定系数(determination coefficient),或称拟合优度(goodness of fit),它是相关系数的平方,即有R 2=0.9894162=0.978944。
Adjusted 对应的是校正测定系数(adjusted determination coefficient),计算公式为1)1)(1(12-----=m n R n R a式中n 为样本数,m 为变量数,R 2为测定系数。
对于本例,n =10,m =1,R 2=0.978944,代入上式得976312.01110)978944.01)(110(1=-----=a R标准误差(standard error )对应的即所谓标准误差,计算公式为SSe 11--=m n s这里SSe 为剩余平方和,可以从下面的方差分析表中读出,即有SSe=16.10676,代入上式可得418924.110676.16*11101=--=s最后一行的观测值对应的是样本数目,即有n =10。
第二部分,方差分析表方差分析部分包括自由度、误差平方和、均方差、F 值、P 值等(表2)。
表2 方差分析表(ANOVA )逐列、分行说明如下:第一列df 对应的是自由度(degree of freedom ),第一行是回归自由度dfr ,等于变量数目,即dfr=m ;第二行为残差自由度dfe ,等于样本数目减去变量数目再减1,即有dfe=n -m -1;第三行为总自由度dft ,等于样本数目减1,即有dft=n -1。
对于本例,m =1,n =10,因此,dfr=1,dfe=n -m -1=8,dft=n -1=9。
第二列SS 对应的是误差平方和,或称变差。
第一行为回归平方和或称回归变差SSr ,即有8542.748)ˆ(SSr 12=-=∑=ni i i y y它表征的是因变量的预测值对其平均值的总偏差。
第二行为剩余平方和(也称残差平方和)或称剩余变差SSe ,即有10676.16)ˆ(SSe 12=-=∑=ni i i yy 它表征的是因变量对其预测值的总偏差,这个数值越大,意味着拟合的效果越差。
上述的y的标准误差即由SSe 给出。
第三行为总平方和或称总变差SSt ,即有它表示的是因变量对其平均值的总偏差。
容易验证748.8542+16.10676=764.961,即有SSt SSe SSr =+而测定系数就是回归平方和在总平方和中所占的比重,即有978944.0961.7648542.748SSt SSr 2===R 显然这个数值越大,拟合的效果也就越好。
第四列MS 对应的是均方差,它是误差平方和除以相应的自由度得到的商。
第一行为回归均方差MSr ,即有8542.74818542.748dfr SSr MSr ===第二行为剩余均方差MSe ,即有013345.2810676.16dfe SSe MSe ===显然这个数值越小,拟合的效果也就越好。
第四列对应的是F 值,用于线性关系的判定。
对于一元线性回归,F 值的计算公式为22221dfe )1(11RR R m n R F -=---=式中R 2=0.978944,dfe=10-1-1=8,因此9453.371978944.01978944.0*8=-=F第五列Significance F 对应的是在显著性水平下的F α临界值,其实等于P 值,即弃真概率。
所谓“弃真概率”即模型为假的概率,显然1-P 便是模型为真的概率。
可见,P 值越小越好。
对于本例,P =0.0000000542<0.0001,故置信度达到99.99%以上。
第三部分,回归参数表回归参数表包括回归模型的截距、斜率及其有关的检验参数(表3)。
表3 回归参数表961.764)(SSt 12=-=∑=ni i i y y第一列Coefficients 对应的模型的回归系数,包括截距a =2.356437929和斜率b =1.812921065,由此可以建立回归模型i i x y8129.13564.2ˆ+= 或i i i x y ε++=8129.13564.2第二列为回归系数的标准误差(用a s ˆ或b s ˆ表示),误差值越小,表明参数的精确度越高。
这个参数较少使用,只是在一些特别的场合出现。
例如L. Benguigui 等人在When and where is a city fractal ?一文中将斜率对应的标准误差值作为分形演化的标准,建议采用0.04作为分维判定的统计指标(参见EPB2000)。
不常使用标准误差的原因在于:其统计信息已经包含在后述的t 检验中。
第三列t Stat 对应的是统计量t 值,用于对模型参数的检验,需要查表才能决定。
t 值是回归系数与其标准误差的比值,即有a a s a t ˆ=,b b sb t ˆ=根据表3中的数据容易算出:289167.1827876.1356438.2==a t ,28588.19094002.0812921.1==b t对于一元线性回归,t 值可用相关系数或测定系数计算,公式如下112---=m n RR t将R=0.989416、n =10、m =1代入上式得到28588.191110989416.01989416.02=---=t对于一元线性回归,F 值与t 值都与相关系数R 等价,因此,相关系数检验就已包含了这部分信息。
但是,对于多元线性回归,t 检验就不可缺省了。
第四列P value 对应的是参数的P 值(双侧)。
当P<0.05时,可以认为模型在α=0.05的水平上显著,或者置信度达到95%;当P <0.01时,可以认为模型在α=0.01的水平上显著,或者置信度达到99%;当P <0.001时,可以认为模型在α=0.001的水平上显著,或者置信度达到99.9%。
对于本例,P=0.0000000542<0.0001,故可认为在α=0.0001的水平上显著,或者置信度达到99.99%。
P 值检验与t 值检验是等价的,但P 值不用查表,显然要方便得多。
最后几列给出的回归系数以95%为置信区间的上限和下限。
可以看出,在α=0.05的显著水平上,截距的变化上限和下限为-1.85865和6.57153,即有57153.685865.1≤≤-a斜率的变化极限则为1.59615和2.02969,即有02969.259615.1≤≤b第四部分,残差输出结果这一部分为选择输出内容,如果在“回归”分析选项框中没有选中有关内容,则输出结果不会给出这部分结果。
残差输出中包括观测值序号(第一列,用i 表示),因变量的预测值(第二列,用i yˆ表示),残差(residuals ,第三列,用e i 表示)以及标准残差(表4)。
表4 残差输出结果预测值是用回归模型i i x y8129.13564.2ˆ+= 计算的结果,式中x i 即原始数据的中的自变量。
从图1可见,x 1=15.2,代入上式,得118129.13564.2ˆx y+=91284.292.15*8129.13564.2=+= 其余依此类推。
残差e i 的计算公式为i i i yy e ˆ-= 从图1可见,y 1=28.6,代入上式,得到31284.191284.296.28ˆ111-=-=-=yy e 其余依此类推。
标准残差即残差的数据标准化结果,借助均值命令average 和标准差命令stdev 容易验证,残差的算术平均值为0,标准差为1.337774。
利用求平均值命令standardize(残差的单元格范围,均值,标准差)立即算出表4中的结果。
当然,也可以利用数据标准化公式)var(*i i iz z z z -=ii zz σ-=逐一计算。
将残差平方再求和,便得到残差平方和即剩余平方和,即有10676.16)ˆ(1212=-==∑∑==ni i i n i i yy e SSe 利用Excel 的求平方和命令sumsq 容易验证上述结果。
以最大积雪深度x i 为自变量,以残差e i 为因变量,作散点图,可得残差图(图3)。
残差点列的分布越是没有趋势(没有规则,即越是随机),回归的结果就越是可靠。
用最大积雪深度x i 为自变量,用灌溉面积y i 及其预测值i yˆ为因变量,作散点图,可得线性拟合图(图4)。
图3 残差图图4 线性拟合图第五部分,概率输出结果在选项输出中,还有一个概率输出(Probability Output )表(表5)。