專利名稱：：有機聚合物溶液濃度的檢測方法
技術領域：
：本發明涉及拉曼光譜檢測領域，尤其涉及一種拉曼光譜對有機聚合物溶液濃度的檢測方法。
背景技術：
：目前可用于檢測有機聚合物溶液濃度的方法包括比重法、旋光法、分光光度法、超聲波法和折射率法等。比重法雖然測量精度較高，但需要分析天平稱量多次，過于繁瑣，不適宜于快速檢測或在線監控；旋光法是檢測偏振光光強的變化規律，需要不同成分具有不同的旋光性，應用范圍受到極大地限制，同時，旋光法還存在測量精度不高的問題；分光光度法是檢測透光率，靈敏度也不夠高。中國專利CN1062416提出利用超聲波檢測液體濃度，但當體系中存在氣泡或其他雜質時，會對檢測結果產生影響；中國專利申請CN101216422提出的通過檢測溶液折射率來檢測溶液濃度的方法具有很高的檢測精度，但是檢測儀器只能置于待測溶液外部，限制了其在管道測量中的應用。拉曼散射，又稱4立曼效應，是光通過介質時由于入射光與分子運動相互作用而引起的頻率發生變化的散射。目前，拉曼光譜儀主要可以分為兩類傅里葉拉曼儀和激光拉曼儀。傅里葉拉曼光譜借助Nd:YAG激光器(人-1064nm)來激發，具有近紅外線系統的干涉儀用于檢測拉曼輻射，借助于陷波濾波器來抑制非波長偏移的瑞利輻射。激光拉曼光譜儀，又可稱為分散型拉曼光譜儀，可應用不同類型的激光器激發拉曼輻射，比較常見的類型包括He:Ne激光器(X=632nm)和半導體激光器(X=785nm)，通過使用格柵和CCD檢測器來進行光譜衰變和檢測，瑞利散射輻射是借助于陷波濾波器來阻斷。發展能夠快速、準確檢測有機聚合物溶液濃度的拉曼光譜檢測方法，能夠實現對涉及有機聚合物溶液的生產、改性、運輸和回收過程實現溶液濃度的快速檢測和實時監控，對降低生產成本，提高產品質量都有極大的好處。
發明內容本發明提供了一種利用拉曼光譜與多元數據處理方法相結合對有機聚合物溶液濃度進行檢測的方法，該方法快速、準確，有效地解決了現有技術存在的局限，對實現涉及有機聚合物溶液的生產、改性、運輸和回收過程的快速檢測和實時監控具有重要意義。本發明所提出的有機聚合物溶液濃度的檢測方法，包括如下步驟(1)獲得已知濃度有機聚合物溶液的拉曼光譜并進行預處理；(2)通過多元數據處理方法得到預處理后的有機聚合物溶液拉曼光譜與濃度的預測模型；(3)獲得待測有機聚合物溶液的樣品的拉曼光譜并進行預處理；(4)將預處理后的拉曼光語輸入預測模型來計算有機聚合物溶液的濃度。所述的有機聚合物包括聚乙烯、聚丙烯、聚苯乙烯和聚氯乙烯等聚合物，其中特別適用于含有特殊官能團(如苯基等)的有機聚合物，如聚苯乙烯、聚氯乙烯。根據本發明所提出的檢測方法，有機聚合物溶液濃度的檢測在傅里葉拉曼光譜儀和激光拉曼光譜儀上均可實現。通過拉曼光譜儀獲取溶液拉曼光譜時，可采用浸入式測量或非浸入式測量。其中浸入式測量是指將拉曼探頭等設備插入到溶液中，獲得拉曼光鐠，浸入式測量無需專門采樣，可以實現在線檢測。非浸入式測量是指溶液與拉曼光譜儀或拉曼探頭不直接接觸，而是通過透射獲得拉曼光譜，例如通過拉曼光譜儀檢測樣品池中的溶液就屬于非浸入式測量的一種。根據本發明所提出的^r測方法，有機聚合物溶液樣品的拉曼光譜可以通過浸入式測量也可以通過非浸入式測量獲得。目前，激光拉曼光譜的最高分辨率為35cm—1，傅里葉拉曼的最高分辨率可以達到0.51cm"。根據本發明所提出的有機聚合物溶液濃度的檢測方法，通過拉曼光語儀獲取有機聚合物溶液拉曼光譜時，設置拉曼光譜儀的分辨率為0.510cm"為宜。當設置最高分辨率為0.5cm"時，可以提高檢測結果的準確性；當設置最高分辨率為10cm"時，檢測結果的準確性有所下降，但;險測時間卻大大縮短；當設置最高分辨率高于10cm"時，拉曼光譜中一些有用信息會被掩蓋，對檢測結果產生一定影響。一般而言，掃描和分析檢測物質拉曼光譜時，選用的拉曼光譜范圍為0-3600cm"。但各不同的基團或化學鍵都存在一個或幾個對應的特征波數范圍，例如C-O和C-C1對應的特征波數范圍分別為1680-1820cm"和330~800cm"。若對待測物的化學結構和組成有一定的了解，則可以通過縮小掃描和分析范圍，提高檢測結果準確性，減少掃描和分析時間。根據本發明所提出的檢測方法，可以根據有機聚合物溶液體系的性質，選擇拉曼光譜的掃描和分析范圍(0~3600cm"的全部或部分)。根據本發明所提出的有機聚合物溶液濃度的檢測方法，其中對拉曼光譜信號的預處理包括平滑、扣減、微分、歸一化、標準化、多元散射校正、分段多元散射校正、標準正態變量變換、去趨勢、傅立葉變換、正交信號校正、小波變換和凈分析信號中的一種或多種。以上預處理方法均為拉曼光譜的常見預處理方法。平滑可以提高分析信號的信噪比，最常用的方法是窗口移動多項式最小二乘平滑。扣減是選擇一吸收波長，將其吸收值對所有波長處的吸收值進行扣除，一般用于消除背景影響。微分可以消除基線漂移、強化譜帶特征、克服譜帶重疊，是常用的光譜預處理方法，一階微分可以去除同波長無關的漂移，二階微分可以取出同波長線性相關的漂移。多元散射校正通過數學方法將光譜中的散射光信號與化學吸收信息進行分離，它可以去除光譜中樣品的鏡面反射及不均勻性造成的噪聲，消除基線的不重復性。分段多元散射校正是對多元散射校正的進一步優化，它能消除全波長范圍內單體光譜和平均光譜的非線性散射。標準正態變量變換主要用于消除固體顆粒大小、表面散射以及光程變化對光譜的影響。去趨勢算法通常用于標準正態變量變換處理后的光譜，用來消除漫反射光譜的基線漂移。傅里葉變換能夠實現譜域函數與時域函數之間的轉換，其實質是把原光譜分解成許多不同頻率的正弦波的疊加和，它可以用來對光譜進行平滑去噪、數據壓縮以及信息的提取。正交信號校正是在建立定量校正模型前，將光譜陣用濃度陣正交，濾除光譜與濃度陣無關的信號，再進行多元校正，達到簡化模型及提高模型預測能力的目的。小波變換能將化學信號根據頻率的不同分解成多種尺度成分，并對大小不同的尺度成分采取相應粗細的取樣步長，從而能夠聚焦于信號中的任何部分。凈分析信號算法的基本思想與正交信號校正基本相同，都是通過正交投影除去光譜陣中與待測組分無關的信息。根據本發明所提出的有機聚合物溶液濃度的檢測方法，其中獲得預測模型所采用的多元翁:據處理方法為主成分回歸法、偏最小二乘法或人工神經網絡法。解，然后選取其中的主成分來進行多元線性回歸分析。主成分分析的中心目的是將數據降維，將原來變量進行轉換，使少數幾個新變量是原變量的線性組合，同時，這些變量要盡可能多地表征原變量的數據特征而不丟失信息。經轉換得到的新變量是相互正交的，即互不相關，以消除眾多信息共存中相互重疊的信息部分。設義("xA;)為標定樣本拉曼光譜矩陣，由w個樣本，A個波長組成。主成分分析將X分解為A:個向量的外積之和，即%=W+M〖+W+.."X式中s為得分向量(ScoreVector),戶為載荷向量(LoadingsVector),每個得分向量實際上是矩陣Z在其對應載荷向量方向上的投影。得分向量的長度反映了矩陣X在對應載荷向量方向上的覆蓋程度，反映了樣本與樣本之間的相互關系。主成分分析的計算采用Wold提出的非線性迭代偏最小二乘法(NIPALS)，以下為NIPALS方法的算式，其流程圖見圖2:1)取I中某列矢量x為s的起始值s=jc;2)計算/3)將/歸一化，/=//||川|;4)計算s,p^///;5)比較新的s與舊的■，看是否滿足收斂條件。若滿足收斂條件，繼續步驟6)，否則跳回步驟2);6)若已完成計算所需要的主成分，則停止計算，否則計算殘差陣五，￡=1-^;/;7)用五代替；r，返回步驟l)，求下一個主成分。從概率統計觀點可知，一個隨機變量的方差越大，該隨機變量包含的信息越多；如果一個變量的方差為零時，該變量為一常數，不含任何信息。當矩陣Z中的變量間存在一定程度的線性相關時，％的變化將主要體現在最前面幾個載荷向量方向上，Z在最后面幾個載荷向量上的"t殳影很小，可以認為它們主要是由于測量噪音引起的。在主成分回歸中，確定參與回歸多的最佳主成分數尤為重要。如果選取的主成分得分項數太少，將會丟失原始光譜較多的有用信息，擬合不充分；如果選取的主成分得分項數太多，會將測量噪音過多地包括進來，出現過度擬合現象，所建模型的預測誤差會顯著增大。因此，在選擇主成分得分用于擬合有機聚合物濃度預測模型時，通常選用l-5個主成分得分項，這樣既能提取與濃度相關的信號，除去測量噪音，又能降低運算次數，提高運算速率。用矩陣X主成分分析得到的主成分得分項S與已知有機聚合物溶液濃度y進行多元線性回歸，便得到了主成分回歸模型其中5的最小二乘解為對于待測樣品的光譜x，經預處理后，首先由主成分分析得到的載荷矩陣，求取其得分向量^=xP。然后，通過主成分回歸模型得到的結果乂=氛在主成分回歸法中，只對光譜矩陣X進行分解，消除無用的噪音信息。同樣，濃度矩陣y也包含有無用信息，應對其作同樣的處理，且在分解光譜矩陣I時應考慮濃度矩陣r的影響。偏最小二乘法就是基于以上實現提出的多元回歸方法。偏最小二乘法首先對光譜矩陣Z和濃度矩陣r進行分解，其模型為式中s和t/分別為x和r矩陣的得分矩陣；p和g分別為x和y矩陣的載荷矩陣；五和F分別為Z和y矩陣的偏最小二乘法擬合殘差矩陣。接下來，偏最小二乘法將S和t/作線性回歸5=(SrS)-W在預測時，首先根據戶求出預處理后的待測樣品的光譜^《"尋分S抽，然后由下式得到濃度預測值7y未知=8未知_5。在實際的偏最小二乘法回歸中，矩陣分解與回歸是并為一步實現的，即義和y矩陣的分解同時進行，并且將y的信息引入到x的矩陣分解過程中，在每計算一個新主成分前，將I的得分S與y的得分t/進行交換，使得i的主成分直接與y關聯。這就克服了主成分回歸法只對；r進行分解的缺點。同時，區別于主成分回歸法，偏最小二乘法還可以根據不同的待測組分選取最佳的主成分數。一般偏最小二乘法選用1~5個偏最小二乘組分。人工神經網絡法是近些年發展起來的數學處理方法，它模仿人腦神經的活動力圖建立腦神經活動的數學模型，即把對信息的存儲和計算同時儲存在神經單元中，所以在一定程度上神經網絡可以模擬動物神經系統的活動過程，具有自學習、自組織、自適應能力、很強的容錯能力、分布儲存與并行處理信息的功能及高度非線性表達能力，這是其他傳統方法所不具備的。將拉曼光語檢測裝置的輸出信號與計算機聯用，能夠對有機聚合物濃度的變化進行動態演示，也能夠作為控制系統的輸入變量以實現對有機聚合物濃度的控制。本發明與現有技術相比具有的有益效果1)能夠快速地檢測溶液中有機聚合物的濃度，且檢測結果精度較高；2)拉曼光譜檢測裝置靈敏度高，且檢測范圍寬；3)同時適用于浸入式測量或非浸入式測量；4)拉曼光譜4企測可以實時在線；5)拉曼光譜檢測裝置的輸出信號可直接與計算機聯用，便于有機聚合物溶液濃度的監控。圖l是本發明的檢測方法的流程圖2是主成分分析的流程圖3是三層BP神經網絡結構示意圖4是不同主成分數下PCA-BP的平均相對誤差示意圖5是不同訓練次數下PCA-BP的平均相對誤差示意圖；圖6是聚乙烯-二曱苯溶液濃度預測結果示意圖；圖7是聚丙烯-十氫萘溶液濃度預測結果示意圖；圖8是聚氯乙烯-四氫呋喃溶液濃度預測結果示意圖。具體實施方式實施例1采用德國Bruker^司生產的MultiRAM型傅里葉拉曼光譜儀，該光譜儀選用激光光源波長為1064nm。設定光譜儀光譜掃描范圍03600cm",分辨率為10cm"。通過非浸入式測量，>險測不同濃度聚苯乙烯-四氫呋喃溶液的拉曼光i普，預測聚苯乙烯濃度。以四氫呋喃溶液中聚苯乙烯濃度的檢測為例，其步驟如下(1)用FT拉曼光語儀獲得9組不同濃度四氫呋喃-聚苯乙烯溶液的拉曼鐠圖，其中濃度為0，0.3%,0.6%，1.2%,1.5。/。和2.4。/owt的四氫呋喃-聚苯乙烯溶液作為標定樣本，濃度為0.9%,1.8%和2.1°/。的四氫呋喃-聚苯乙烯溶液作為待測樣本；(2)確定待測樣本拉曼譜圖的頻譜分析范圍為16001450cm";(3)對標定樣本的拉曼譜圖進行多元散射校正預處理，多元散射校正的方法為首先，計算所需校正光譜的平均光譜—￡4爿=^~式中，4為第/個樣品的拉曼光譜矩陣，乂為平均光諳矩陣。其次，對平均光譜作回歸4=。ij+A式中，6i為拉曼光譜矩陣的多元散射校正擬合系數。最后，對每一條光譜作多元散射校正厶體式中，^'為經多元散射校正校正后的第z'個樣品的拉曼光譜矩陣；9(4)通過商業軟件Matlab中提供的主成分分析程序，其程序文件名為princomp.m,對預處理后的標定樣本拉曼光譜X進行主成分分析=princompOY)得到主成分載荷(Cbe#)和主成分得分(Score)。(5)選取標定樣本的拉曼譜圖的主成分得分前兩項與其濃度進行關聯，通過主成分回歸擬合得到聚苯乙烯溶液濃度的預測模型；Cprerf(%M<)=1.01+1661.87x&we1-483.01x5tore2(6)對待測樣本聚苯乙烯-四氫呋喃溶液濃度進行預測，其步驟如下6.1)對待測樣本拉曼譜圖進行多元散射校正預處理；6.2)經上述處理后的待測樣本拉曼光譜與標定樣本主成分載荷前兩項計算得到新的主成分得分；可得出待測樣本聚苯乙烯濃度分別為0.88%,1.85%,2.15%wt，與真實值的平均偏差為2.5%。當采用全譜分析時，全謙與部分譜段(16001450cm");險測結果比較如表1所示；表l全譜與部分譜段檢測結果比較<table>tableseeoriginaldocumentpage10</column></row><table>實施例2采用美國ThermoFisher公司生產的DXR智能拉曼光譜儀，該光譜儀選用激光光源波長為780nm,設定光譜儀光譜掃描范圍0~3600cm'1，分辨率為4cm"。通過工業用拉曼光纖探頭對聚苯乙烯-甲苯溶液的拉曼光譜進行浸入式在線檢測，預測聚苯乙烯濃度。以甲苯溶液中聚苯乙烯濃度的檢測為例，其步驟如下(1)使用激光拉曼光語儀，將光i普儀所連接的工業用拉曼光纖探頭插入管道，在線檢測管道中聚苯乙烯-曱苯溶液的拉曼光譜，其中濃度為0,0.4%,0.6%,1.0%,1.3%和2.0%\^的曱笨-聚苯乙烯溶液作為標定樣本，濃度為0.8%和1.6%的曱苯-聚苯乙烯溶液作為待測樣本；(2)確定待測樣本拉曼譜圖的頻譜分析范圍為6001300cm";(3)對標定樣本的拉曼譜圖進行微分法預處理，得到處理后的拉曼光譜矩陣X,其中微分法的過程如下式中Zo為原始拉曼光譜，Z為預處理后的拉曼光譜，g為微分窗口寬度。(4)根據方差解釋，選擇兩個PLS成分進行偏最小二乘法分析，得到聚苯乙烯溶液濃度的回歸模型，其過程如下①程序開始，計數器/置為1:②將標定樣本的濃度矩陣7送入M中，作為其初值^=7;③將矩陣I投影于列向量^上Wa=I7m/(s/m);④將向量"h歸一化w,^/llwj;⑤將矩陣X投影于行向量《上，得到X的第A個PLS成分V.計算矩陣i的載荷向量ch:cA=x、/(");⑦將成分^對成分fh進行回歸⑧從矩陣Z中除去第A個PLS成分~《；從矩陣Y中除去回歸項r=Vw;⑩計數器h加l,回到步驟③，再次開始計算；最終得到聚苯乙烯溶液濃度的預測模型C—(%w/)=-9.06+491.97x^+8322.37(5)對待測樣本聚苯乙烯-四氫呋喃溶液濃度進行預測，其步驟如下5.1)對待測樣本拉曼譜圖進行分段多元散射校正預處理；5.2)將處理后的待測樣本拉曼光譜代入聚苯乙烯溶液濃度的預測模型便可得出待測樣本聚苯乙烯濃度分別為0.83%和1.58%wt,與真實值誤差分別為3.8%和1.3%。實施例3采用美國ThermoFisher公司生產的DXR智能拉曼光譜儀，該光譜儀選用激光光源波長為780nm,設定光譜儀光譜掃描范圍500~2000cm"，分辨率為0.5cm",通過非浸入式測量，4全測不同濃度聚苯乙烯-氯仿溶液的拉曼光譜，預測聚苯乙烯濃度。以氯仿中聚苯乙烯濃度的檢測為例，其步驟如下(1)使用激光拉曼光語儀，獲得聚苯乙烯-氯仿溶液的拉曼光譜。其中濃度為0，0.5%,1.0%,1.5%，2.0。/o和2.5。/。wt的氯仿-聚苯乙烯溶液作為標定樣本，濃度為0.3%,1.2%和2.4%的氯仿-聚苯乙烯溶液作為待測樣本；(2)確定待測樣本拉曼語圖的頻譜分析范圍為5002000cm";(3)對標定樣本的拉曼譜圖進行傅里葉變換預處理，得到處理后的拉曼光譜矩陣Z,傅里葉變換預處理可由Matlab中的ffishift.m程序實現JT=ffishift(^o)式中Xo為原始拉曼光譜，I為預處理后的拉曼光譜。；(4)通過人工神經網絡法擬合得到聚苯乙烯溶液濃度的預測模型，其具體過程如下①根據三層BP神經網絡結構，如圖3所示，首先確定輸入層。若將拉曼光語直接作為網絡的輸入，則網絡規模會非常龐大。因此，選擇主成分分析(PCA)得到的主成分得分(其過程參見實施例1)作為輸入。根據標定樣品的預測效果(如圖4)，確定最佳主成分得分項為4;②BP神經網絡是通過輸入與輸出之間不斷循環迭代建立起的一種基于連接權重的非線性關系。在取4個主成分的情況下，比較訓練次數對標定樣品預測結果的影響(如圖5)，發現訓練次數為1800次時預測效果最佳，當訓練次數再增加時，會出現網絡的過學習，預測結果準確性降低；③由于其他網絡參數的確定缺乏理論依據，因此經多次實驗反復驗證，最終確定隱含層節點數為6,控制誤差為0.0001,學習速率為0.02，態勢因子取O.l，輸出節點數為l;將主成分分析的4個主成分得分作為輸入，聚苯乙烯溶液濃度作為輸出，通過BP神經網絡進行反復訓練建立PCA-BP校正集模型，即得12到預測模型；(5)對待測樣本聚苯乙烯-氯仿溶液濃度進行預測，其步驟如下5.1)對待測樣本拉曼鐠圖進行傅里葉變換預處理；5.2)將上述處理后的待測樣本拉曼光譜代入聚苯乙烯溶液濃度的預測模型便可得出待測樣本聚苯乙烯濃度分別為0.31%，1.24%和2.37%wt，與真實值誤差分別為3.3%，2.0%和1.3%。實施例4采用美國ThermoFisher公司生產的DXR智能拉曼光譜儀，該光譜儀選用激光光源波長為780nm,設定光譜儀光譜掃描范圍03600cm",分辨率為4cnT1。通過工業用拉曼光纖探頭對不同濃度的聚乙烯-二甲苯溶液進行拉曼光il^企測，預測聚乙烯溶液濃度。選擇800~1600范圍內的波長進行主成分分析，方法與實施例1一致。選擇2個主成分進行主成分回歸，得預測模型。通過留一法(即每次選用l個樣本作為預測樣本，其余樣本用作建立回歸模型的標定樣本)所得模型預測結果如圖6所示。實施例5采用美國ThermoFisher公司生產的DXR智能拉曼光譜儀，該光鐠儀選用激光光源波長為780nm，設定光譜儀光譜掃描范圍0~3600cm"，分辨率為4cm"。通過工業用拉曼光纖探頭對不同濃度的聚丙烯-十氫萘溶液進行拉曼光譜檢測，預測聚乙烯溶液濃度。選擇800-1500范圍內的波長進行偏最小二乘法分析，方法與實施例2—致。選擇2個主成分建立預測模型，通過留一法所得模型預測結果如圖7所示。實施例6采用德國Bruker公司生產的MultiRAM型傅里葉拉曼光譜儀，該光譜儀選用激光光源波長為1064nm。設定光譜儀光譜掃描范圍03600cm"，分辨率為4cm"。檢測不同濃度聚氯乙烯-四氫呋喃溶液的拉曼光譜，預測聚氯乙烯濃度。選擇330~800cm"范圍內的波長進行偏最小二乘法分析，方法與實施例2—致。選擇2個主成分建立預測模型，通過留一法所得模型預測結果如圖8所示，其中預測值與真實值的平均相對偏差為3.54%,交叉驗證誤差均方根為0.08%。權利要求1、一種有機聚合物溶液濃度的檢測方法，包括如下步驟(1)獲得已知濃度有機聚合物溶液的拉曼光譜并進行預處理；(2)通過多元數據處理方法得到預處理后的有機聚合物溶液拉曼光譜與濃度的預測模型；(3)獲得待測有機聚合物溶液的樣品的拉曼光譜并進行預處理；(4)將預處理后的拉曼光譜輸入預測模型，得到有機聚合物溶液的濃度。2、如權利要求1所述的檢測方法，其特征在于所述的有機聚合物為聚苯乙烯或聚氯乙烯。3、如權利要求1所述的檢測方法，其特征在于獲得溶液拉曼光譜采用的分辨率為0.510cm人4、如權利要求1所述的檢測方法，其特征在于所述的多元數據處理方法為主成分回歸法、偏最小二乘法或人工神經網絡法。5、如權利要求4所述的檢測方法，其特征在于所述的主成分回歸法選用1~5個主成分得分項。6、如權利要求4所述的檢測方法，其特征在于所述的偏最小二乘法選用1~5個偏最小二乘組分。7、如權利要求4所述的檢測方法，其特征在于所述的人工神經網絡法采用三層人工神經網絡機構，將對已知濃度有機聚合物溶液的拉曼光譜采用主成分分析法得到的主成分得分作為輸入。8、如權利要求1所述的4企測方法，其特征在于所述的預處理包括平滑、扣減、微分、歸一化、標準化、多元散射校正、分段多元散射校正、標準正態變量變換、去趨勢、傅立葉變換、正交信號校正、小波變換和凈分析信號中的一種或多種。全文摘要本發明公開了一種有機聚合物溶液濃度的檢測方法，包括獲得已知濃度有機聚合物溶液的拉曼光譜，對拉曼光譜信號進行預處理后，通過主成分回歸法、偏最小二乘法和人工神經網絡等多元數據處理方法得到有機聚合物濃度的預測模型，檢測待測有機聚合物溶液的拉曼光譜并進行預處理，將預處理后的拉曼光譜輸入預測模型來計算有機聚合物溶液的濃度。本發明方法具有快速準確、安全環保等特點，可應用于有機聚合物及其相關制品在生產、改性、運輸和回收過程的在線和離線監測。文檔編號G01N21/63GK101458214SQ200810163430公開日2009年6月17日申請日期2008年12月15日優先權日2008年12月15日發明者王靖岱,陽永榮,陳杰勛申請人:浙江大學