Как найти спектральный анализ

Спектральный анализ сигналов

Не так давно товарищ Makeman описывал, как с помощью спектрального анализа можно разложить некоторый звуковой сигнал на слагающие его ноты. Давайте немного абстрагируемся от звука и положим, что у нас есть некоторый оцифрованный сигнал, спектральный состав которого мы хотим определить, и достаточно точно.

Под катом краткий обзор метода выделения гармоник из произвольного сигнала с помощью цифрового гетеродинирования, и немного особой, Фурье-магии.

Итак, что имеем.
Файл с отсчетами оцифрованного сигнала. Известно, что сигнал представляет собой сумму синусоид со своими частотами, амплитудами и начальными фазами, и, возможно, белый шум.

Что будем делать.
Использовать спектральный анализ для того, чтобы определить:

• количество гармоник в составе сигнала, а для каждой: амплитуду, частоту (далее в контексте числа длин волн на длину сигнала), начальную фазу;
• наличие/отсутствие белого шума, а при наличии, его СКО (среднеквадратическое отклонение);
• наличие/отсутствие постоянной составляющей сигнала;
• всё это оформить в красивенький PDF отчёт с блэкджеком и иллюстрациями.

Будем решать данную задачу на Java.

Матчасть

Как я уже говорил, структура сигнала заведомо известна: это сумма синусоид и какая-то шумовая составляющая. Так сложилось, что для анализа периодических сигналов в инженерной практике широко используют мощный математический аппарат, именуемый в общем «Фурье-анализ». Давайте кратенько разберём, что же это за зверь такой.

Немного особой, Фурье-магии

Не так давно, в 19 веке, французский математик Жан Батист Жозеф Фурье показал, что любую функцию, удовлетворяющую некоторым условиям (непрерывность во времени, периодичность, удовлетворение условиям Дирихле) можно разложить в ряд, который в дальнейшем получил его имя — ряд Фурье.

В инженерной практике разложение периодических функций в ряд Фурье широко используется, например, в задачах теории цепей: несинусоидальное входное воздействие раскладывают на сумму синусоидальных и рассчитывают необходимые параметры цепей, например, по методу наложения.

Существует несколько возможных вариантов записи коэффициентов ряда Фурье, нам же лишь необходимо знать суть.
Разложение в ряд Фурье позволяет разложить непрерывную функцию в сумму других непрерывных функций. И в общем случае, ряд будет иметь бесконечное количество членов.

Дальнейшим усовершенствованием подхода Фурье является интегральное преобразование его же имени. Преобразование Фурье.
В отличие от ряда Фурье, преобразование Фурье раскладывает функцию не по дискретным частотам (набор частот ряда Фурье, по которым происходит разложение, вообще говоря, дискретный), а по непрерывным.
Давайте взглянем на то, как соотносятся коэффициенты ряда Фурье и результат преобразования Фурье, именуемый, собственно, спектром.
Небольшое отступление: спектр преобразования Фурье — в общем случае, функция комплексная, описывающая комплексные амплитуды соответствующих гармоник. Т.е., значения спектра — это комплексные числа, чьи модули являются амплитудами соответствующих частот, а аргументы — соответствующими начальными фазами. На практике, рассматривают отдельно амплитудный спектр и фазовый спектр.

Рис. 1. Соответствие ряда Фурье и преобразования Фурье на примере амплитудного спектра.

Легко видно, что коэффициенты ряда Фурье являются ни чем иным, как значениями преобразования Фурье в дискретные моменты времени.

Однако, преобразование Фурье сопоставляет непрерывной во времени, бесконечной функции другую, непрерывную по частоте, бесконечную функцию — спектр. Как быть, если у нас нет бесконечной во времени функции, а есть лишь какая-то записанная её дискретная во времени часть? Ответ на этот вопрос даёт дальнейшей развитие преобразования Фурье — дискретное преобразование Фурье (ДПФ).

Дискретное преобразование Фурье призвано решить проблему необходимости непрерывности и бесконечности во времени сигнала. По сути, мы полагаем, что вырезали какую-то часть бесконечного сигнала, а всю остальную временную область считаем этот сигнал нулевым.

Математически это означает, что, имея исследуемую бесконечную во времени функцию f(t), мы умножаем ее на некоторую оконную функцию w(t), которая обращается в ноль везде, кроме интересующего нас интервала времени.

Если «выходом» классического преобразования Фурье является спектр – функция, то «выходом» дискретного преобразования Фурье является дискретный спектр. И на вход тоже подаются отсчёты дискретного сигнала.

Остальные свойства преобразования Фурье не изменяются: о них можно прочитать в соответствующей литературе.

Нам же нужно лишь знать о Фурье-образе синусоидального сигнала, который мы и будем стараться отыскать в нашем спектре. В общем случае, это пара дельта-функций, симметричная относительно нулевой частоты в частотной области.

Рис. 2. Амплитудный спектр синусоидального сигнала.

Я уже упомянул, что, вообще говоря, мы рассматриваем не исходную функцию, а некоторое её произведение с оконной функцией. Тогда, если спектр исходной функции — F(w), а оконной W(w), то спектром произведения будет такая неприятная операция, как свёртка этих двух спектров (F*W)(w) (Теорема о свёртке).

На практике это означает, что вместо дельта-функции, в спектре мы увидим что-то вроде этого:

Рис. 3. Эффект растекания спектра.

Этот эффект именуют также растеканием спектра (англ. spectral leekage). А шумы, появляющиеся вследствие растекания спектра, соответственно, боковыми лепестками (англ. sidelobes).
Для борьбы с боковыми лепестками применяют другие, непрямоугольные оконные функции. Основной характеристикой «эффективности» оконной функции является уровень боковых лепестков (дБ). Сводная таблица уровней боковых лепестков для некоторых часто используемых оконных функций приведена ниже.

Основной проблемой в нашей задаче является то, что боковые лепестки могут маскировать другие гармоники, лежащие рядом.

Рис. 4. Отдельные спектры гармоник.

Видно, что при сложении приведённых спектров, более слабые гармоники как бы растворятся в более сильной.

Рис. 5. Чётко видна лишь одна гармоника. Нехорошо.

Другой подход к борьбе с растеканием спектра состоит в вычитании из сигнала гармоник, создающих это самое растекание.
То есть, установив амплитуду, частоту и начальную фазу гармоники, можно вычесть её из сигнала, при этом мы уберём и «дельта-функцию», соответствующую ей, а вместе с ней и боковые лепестки, порождаемые ей. Другой вопрос состоит в том, как же точно узнать параметры нужной гармоники. Недостаточно просто взять нужные данные из комплексной амплитуды. Комплексные амплитуды спектра сформированы по целым частотам, однако, ничто не мешает гармонике иметь и дробную частоту. В этом случае, комплексная амплитуда как бы расплывается между двумя соседними частотами, и точную её частоту, как и другие параметры, установить нельзя.

Для установления точной частоты и комплексной амплитуды нужной гармоники, мы воспользуемся приёмом, широко применяемым во многих отраслях инженерной практики – гетеродинирование.

Посмотрим, что получится, если умножить входной сигнал на комплексную гармонику Exp(I*w*t). Спектр сигнала сдвинется на величину w вправо.
Этим свойством мы и воспользуемся, сдвигая спектр нашего сигнала вправо, до тех пор, пока гармоника не станет ещё больше напоминать дельта-функцию (то есть, пока некоторое локальное отношение сигнал/шум не достигнет максимума). Тогда мы и сможем вычислить точную частоту нужной гармоники, как w₀ – w_гет, и вычесть её из исходного сигнала для подавления эффекта растекания спектра.
Иллюстрация изменения спектра в зависимости от частоты гетеродина показана ниже.

Рис. 6. Вид амплитудного спектра в зависимости от частоты гетеродина.

Будем повторять описанные процедуры до тех пор, пока не вырежем все присутствующие гармоники, и спектр не будет напоминать нам спектр белого шума.

Затем, надо оценить СКО белого шума. Хитростей здесь нет: можно просто воспользоваться формулой для вычисления СКО:

Автоматизируй это

Пришло время для автоматизации выделения гармоник. Повторим ещё разочек алгоритм:

1. Ищем глобальный пик амплитудного спектра, выше некоторого порога k.
1.1 Если не нашли, заканчиваем
2. Варируя частоту гетеродина, ищем такое значение частоты, при которой будет достигаться максимум некоторого локального отношения сигнал/шум в некоторой окрестности пика
3. При необходимости, округляем значения амплитуды и фазы.
4. Вычитаем из сигнала гармонику с найденной частотой, амплитудой и фазой за вычетом частоты гетеродина.
5. Переходим к пункту 1.

Алгоритм не сложный, и единственный возникающий вопрос — откуда же брать значения порога, выше которого будем искать гармоники?
Для ответа на этот вопрос, следует оценить уровень шума еще до вырезания гармоник.

Построим функцию распределения (привет, мат. cтатистика), где по оси абсцисс будет амплитуда гармоник, а по оси ординат — количество гармоник, не превышающих по амплитуде это самое значение аргумента. Пример такой построенной функции:

Рис. 7. Функция распределения гармоник.

Теперь построим еще и функцию — плотность распределения. Т.е., значения конечных разностей от функции распределения.

Рис. 8. Плотность функции распределения гармоник.

Абсцисса максимума плотности распределения и является амплитудой гармоники, встречающейся в спектре наибольшее число раз. Отойдем от пика вправо на некоторое расстояние, и будем считать абсциссу этой точки оценкой уровня шума в нашем спектре. Вот теперь можно и автоматизировать.

public ArrayList<SynthesizableSignal> detectHarmonics() {
    SignalCutter cutter = new SignalCutter(source, new Signal(source));
    SynthesizableComplexExponent heterodinParameter = new SynthesizableComplexExponent();
    heterodinParameter.setProperty("frequency", 0.0);
    Signal heterodin = new Signal(source.getLength());
    Signal heterodinedSignal = new Signal(cutter.getCurrentSignal());
    Spectrum spectrum = new Spectrum(heterodinedSignal);
    int harmonic;
    while ((harmonic = spectrum.detectStrongPeak(min)) != -1) {
        if (cutter.getCuttersCount() > 10)
            throw new RuntimeException("Unable to analyze signal! Try another parameters.");
        double heterodinSelected = 0.0;
        double signalToNoise = spectrum.getRealAmplitude(harmonic) / spectrum.getAverageAmplitudeIn(harmonic, windowSize);
        for (double heterodinFrequency = -0.5; heterodinFrequency < (0.5 + heterodinAccuracy); heterodinFrequency += heterodinAccuracy) {
            heterodinParameter.setProperty("frequency", heterodinFrequency);
            heterodinParameter.synthesizeIn(heterodin);
            heterodinedSignal.set(cutter.getCurrentSignal()).multiply(heterodin);
            spectrum.recalc();
            double newSignalToNoise = spectrum.getRealAmplitude(harmonic) / spectrum.getAverageAmplitudeIn(harmonic, windowSize);
            if (newSignalToNoise > signalToNoise) {
                signalToNoise = newSignalToNoise;
                heterodinSelected = heterodinFrequency;
            }
        }
        SynthesizableCosine parameter = new SynthesizableCosine();
        heterodinParameter.setProperty("frequency", heterodinSelected);
        heterodinParameter.synthesizeIn(heterodin);
        heterodinedSignal.set(cutter.getCurrentSignal()).multiply(heterodin);
        spectrum.recalc();
        parameter.setProperty("amplitude", MathHelper.adaptiveRound(spectrum.getRealAmplitude(harmonic)));
        parameter.setProperty("frequency", harmonic - heterodinSelected);
        parameter.setProperty("phase", MathHelper.round(spectrum.getPhase(harmonic), 1));
        cutter.addSignal(parameter);
        cutter.cutNext();
        heterodinedSignal.set(cutter.getCurrentSignal());
        spectrum.recalc();
    }
    return cutter.getSignalsParameters();
}

Практическая часть

Я не претендую на звание эксперта Java, и представленное решение может быть сомнительным как по части производительности и потреблению памяти, так и в целом философии Java и философии ООП, как бы я ни старался сделать его лучше. Написано было за пару вечеров, как proof of concept. Желающие могут ознакомиться с исходным кодом на GitHub.

Единственной сложностью стала генерация PDF отчёта по результатам анализа: PDFbox ну никак не хотел работать с кириллицей. К слову, не хочет и сейчас.

В проекте использовались библиотеки:
JFreeChart – отображение графиков
PDFBox – построение отчёта
JLatexMath – рендер Latex формул

В итоге, получилась довольно массивная программа (13.6 мегабайт), удобно реализующая поставленную задачу.

Есть возможность как вырезать гармоники вручную, так и доверить эту задачу алгоритму.

Всем спасибо за внимание!

Пример отчёта, создаваемого программой.

Литература

Сергиенко А. Б. — Цифровая обработка сигналов

Текущая версия страницы пока не проверялась опытными участниками и может значительно отличаться от версии, проверенной 16 января 2023 года; проверки требуют 2 правки.

Спектральный анализ — совокупность методов качественного и количественного определения состава объекта, основанная на изучении спектров взаимодействия материи с излучением, включая спектры электромагнитного излучения, акустических волн, распределения по массам и энергиям элементарных частиц и др^[1].

В зависимости от целей анализа и типов спектров выделяют несколько методов спектрального анализа. Атомный и молекулярный спектральные анализы позволяют определять элементарный и молекулярный состав вещества, соответственно, в эмиссионном и абсорбционном методах состав определяется по спектрам испускания и поглощения.

Масс-спектрометрический анализ осуществляется по спектрам масс атомарных или молекулярных ионов и позволяет определять изотопный состав объекта.

История[править | править код]

Тёмные линии на спектральных полосках были замечены давно (например, их отметил Волластон), но первое серьёзное исследование этих линий было предпринято только в 1814 году Йозефом Фраунгофером. В его честь эффект получил название «Фраунгоферовы линии». Фраунгофер установил стабильность положения линий, составил их таблицу (всего он насчитал 574 линии), присвоил каждой буквенно-цифровой код. Не менее важным стало его заключение, что линии не связаны ни с оптическим материалом, ни с земной атмосферой, но являются природной характеристикой солнечного света. Аналогичные линии он обнаружил у искусственных источников света, а также в спектрах Венеры и Сириуса.

Вскоре выяснилось, что одна из самых отчётливых линий всегда появляется в присутствии натрия. В 1859 году Г. Кирхгоф и Р. Бунзен после серии экспериментов заключили: каждый химический элемент имеет свой неповторимый линейчатый спектр, и по спектру небесных светил можно сделать выводы о составе их вещества. С этого момента в науке появился спектральный анализ, мощный метод дистанционного определения химического состава.

Для проверки метода в 1868 году Парижская академия наук организовала экспедицию в Индию, где предстояло полное солнечное затмение. Там учёные обнаружили: все тёмные линии в момент затмения, когда спектр излучения сменил спектр поглощения солнечной короны, стали, как и было предсказано, яркими на тёмном фоне.

Природа каждой из линий, их связь с химическими элементами выяснялись постепенно. В 1860 году Кирхгоф и Бунзен при помощи спектрального анализа открыли цезий, а в 1861 году — рубидий. Также в 1861 Уильям Крукс при помощи спектрального анализа открыл таллий. А гелий был открыт на Солнце на 27 лет ранее, чем на Земле (1868 и 1895 годы, соответственно).

В 1933 году в Ленинградском институте исторической технологии впервые Денисов Артем Юрьевич применил спектральный анализ к древним металлическим изделиям.^[2]

Принцип работы[править | править код]

Атомы каждого химического элемента имеют строго определённые резонансные частоты, в результате чего именно на этих частотах они излучают или поглощают свет.

Темные линии появляются, когда электроны, находящиеся на нижних энергетических уровнях атома, под воздействием излучения от источника света одномоментно поднимаются на более высокий уровень, поглощая при этом световые волны определённой длины, и сразу после этого падают обратно на прежний уровень, излучая волны этой же длины обратно — но так как это излучение рассеивается равномерно во всех направлениях, в отличие от направленного излучения от начального источника, на спектрограмме на спектрах видны тёмные линии в месте/местах, соответствующих данной длине/длинам волн. Эти длины волн различаются для каждого вещества и определяются разницей в энергии между электронными энергетическими уровнями в атомах этого вещества.

Количество таких линий для конкретного вещества равно количеству возможных сингулярных вариантов переходов электронов между энергетическими уровнями; например, если в атомах конкретного вещества электроны расположены на двух уровнях, возможен лишь один вариант перехода — с внутреннего уровня на внешний (и обратно), и на спектрограмме для данного вещества будет одна тёмная линия. Если электронных энергетических уровней три, то возможных вариантов перехода уже три (1-2, 2-3, 1-3), и тёмных линий на спектрограмме будет тоже три.

Интенсивность линий зависит от количества вещества и его состояния. В количественном спектральном анализе определяют содержание исследуемого вещества по относительной или абсолютной интенсивностям линий или полос в спектрах.

Оптический спектральный анализ характеризуется относительной простотой выполнения, отсутствием сложной подготовки проб к анализу, незначительным количеством вещества, необходимого для анализа (в пределах 10—30 мг).

Атомарные спектры (поглощения или испускания) получают переведением вещества в парообразное состояние путём нагревания пробы до 1000—10000 °C. В качестве источников возбуждения атомов при эмиссионном анализе токопроводящих материалов применяют искру, дугу переменного тока; при этом пробу помещают в кратер одного из угольных электродов. Для анализа растворов широко используют пламя или плазму различных газов.

Применение[править | править код]

В последнее время наибольшее распространение получили эмиссионные и масс-спектрометрические методы спектрального анализа, основанные на возбуждении атомов и их ионизации в аргоновой плазме индукционных разрядов, а также в лазерной искре.

Спектральный анализ — чувствительный метод и широко применяется в аналитической химии, астрофизике, металлургии, машиностроении, геологической разведке, археологии и других отраслях науки.

В теории обработки сигналов, спектральный анализ означает анализ распределения энергии сигнала (например, звукового) по частотам, волновым числам и т. п.

См. также[править | править код]

• Спектроскопия
• Преобразование Фурье
• Корреляция

Примечания[править | править код]

Литература[править | править код]

• Собельман, И. И. Введение в теорию атомных спектров. — М., Наука, 1977. — 320 c.

Ссылки[править | править код]

• Spectroscopy links в каталоге ссылок Curlie (dmoz)
• Amateur spectroscopy links в каталоге ссылок Curlie (dmoz)
• База данных спектров всех химических элементов (таблицы)
• MIT Spectroscopy Lab’s History of Spectroscopy
• Timeline of Spectroscopy
• NIST government spectroscopy data.

Для того, чтобы узнать химический состав вещества, можно использовать самые различные способы и методики. Одной из самых популярных методик сегодня является метод спектрального анализа или спектроскопия.

По названию, вроде как, уже понятно, что речь должна пойти про работу со спектрами. Но не совсем ясно, как можно соотнести химический состав и эти самые спектры.

Вспоминаем понятие “Спектр”

Когда мы рассматривали природу формирования цвета предметов, то обозначили, что цвет любого объекта является результатом отражения от него пучков определённой длины волны.

Длина волны и формирует в нашем мозгу восприятие соответствующего цвета. Ну а если пропустить белый цвет через трехгранную прозрачную призму, то мы получим радугу. Этот фокус придумал ещё Ньютон и тем самым доказал, что белый цвет – это результат воздействия суммы всех монохроматических излучений.

Радужная картинка, получаемая в результате прохождения белого света (вспомните, что такое свет с точки зрения физики) через призму и есть спектр. Радуга – это тоже спектр. Ну а вообще – спектр есть просто распределение значений физической величины.

Как собственно применить понятие спектра для идентификации вещества? Физический принцип работы

При использовании спектрального анализа используется ключевой термин “спектр“. Это название общего типа понятия, на котором и базируется вся методика.

Если разложить белый цвет на спектр, то получим радугу. Белый цвет содержит 7 излучений, входящих в его состав. Если же разложить не белый цвет, а другое излучение, то и вместо радуги мы получим другой вариант спектра.

Известно, что каждый химический элемент испускает и поглощает характерный только для него световой спектр.

Раскладывать поток излучения можно или призмой, или дифракционной решеткой. Это уже не столь важно. Важна логика работы. Ну и тут не сложно догадаться, что у разных химических элементов эти спектры будут разными, потому что они излучают разные типа излучений.

Под спектральными наблюдениями понимают обычно наблюдения в интервале от инфракрасных до ультрафиолетовых лучей.

Но как тут заставить материал “светиться”? Ведь в обычном состоянии тот же металлический нож, вроде как, и не светится.

Варианты активации веществ для наблюдения спектра

Наибольшее распространение сегодня имеют два разных принципиальных подхода к активации химических элементов. Первый основан на эмиссии (испускании), а второй на абсорбции (поглощении).

Для того, чтобы исследуемое вещество начало что-то испускать и происходила эмиссия, его можно, как вариант, нагреть! Нагревать можно самыми разными способами. Молекулы разделяются на атомы, а атомы, получившие избыточную энергию, излучают её в виде света. Само собой, у каждого атома “свой свет”, разложение которого даст свой спектр.

Из этого положения следует, что одним из главных ограничений метода является невозможность выявлять молекулярный состав. Только химический анализ атомарного типа. В результате эксперимента мы увидим, что в теле есть, скажем, Na и Cl. Но какая там молекула или фаза из них срастется мы можем только предполагать.

Следующий вариант – это наоборот облучать чем-то исследуемое вещество. Так работает абсорбционная логика эксперимента. Атомы облучаются внешним источником излучения. Некоторая часть поглощается атомами вещества, а некоторая отражается обратно. По соотношению поглощения и отражения делается вывод о химическом составе.

Как разобраться во всем этом винегрете?

Но как понять, какой именно элемент что испускает? Ведь происходит излучение целого светового потока. Из него нужно как-то вычленить, что есть в составе такой-то химический элемент и такой-то.

Световой поток суммируется от всех присутствующих в пробе веществ. Но на помощь приходит обстоятельство, что для каждого конкретного химического элемента были уже когда-то зарегистрированы характерные спектры. Значит, остается найти лишь характерные группы спектров в этой общей каше.

С учетом того, что сегодня компьютер анализирует получаемые спектры, это всё совсем просто. Сами спектральные аппараты служат разделительным элементом системы спектроскопии. Они и выявляют чего и сколько.

Как понять какое количество элемента содержится в химическом составе?

Тут тоже всё довольно логично. Чем ярче светится, тем больше элемента. Есть экспериментальные данные, которые выявлены для чистых веществ и распределение интенсивностей позволяет сделать в итоге не только выводы о химическом составе, но и о процентном содержании каждого элемента в общей массе.

Спектральный анализ в изучении космоса

Нехитрая на первый взгляд методика позволила получить невероятные результаты в изучении космических пространств.

Так, стало возможно определить элементный состав солнца или любого другого светила, исходя из разложения на спектры его излучения. Ведь тело это само по себе уже горячее и частички там активированы.

Значит, остается просто их зарегистрировать по факту и сделать выводы. Соответственно, подобный подход позволяет найти хим.состав.

Аналогичным образом можно применить и абсорбционные методы, исходя из описанных выше положений.

Остались вопросы или нужна консультация?

Школа Инженерных знаний Юрия Трифонова

————

Понравилась статья? Обязательно оцените её лайком и подпишитесь на проект! Ведь алгоритмы дзена преимущественно продвигают другие тематики 🙁

————-

Советую также прочитать на нашем канале:

—–

Смотрите нас на YouTube и присоединяйтесь к нашему Телеграм!

Со дня открытия «спектрального анализа» вокруг этого термина велось много споров. Сначала физический принцип спектрального анализа подразумевал метод идентификации элементарного состава пробы по наблюдаемому спектру, который возбуждался в каком-нибудь высокотемпературном источнике пламени, искре или дуге.

В дальнейшем под спектральным анализом стали понимать другие методы аналитического изучения и возбуждения спектров:

• методы комбинационного рассеяния,
• методы поглощения и люминесценции.

В конце концов, были открыты рентгеновские и гамма спектры. Поэтому правильно, говоря о спектральном анализе, подразумевать совокупность всех существующих методов. Однако чаще явление идентификации по спектрам используют, понимая эмиссионные методы. 

Способы классификации

Еще один вариант классификации – это разделение на молекулярные (определение молекулярного состава пробы) и элементарные (определение атомарного состава) исследования спектров.

Молекулярный метод основан на изучении спектров поглощения, комбинационного рассеяния и люминесценции; атомарный состав определяется по спектрам возбуждения в горячих источниках (молекулы в основном разрушаются) либо по данным рентгеноспектральных исследований. Но такая классификация не может быть строгой, потому что иногда оба эти метода совпадают.

Классификация методов спектрального анализа

Отталкиваясь от задач, которые решаются вышеописанными методами, изучение по спектрам делят на методы, применяемые для исследования сплавов, газов, руд и минералов, готовых изделий, чистых металлов и т.д. Каждый изучаемый объект обладает своими характерными особенностями и стандартами.    Два основных направления анализа спектров:

1. Качественный
2. Количественный

Что изучается при их проведении, рассмотрим далее.

Качественный спектральный анализ

Качественный анализ служит для того, чтобы определить из каких элементов состоит анализируемый образец. Необходимо получить спектр пробы, возбужденный в каком-либо источнике, и по обнаруженным спектральным линиям определить каким элементам они принадлежат. Так станет понятно, из чего состоит образец. Сложность качественного анализа – это большое количество спектральных линий на аналитической спектрограмме, расшифровка и идентификация которых слишком трудоемка и не точна.

Количественный спектральный анализ

Метод количественного спектрального анализа основан на том, что интенсивность аналитической линии увеличивается с возрастанием содержания определяемого элемента в пробе. Эта зависимость строится на основе множества факторов, которые сложно численно рассчитать. Поэтому теоретически установить связь между интенсивностью линии и концентрацией элемента практически невозможно.

Поэтому проводятся относительные измерения интенсивностей одной и той же спектральной линии при изменении концентрации определяемого элемента. Так, при неизменности условий возбуждения и регистрации спектров, измеряемая энергия излучения пропорциональна интенсивности. Измерение этой энергии (либо зависящей от нее величины) дает нужную нам эмпирическую связь между измеряемой величиной и концентрацией элемента в пробе.

Скачать материал

без ожидания

Скачать материал

без ожидания