自动卷线器

AMDIS自动化质谱图解卷积和鉴定软件在GC/MS数据处理的初步应用(7)- 手动解卷积（2）（ 本文只是一种探讨交流，可能有不足不妥之处，欢迎批评指正。未经同意，请勿转载。多谢合作！） 先回顾一下AMDIS的基本概念对于AMDIS有的网友可能比较熟悉，特别是农残，环境，有害物，香精香料等领域的朋友可能属于高级使用者。本人以初学者的身份初步介绍一下AMDIS。如有不妥，请批评指正。未经许可，不得转载，请谅解。一般来说，目标化合物的分析要求检测目标离子和确认离子的比例。然而，对于高基体背景的样品，大峰后面的痕量组分或流出时间很接近的成分，离子比例会受到基体的影响很难符合要求。为了确保分析结果可靠，一般采用背景扣除及手动积分。因此，对于复杂基体的样品数据处理，需要耗费大量的时间。为了提高分析效率，谱图可以利用一种称为“解卷积”的数学计算来将目标化合物从背景中分离出来。美国国家标准和技术院(NIST)开发了功能强大的解卷积软件，即自动质谱解卷积和鉴定系统(AMDIS)。下面简单介绍一下AMDIS：AMDIS 软件由美国国家标准技术研究院（NIST）（National Institute of Standards and Technology）提供。The Automatic Mass Spectral Deconvolutionand Identification System (AMDIS)自动质谱图解卷积和鉴定系统软件(AMDIS)让您从GC/MS数据文件自动找到目标化合物。软件先对GC/MS数据文件解卷积寻找所有分离组分。每一组分与目标化合物的谱库进行对比。如果以上的用户设定值，然后报告出目标图谱和解卷了组分的图谱的匹配因子。什么是解卷积（Deconvolution）?NIST AMDIS的定义:“这里所用的术语在广义上是指从一个复杂的混合物中提取信号。 解卷积的过程包括处理噪音、校正漂移、从紧密相邻的共洗脱峰中提取出单个峰等。” (简单讲就是去复杂化)用下面的简图可以解释解卷积过程:在GC/MS 中，Deconvolution是一种数学技术，它可以将重叠的质谱图“分开”成为“清晰”的单个组分的谱图。图1 是这个过程的简单示意图。这里分别是总离子流色谱图(TIC)和质谱图。与常见的情况一样，这个色谱峰包含了多个重叠在一起的组分，而最高点质谱图实际上也是这些组分的组合图。质谱谱库检索只可能给出一个较差的匹配，而且不能识别所有构成这种组合谱图的单个化合物组分。http://ng1.17img.cn/bbsfiles/images/2016/12/201612301125_01_1615838_3.jpg图1 解卷积过程的简单示意图其它相关内容请参考我以前的帖子。

AMDIS自动化质谱图解卷积和鉴定软件在GC/MS数据处理的初步应用(5)-数据处理的一些问题探讨 先回顾一下AMDIS的基本概念对于AMDIS有的网友可能比较熟悉，特别是农残，环境，有害物，香精香料等领域的朋友可能属于高级使用者。本人以初学者的身份初步介绍一下AMDIS。如有不妥，请批评指正。未经许可，不得转载，请谅解。一般来说，目标化合物的分析要求检测目标离子和确认离子的比例。然而，对于高基体背景的样品，大峰后面的痕量组分或流出时间很接近的成分，离子比例会受到基体的影响很难符合要求。为了确保分析结果可靠，一般采用背景扣除及手动积分。因此，对于复杂基体的样品数据处理，需要耗费大量的时间。为了提高分析效率，谱图可以利用一种称为“解卷积”的数学计算来将目标化合物从背景中分离出来。美国国家标准和技术院(NIST)开发了功能强大的解卷积软件，即自动质谱解卷积和鉴定系统(AMDIS)。下面简单介绍一下AMDIS：AMDIS软件由美国国家标准技术研究院（NIST）（National Institute of Standards andTechnology）提供。The Automatic MassSpectral Deconvolution and Identification System (AMDIS)自动质谱图解卷积和鉴定系统软件(AMDIS)让您从GC/MS数据文件自动找到目标化合物。软件先对GC/MS数据文件解卷积寻找所有分离组分。每一组分与目标化合物的谱库进行对比。如果以上的用户设定值，然后报告出目标图谱和解卷了组分的图谱的匹配因子。什么是解卷积（Deconvolution）?NIST AMDIS的定义:“这里所用的术语在广义上是指从一个复杂的混合物中提取信号。解卷积的过程包括处理噪音、校正漂移、从紧密相邻的共洗脱峰中提取出单个峰等。” (简单讲就是去复杂化)用下面的简图可以解释解卷积过程:在GC/MS 中，Deconvolution是一种数学技术，它可以将重叠的质谱图“分开”成为“清晰”的单个组分的谱图。图1 是这个过程的简单示意图。这里分别是总离子流色谱图(TIC)和质谱图。与常见的情况一样，这个色谱峰包含了多个重叠在一起的组分，而最高点质谱图实际上也是这些组分的组合图。质谱谱库检索只可能给出一个较差的匹配，而且不能识别所有构成这种组合谱图的单个化合物组分。http://ng1.17img.cn/bbsfiles/images/2016/11/201611302155_01_1615838_3.jpg图1 解卷积过程示意图左边是TIC上某一峰的质谱图。右边是经过解卷积处理后，让目标化合物从基质和干扰物分离出来。得到3张质谱图。很明显，这样干净而纯的质谱图非常有利于PBM质谱谱库检索或其它谱图检索解析工具。这样对共流出的度组分，大峰中小成分，基质掩盖的痕量组分分析度很有利。下面是Amdis的主界面。http://ng1.17img.cn/bbsfiles/images/2016/11/201611302155_02_1615838_3.jpg图2 Amdis主界面具体的使用运行请参考我以前的帖子。

AMDIS自动化质谱图解卷积和鉴定软件在GC/MS数据处理的初步应用(6)- 手动背景扣除 先回顾一下AMDIS的基本概念对于AMDIS有的网友可能比较熟悉，特别是农残，环境，有害物，香精香料等领域的朋友可能属于高级使用者。本人以初学者的身份初步介绍一下AMDIS。如有不妥，请批评指正。未经许可，不得转载，请谅解。一般来说，目标化合物的分析要求检测目标离子和确认离子的比例。然而，对于高基体背景的样品，大峰后面的痕量组分或流出时间很接近的成分，离子比例会受到基体的影响很难符合要求。为了确保分析结果可靠，一般采用背景扣除及手动积分。因此，对于复杂基体的样品数据处理，需要耗费大量的时间。为了提高分析效率，谱图可以利用一种称为“解卷积”的数学计算来将目标化合物从背景中分离出来。美国国家标准和技术院(NIST)开发了功能强大的解卷积软件，即自动质谱解卷积和鉴定系统(AMDIS)。下面简单介绍一下AMDIS：AMDIS软件由美国国家标准技术研究院（NIST）（National Institute ofStandards and Technology）提供。The Automatic Mass Spectral Deconvolutionand Identification System (AMDIS)自动质谱图解卷积和鉴定系统软件(AMDIS)让您从GC/MS数据文件自动找到目标化合物。软件先对GC/MS数据文件解卷积寻找所有分离组分。每一组分与目标化合物的谱库进行对比。如果以上的用户设定值，然后报告出目标图谱和解卷了组分的图谱的匹配因子。什么是解卷积（Deconvolution）?NIST AMDIS的定义:“这里所用的术语在广义上是指从一个复杂的混合物中提取信号。 解卷积的过程包括处理噪音、校正漂移、从紧密相邻的共洗脱峰中提取出单个峰等。” (简单讲就是去复杂化)用下面的简图可以解释解卷积过程:在GC/MS 中，Deconvolution是一种数学技术，它可以将重叠的质谱图“分开”成为“清晰”的单个组分的谱图。图1 是这个过程的简单示意图。这里分别是总离子流色谱图(TIC)和质谱图。与常见的情况一样，这个色谱峰包含了多个重叠在一起的组分，而最高点质谱图实际上也是这些组分的组合图。质谱谱库检索只可能给出一个较差的匹配，而且不能识别所有构成这种组合谱图的单个化合物组分。http://ng1.17img.cn/bbsfiles/images/2016/12/201612152312_01_1615838_3.jpg图1 解卷积过程的简单示意图其它相关内容请参考我以前的帖子。

对于AMDIS有的网友可能比较熟悉，特别是农残，环境，毒品，有害物，香精香料等领域的朋友可能属于高级使用者。本人以初学者的身份初步介绍一下AMDIS。如有不妥，请批评指正。未经许可，不得转载，请谅解。一般来说，目标化合物的分析要求检测目标离子和确认离子的比例。然而，对于高基体背景的样品，大峰后面的痕量组分或流出时间很接近的成分，离子比例会受到基体的影响很难符合要求。为了确保分析结果可靠，一般采用背景扣除及手动积分。因此，对于复杂基体的样品数据处理，需要耗费大量的时间。为了提高分析效率，谱图可以利用一种称为“解卷积”的数学计算来将目标化合物从背景中分离出来。美国国家标准和技术院(NIST)开发了功能强大的解卷积软件，即自动质谱解卷积和鉴定系统(AMDIS)。下面简单介绍一下AMDIS：AMDIS 软件由美国国家标准技术研究院（NIST）（National Institute of Standards and Technology）提供。The Automatic Mass Spectral Deconvolution and Identification System (AMDIS) 自动质谱图解卷积和鉴定系统软件(AMDIS)让您从GC/MS数据文件自动找到目标化合物。软件先对GC/MS数据文件解卷积寻找所有分离组分。每一组分与目标化合物的谱库进行对比。如果以上的用户设定值，然后报告出目标图谱和解卷了组分的图谱的匹配因子。什么是解卷积（Deconvolution）? NIST AMDIS的定义:“这里所用的术语在广义上是指从一个复杂的混合物中提取信号。 解卷积的过程包括处理噪音、校正漂移、从紧密相邻的共洗脱峰中提取出单个峰等。” (简单讲就是去复杂化)用下面的简图可以解释解卷积过程:在GC/MS 中，Deconvolution是一种数学技术，它可以将重叠的质谱图“分开”成为“清晰”的单个组分的谱图。图1 是这个过程的简单示意图。这里分别是总离子流色谱图(TIC)和质谱图。与常见的情况一样，这个色谱峰包含了多个重叠在一起的组分，而最高点质谱图实际上也是这些组分的组合图。质谱谱库检索只可能给出一个较差的匹配，而且不能识别所有构成这种组合谱图的单个化合物组分。[img]http://ng1.17img.cn/bbsfiles/images/2009/12/200912262207_192235_1615838_3.jpg[/img]左边是TIC上某一峰的质谱图。右边是经过解卷积处理后，让目标化合物从基质和干扰物分离出来。得到3张质谱图。很明显，这样干净而纯的质谱图非常有利于PBM质谱谱库检索或其它谱图检索解析工具。这样对共流出的度组分，大峰中小成分，基质掩盖的痕量组分分析度很有利。另外，AMDIS可以进行保留指数校正。如果能够将AMDIS和保留指数校正等方法结合起来，就可以得到更为准确或更多的检索信息。并能提高检索效率。

X射线衍射技术，XRD即X-ray diffraction，通过对材料进行X射线衍射， 利用衍射原理，精确测定物质的晶体结构，织构及应力，分析其衍射图谱，精确的进行物相分析，定性分析，定量分析。广泛应用于冶金，石油，化工，科研，航空航天，教学，材料生产等领域。　　近年来，全球X射线衍射仪 (XRD)市场发展平稳，根据某国外市场研究机构数据，2018年全球的X射线衍射仪 (XRD)市场规模约6.7亿美元，且预计2023年市场规模为8.4亿美元。[align=center][img=1.jpg]https://img1.17img.cn/17img/images/201911/uepic/455d57f7-00b3-4bc2-9b3a-15c33750c583.jpg[/img][/align][align=center][color=#00b0f0]2017年数据[/color][/align]　　按市场区域来讲，中国无疑是具有较大增长活力的市场之一。生产商方面，除了丹东浩元，丹东通达、北京普析通用、丹东奥龙等本地品牌，日本理学、布鲁克、马尔文帕纳科、岛津公司、赛默飞、Innox-X (奥林巴斯)等知名国外品牌也将中国视为重要的业务市场。　　X射线衍射仪 (XRD)市场迅速发展背景下，为了对我国市场现状、仪器技术发展、广大用户使用情况等进行整体了解，挖掘用户的使用需求和痛点，促进X射线衍射仪 (XRD)市场的健康发展。仪器信息网面向广大X射线衍射仪 (XRD)用户推出[b]“X射线衍射仪 (XRD)市场有奖调研”[/b]活动。除了对认真参与者发放话费奖励作为感谢，同时，调研成果将在后期以专题、盘点、调研报告等形式发布，请密切关注仪器信息网资讯动态。　　[color=#ff0000][b]填 X射线衍射仪 (XRD)市场调研问卷，获20元话费![/b][/color]　　[b]问卷链接：[/b][url=https://www.wjx.cn/jq/50745144.aspx][b]https://www.wjx.cn/jq/50745144.aspx[/b][/url]　　[color=#ff0000][b]也可扫一扫参与有奖调研问卷：[/b][/color][align=center][color=#ff0000][b][img=,690,384]https://ng1.17img.cn/bbsfiles/images/2019/11/201911261607037415_5098_2817550_3.png!w690x384.jpg[/img][/b][/color][/align]　　本问卷调研对象仅限X射线衍射仪 (XRD)用户，问卷设有20道题目，多为选择题，答题时间不超过5分钟。认真答题并通过仪器信息网审核的用户将获得20元话费的奖励(限前300份)。　　[color=#ff0000][b]调研截止时间[/b][/color][b]：2019年12月31日[/b]。　　[url=https://www.wjx.cn/jq/50745144.aspx][color=#ff0000][b]点击参与调研填写问卷，赢取话费[/b]。[/color][/url]　　问卷奖励将于调研结束后发放，并将定期公布获奖名单，任何疑问，可随时致电仪器信息网编辑【电话：(010)51654077—8032】。[align=center]　　同时，也欢迎扫码加入X射线衍射仪 (XRD)技术交流群，实时了解中奖名单详情，并与同道中人互动交流，了解相关技术及产业。[/align][align=center][img=,153,200]https://ng1.17img.cn/bbsfiles/images/2019/12/201912181121157093_2889_2817550_3.png!w153x200.jpg[/img][/align]

[b]卷积神经网络模型发展及应用转载地址：[/b]http://fcst.ceaj.org/CN/abstract/abstract2521.shtml [img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-9243a15c-bcd6-4a63-921e-932f257a1e05.png[/img][img=,690,212]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021122351500_3641_5785239_3.png!w690x212.jpg[/img]深度学习是机器学习和人工智能研究的最新趋势，作为一个十余年来快速发展的崭新领域，越来越受到研究者的关注。卷积神经网络（CNN）模型是深度学习模型中最重要的一种经典结构，其性能在近年来深度学习任务上逐步提高。由于可以自动学习样本数据的特征表示，卷积神经网络已经广泛应用于图像分类、目标检测、语义分割以及自然语言处理等领域。[b]首先分析了典型卷积神经网络模型为提高其性能增加网络深度以及宽度的模型结构，分析了采用注意力机制进一步提升模型性能的网络结构，然后归纳分析了目前的特殊模型结构，最后总结并讨论了卷积神经网络在相关领域的应用，并对未来的研究方向进行展望。[/b]卷积神经网络（convolutional neural network，CNN） 在计算机视觉[1- 5]、自然语言处理[6- 7]等领域已被广泛 应用。在卷积神经网络兴起之前，主要依靠人工针对特定的问题设计算法，比如采用 Sobel、LoG（Laplacian of Gaussian）、Canny、Prewitt 等[8- 11]算子进行边 缘 检 测 ，采 用 Harris、DoG（difference of Gaussian）、FAST（features from accelerated segment test）、SIFT （scale invariant feature transform）等[12-15]用于角点等特 征检测，并且采用传统分类器如 K近域、支持向量机、 稀疏分类器等[16- 18]进行分类。特征提取和分类器的 设计是图片分类等任务的关键，对分类结果的好坏 有着最为直接的影响。卷积神经网络可以自动地从 训练样本中学习特征并且分类，解决了人工特征设计 的局限性。神经网络的思想起源于1943年McCulloch 和 Pitts 提出的神经元模型[19]，简称 MCP 神经元模 型。它是利用计算机来模拟人的神经元反应的过 程，具有开创性意义。此模型将神经元反应简化为 三个过程：输入信号线性加权、求和、非线性激活。1958 年到 1969 年为神经网络模型发展的第一阶段， 称为第一代神经网络模型。在 1958 年 Rosenblatt 第 一次在 MCP 模型上增加学习功能并应用于机器学 习，发明了感知器算法[20]，该算法使用 MCP 模型能够 采用梯度下降法从训练样本中自动学习并更新权 值，并能对输入的多维数据进行二分类，其理论与实 践的效果引起了神经网络研究的第一次浪潮。1969 年美国数学家及人工智能先驱 Minsky在其著作中证 明感知器本质上是一种线性模型[21]，只能处理线性分 类问题，最简单的异或问题都无法正确分类，因此神 经网络的研究也陷入了近二十年的停滞。1986 年到 1988 年是神经网络模型发展的第二阶段，称为第二 代神经网络模型。1986 年 Rumelhart 等人提出了误 差反向传播算法（back propagation algorithm，BP）[22]。BP 算法采用 Sigmoid 进行非线性映射，有效解决了 非线性分类和学习的问题，掀起了神经网络第二次 研究高潮。BP 网络是迄今为止最常用的神经网络， 目前大多神经网络模型都是采用 BP网络或者其变化 形式。早期神经网络缺少严格数学理论的支撑，并 且在此后的近十年时间，由于其容易过拟合以及训 练速度慢，并且在 1991 年反向传播算法被指出在后 向传播的过程中存在梯度消失的问题[23]，神经网络再 次慢慢淡出人们的视线。1998 年 LeCun 发明了 LeNet-5，并在 Mnist 数据 集达到 98%以上的识别准确率，形成影响深远的卷积 神经网络结构，但此时神经网络的发展正处于下坡 时期，没有引起足够的重视。从感知机提出到 2006 年以前，此阶段称为浅层 学习，2006 年至今是神经网络的第三阶段，称为深度 学习。深度学习分为快速发展期（2006—2012 年）和 爆发期（2012 年至今），2006 年 Hinton 提出无监督的 “逐层初始化”策略以降低训练难度，并提出具有多 隐层的深度信念网络（deep belief network，DBN）[24]， 从此拉开了深度学习大幕。随着深度学习理论的研究和发展，研究人员提 出了一系列卷积神经网络模型。为了比较不同模型 的质量，收集并整理了文献中模型在分类任务上的 识别率，如图 1所示。由于部分模型并未在 ImageNet 数据集测试识别率，给出了其在 Cifar-100 或 Mnist数 据集上的识别率。其中，Top-1识别率指的是 CNN 模型预测出最大概率的分类为正确类别的概率。Top-5 识别率指的是 CNN 模型预测出最大概率的前 5 个分 类里有正确类别的概率。2012 年，由 Alex Krizhevshy 提出的 AlexNet给卷 积神经网络迎来了历史性的突破。AlexNet 在百万 量级的 ImageNet数据集上对于图像分类的精度大幅 度超过传统方法，一举摘下了视觉领域竞赛 ILSVRC2012的桂冠。自 AlexNet之后，研究者从卷积神经网 络的结构出发进行创新，主要有简单的堆叠结构模 型，比如 ZFNet、VGGNet、MSRNet。堆叠结构模型通 过改进卷积神经的基本单元并将其堆叠以增加网络 的深度提升模型性能，但仅在深度这单一维度提升 模 型 性 能 具 有 瓶 颈 ；后 来 在 NIN（network in network）模型提出使用多个分支进行计算的网中网结 构模型，使宽度和深度都可增加，具有代表性的模型 有 Inception 系列模型等；随着模型深度以及宽度的 增加，网络模型出现参数量过多、过拟合以及难以训 练等诸多问题。ResNet 提出残差结构后，为更深层 网络构建提出解决方案，随即涌现出很多残差结构模 型，比如基于 ResNet 改进后的 ResNeXt、DenseNet、 PolyNet、WideResNet，并且 Inception也引入残差结构 形成了 Inception-ResNet-block，以及基于残差结构并 改进其特征通道数量增加方式的 DPResNet；与之前 在空间维度上提升模型性能的方法相比，注意力机 制模型通过通道注意力和空间注意力机制可以根据 特征通道重要程度进一步提升模型性能，典型的模 型为 SENet、SKNet 以及 CBAM（convolutional block attention module）。传统的卷积神经网络模型性能十分优秀，已经 应用到各个领域，具有举足轻重的地位。由于卷积 神经网络的模型十分丰富，有些模型的结构或用途 比较特殊，在本文中统称为特殊模型，包括具有简单的结构和很少参数量的挤压网络模型 SqueezeNet，采 用无监督学习的生成对抗网络模型（generative adversarial network，GAN），其具有完全相同的两路网络 结构以及权值的孪生神经网络模型 SiameseNet，以 及通过线性运算生成其他冗余特征图的幽灵网络 GhostNet。由于卷积神经网络的一系列突破性研究成果， 并根据不同的任务需求不断改进，使其在目标检测、 语义分割、自然语言处理等不同的任务中均获得了 成功的应用。[b]基于以上认识，本文首先概括性地介绍了卷积 神经网络的发展历史，然后分析了典型的卷积神经 网络模型通过堆叠结构、网中网结构、残差结构以及 注意力机制提升模型性能的方法，并进一步介绍了 特殊的卷积神经网络模型及其结构，最后讨论了卷 积神经网络在目标检测、语义分割以及自然语言处 理领域的典型应用，并对当前深度卷积神经网络存 在的问题以及未来发展方向进行探讨。[img=,690,387]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021123119824_325_5785239_3.png!w690x387.jpg[/img][/b][img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-51d3c121-d787-4a08-a7a4-a7f9ecb3a33d.png[/img][b]转载文章，如有侵权，请联系我删除[/b]

通过自动进样器故障发现的问题！我们实验室目前有3台气相，一台岛津GC2010，一台安捷伦6890和一台安捷伦7890A通过平时工作中遇到的几个自动进样器出现的故障，对比一下两者之间的区别！对比的目的并不是比较谁好谁坏，只是作为自己在平时工作中发现的一些问题与大家一起分享，以此种方式让大家对这两种自动进样器有简单的了解，在平时应用过程中能够得心应手，扬长避短！先看一下图片吧！岛津GC2010用的自动进样器是AOC-20i。http://ng1.17img.cn/bbsfiles/images/2011/08/201108262301_312467_1606073_3.jpg安捷伦6890和7890用的都是7683 series injectorhttp://ng1.17img.cn/bbsfiles/images/2011/08/201108262302_312468_1606073_3.jpg让我们一起看一下二者的区别吧！区别一：百位盘排列顺序7683 series injector 是安捷伦的一款自动进样器，从百位盘上就有一个明显的区别，那就是7683是按照逆时针的顺序依次排列的，而AOC-20i正好相反，是按照顺时针的顺序依次排列，这可能是中西方文化和习惯的差异的原因吧！不管是顺时针还是逆时针对用户来说应该不会有什么影响，只是一个习惯性的问题吧！区别二：机械手结构抓瓶的机械手有所不同，来个特写看一下！http://ng1.17img.cn/bbsfiles/images/2011/08/201108262305_312469_1606073_3.jpghttp://ng1.17img.cn/bbsfiles/images/2011/08/201108262306_312470_1606073_3.jpg从图中可以看到二者的区别，这种区别也导致了一个问题当同样遇到问题的时候，二者就会有不同的反应！相信大家都会在进样过程中的遇到进样针发生故障的情况，如此一来机械臂就会抓住小瓶停在那里不动，这一点没有什么区别，可是接下来的情况就不一样了。一旦故障解除，由于二者结构的不同，AOC-20i机械臂的四个小爪会张开，这样小瓶就会做一个“自由落体”。而7683就不一样，小瓶是不会自己掉下来的，由于其结构的特点，小瓶只能从侧面摘下，绝不会竖直掉下。区别三：故障应对程序针对故障的处理程序和措施有所不同，在进样过程中遇到问题时，有时进样小瓶会停在机械臂上，有时会停在进样塔的样品瓶位置。AOC-20i在遇到故障之后，在故障排除之后，如果小瓶在机械臂上，就会就地扔掉；如果在进样塔样品瓶位置上，不会自动处理，反而会提示进样塔样品瓶位置有瓶，这就意味着不管发生了什么故障都需要人工一一处理完毕，恢复正常的状态。相比之下，7683就比较人性化，无论出现故障是样品瓶停在哪里，故障排除之后，在进行下一次正常进样之前，7683都会对样品瓶进行一次自动复位处理，样品瓶在机械臂上的话，就放回原处，如果是在进样塔样品瓶位置就会抓起放回原处。http://ng1.17img.cn/bbsfiles/images/2011/08/201108262311_312472_1606073_3.jpghttp://ng1.17img.cn/bbsfiles/images/2011/08/201108262311_312473_1606073_3.jpg区别四：进样针更换问题一般情况下都是在进样过程中遇到进样针出现问题，在开机状态下更换进样针的话，AOC-20i相对比较麻烦，因为开机状态下，控制进样针推杆的滑轮不能自由移动，除非关机更换。7683可以轻松活动推杆，方便快速更换进样针。区别五：进样小瓶的使用安的小瓶可以在AOC-20i上使用，可能是因为其机械手抓瓶的方式决定的吧7683去抓岛的小瓶就有些情人所难了，不是抓不起来，而是由于岛的小瓶盖子比较大，会将7683的机械手撑得老大，还是尽量避免为之的好！欢迎大家继续补充