一种甲醇汽油品质检测方法及系统技术方案

本发明专利技术公开了一种甲醇汽油品质检测方法及系统，该方法通过先准备1份甲醇样品、3n份汽油样品以及48n份甲醇汽油样品构成的51n+1份样品，然后基于这些样品的中红外光谱与拉曼光谱分别构建得到Keans单类分类器和共识模型C_PLS，在构建共识模型的过程中，对校正集进行多次筛选来构建成员模型，提高模型构建的精度，中红外光谱与拉曼光谱能够通过体积较小的拉曼光谱仪和中红外光谱仪来获取；优点是便于室外测量，能够快速准确检测甲醇含量。能够快速准确检测甲醇含量。能够快速准确检测甲醇含量。

【技术实现步骤摘要】
一种甲醇汽油品质检测方法及系统


[0001]本专利技术涉及一种甲醇汽油品质检测技术，尤其是涉及一种甲醇汽油品质检测方法及系统。

技术介绍

[0002]甲醇汽油为甲醇与汽油的混合物，是国标汽油、甲醇以及添加剂按一定的体积(质量)比，经过严格的流程调配而成的一种新型环保燃料。甲醇汽油中，甲醇掺入量(体积含量)一般为5％～30％，其中以掺入15％者为最多，甲醇掺入量为15％的甲醇汽油被称为M15甲醇汽油。甲醇汽油燃烧排出物的毒性比普通含铅汽油小，排气中一氧化碳含量也较少，燃烧清洁性能良好。甲醇汽油中的甲醇既是一种能源，又是汽油品质的改良剂和绿色增氧剂。由于甲醇含氧原子，使汽油充分燃烧，能有效降低汽车尾气排放有害气体总量的50％以上，有利于保护大气环境。所以甲醇汽油环保、成本低，节省资源，节省外汇造福人类，市场竞争力强，具有极好的发展前景。
[0003]甲醇汽油通常按照甲醇的含量分为三类：低醇汽油(甲醇掺入量为3％
‑
5％的甲醇汽油，M3
‑
M5)、中醇汽油(甲醇掺入量为15％
‑
30％的甲醇汽油，M15
‑
M30)和高醇汽油(甲醇掺入量为85％
‑
100％的甲醇汽油，M85
‑
M100)，其中M后的数字表示甲醇汽油中甲醇的体积百分比。掺入汽油的甲醇一般来自于工业生产，工业甲醇来源广泛，价格也低于汽油，是一种十分具有性价比的掺入燃料。然而，甲醇汽油中甲醇的含量有着严格的要求，每一规格的发动机使用的甲醇汽油中的甲醇比例各不相同，甲醇含量太少会损坏发动机，含量过高则导致热量不足，致使油耗过大。甲醇汽油中甲醇的含量直接影响着甲醇汽油的品质。
[0004]传统的甲醇汽油品质检测方法通常为色谱法、质谱法、气
‑
质(液
‑
质)联用法等，通过采集甲醇汽油的色谱和质谱等来实现对甲醇汽油中甲醇含量的定量分析。但是这些传统的甲醇汽油品质检测方法存在着样品前处理复杂、检测耗时长、不便于现场检测等问题，无法满足实际分析的要求。专利公布号为CN109374565A的中国专利申请中公开了一种甲醇汽油乙醇汽油判别及含量测定方法，该方法使用了实验室台式傅里叶变换光谱仪，但是该仪器体积大，不适合室外测试；另外，当待测品中掺杂未知成分时，此专利所提供的分析技术不能对未知成分做出判别分析，从而影响了甲醇或乙醇含量的准确预测，检测精度不高。
[0005]得益于微电集成系统的日益成熟，微电光学分析技术得到快速发展与应用，特别是表征分子振动信息的近红外光谱和拉曼光谱技术。近红外光谱是一种波长介于780nm～2526nm的电磁波，可以获得待测品(液体、固体、气体等)分子含羟基、羧基等基团的特征信息，从而实现对待测品的定性、定量研究。拉曼光谱是一种改变了原入射光频率的散射光谱，同样可以检测到待测品分子的转动或振动特性。借助这些拉曼光谱或红外光谱信息，可以实现对待测品分子的定性、定量研究。鉴此，利用近红外光谱和拉曼光谱技术设计一种能够快速准确检测甲醇含量的甲醇汽油品质检测方法及系统具有重要意义。

技术实现思路

[0006]本专利技术所要解决的技术问题之一是提供一种便于室外测量，能够快速准确检测甲醇含量的甲醇汽油品质检测方法。
[0007]本专利技术解决上述技术问题之一所采用的技术方案为：一种甲醇汽油品质检测方法，包括模型构建阶段和光谱识别阶段，所述的模型构建阶段包括以下步骤：
[0008]S1、准备1份甲醇样品，从n个不同的加油站分别获取3份汽油样品和48份甲醇汽油样品，n为大于等于1的整数，其中3份汽油样品分别为1份92号汽油样品、1份95号汽油样品和1份98号汽油样品，48份甲醇汽油样品包括三类甲醇汽油样品，每类甲醇汽油样品分别包括甲醇体积含量为1％、2％、4％、6％、8％、10％、12％、14％、16％、18％、20％、22％、24％、26％、28％和30％的16份甲醇汽油样品，第一类甲醇汽油样品由甲醇汽油与92号汽油或者甲醇混合配置而成，第二类甲醇汽油样品由甲醇汽油与95号汽油或者甲醇混合配置而成，第三类甲醇汽油样品由甲醇汽油与98号汽油或者甲醇混合配置而成，由此得到1份甲醇样品、3n份汽油样品以及48n份甲醇汽油样品，共计51n+1份样品；
[0009]S2、分别采集51n+1份样品的中红外光谱与拉曼光谱，将每份样品的中红外光谱与拉曼光谱进行拼接，得到每份样品的中红外光谱与拉曼光谱的拼接光谱；
[0010]S3、获取每份样品的拼接光谱的特征峰强度，并分别对每份样品的拼接光谱的特征峰强度进行归一化处理，得到了每份样品的拼接光谱的归一化数据，每份样品的拼接光谱的归一化数据的数量等于其特征峰强度的数量；
[0011]S4、以48n份甲醇汽油样品的归一化数据作为目标类，非甲醇汽油样品(3n份汽油样品以及1份甲醇样品)的归一化数据为非目标类，构建一个能够识别目标类，而拒绝识别非目标类的Keans单类分类器；
[0012]S5、对48n份甲醇汽油样品的拼接光谱进行预处理，得到48n份甲醇汽油样品的光谱数据，48n份甲醇汽油样品的光谱数据构成一个光谱数据矩阵；所述的光谱数据矩阵中每一行的数据分别对应一个样品的光谱数据，即每行数据为一个样品的光谱数据，所述的光谱数据矩阵为包括48n行光谱数据的矩阵；
[0013]S6、采用48n份甲醇汽油样品的光谱数据及其甲醇含量构建数据集(X,Y)，其中X表示48n份甲醇汽油样品的光谱数据的集合，Y表示48n份甲醇汽油样品的甲醇含量的集合，数据集(X,Y)中每份甲醇汽油样品的光谱数据与其甲醇含量一一对应；
[0014]S7、将数据集(X,Y)划分为校正集(Xc,Yc)和预测集(Xt,Yt)，Xc表示校正集中甲醇汽油样品的光谱数据的集合，Yc为校正集中甲醇汽油样品的甲醇含量的集合，Xt表示预测集中甲醇汽油样品的光谱数据的集合，Yt为预测集中甲醇汽油样品的甲醇含量的集合，校正集(Xc,Yc)中每份甲醇汽油样品的光谱数据与其甲醇含量一一对应，预测集(Xt,Yt)中每份甲醇汽油样品的光谱数据与其甲醇含量一一对应，当前得到的校正集(Xc,Yc)为原始校正集，当前得到的预测集(Xt,Yt)为原始预测集；
[0015]S8、设定变量i，对变量i进行初始化，令i＝1；
[0016]S9、进行第i次模型构建，具体建模过程为：
[0017]S9
‑
1、将当前校正集的Xc作为输入项，Yc作为输出值，通过变量筛选方法对输入项Xc进行筛选，采用筛选出来的甲醇汽油样品的光谱数据构成筛选光谱数据集合Xs，将Xc中除Xs以外的其他甲醇汽油样品的光谱数据构成剩余光谱数据集合Xr；
[0018]S9
‑
2、以偏最小二乘法拟合当前得到的筛选光谱集合Xs对应的甲醇汽油样品的甲醇含量，构建得到基于筛选光谱数据的第i个偏最小二乘回归模型PLS_s_i；以偏最小二乘法拟合当前得到的剩余光谱数据集合Xr对应的甲醇汽油样品的甲本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种甲醇汽油品质检测方法，包括模型构建阶段和光谱识别阶段，其特征在于所述的模型构建阶段包括以下步骤：S1、准备1份甲醇样品，从n个不同的加油站分别获取3份汽油样品和48份甲醇汽油样品，n为大于等于1的整数，其中3份汽油样品分别为1份92号汽油样品、1份95号汽油样品和1份98号汽油样品，48份甲醇汽油样品包括三类甲醇汽油样品，每类甲醇汽油样品分别包括甲醇体积含量为1％、2％、4％、6％、8％、10％、12％、14％、16％、18％、20％、22％、24％、26％、28％和30％的16份甲醇汽油样品，第一类甲醇汽油样品由甲醇汽油与92号汽油或者甲醇混合配置而成，第二类甲醇汽油样品由甲醇汽油与95号汽油或者甲醇混合配置而成，第三类甲醇汽油样品由甲醇汽油与98号汽油或者甲醇混合配置而成，由此得到1份甲醇样品、3n份汽油样品以及48n份甲醇汽油样品，共计51n+1份样品；S2、分别采集51n+1份样品的中红外光谱与拉曼光谱，将每份样品的中红外光谱与拉曼光谱进行拼接，得到每份样品的中红外光谱与拉曼光谱的拼接光谱；S3、获取每份样品的拼接光谱的特征峰强度，并分别对每份样品的拼接光谱的特征峰强度进行归一化处理，得到了每份样品的拼接光谱的归一化数据，每份样品的拼接光谱的归一化数据的数量等于其特征峰强度的数量；S4、以48n份甲醇汽油样品的归一化数据作为目标类，非甲醇汽油样品(3n份汽油样品以及1份甲醇样品)的归一化数据为非目标类，构建一个能够识别目标类，而拒绝识别非目标类的Keans单类分类器；S5、对48n份甲醇汽油样品的拼接光谱进行预处理，得到48n份甲醇汽油样品的光谱数据，48n份甲醇汽油样品的光谱数据构成一个光谱数据矩阵；所述的光谱数据矩阵中每一行的数据分别对应一个样品的光谱数据，即每行数据为一个样品的光谱数据，所述的光谱数据矩阵为包括48n行光谱数据的矩阵；S6、采用48n份甲醇汽油样品的光谱数据及其甲醇含量构建数据集(X，Y)，其中X表示48n份甲醇汽油样品的光谱数据的集合，Y表示48n份甲醇汽油样品的甲醇含量的集合，数据集(X，Y)中每份甲醇汽油样品的光谱数据与其甲醇含量一一对应；S7、将数据集(X，Y)划分为校正集(Xc,Yc)和预测集(Xt,Yt)，Xc表示校正集中甲醇汽油样品的光谱数据的集合，Yc为校正集中甲醇汽油样品的甲醇含量的集合，Xt表示预测集中甲醇汽油样品的光谱数据的集合，Yt为预测集中甲醇汽油样品的甲醇含量的集合，校正集(Xc,Yc)中每份甲醇汽油样品的光谱数据与其甲醇含量一一对应，预测集(Xt,Yt)中每份甲醇汽油样品的光谱数据与其甲醇含量一一对应，当前得到的校正集(Xc,Yc)为原始校正集，当前得到的预测集(Xt,Yt)为原始预测集；S8、设定变量i，对变量i进行初始化，令i＝1；S9、进行第i次模型构建，具体建模过程为：S9
‑
1、将当前校正集的Xc作为输入项，Yc作为输出值，通过变量筛选方法对输入项Xc进行筛选，采用筛选出来的甲醇汽油样品的光谱数据构成筛选光谱数据集合Xs，将Xc中除Xs以外的其他甲醇汽油样品的光谱数据构成剩余光谱数据集合Xr；S9
‑
2、以偏最小二乘法拟合当前得到的筛选光谱集合Xs对应的甲醇汽油样品的甲醇含量，构建得到基于筛选光谱数据的第i个偏最小二乘回归模型PLS_s_i；以偏最小二乘法拟合当前得到的剩余光谱数据集合Xr对应的甲醇汽油样品的甲醇含量，构建得到基于剩余光
谱数据的第i个偏最小二乘回归模型PLS_r_i；S9
‑
3、采用偏最小二乘回归模型PLS_s_i和偏最小二乘回归模型PLS_r_i分别对原始校正集(Xc,Yc)和原始预测集(Xt,Yt)中的样本进行预测，分别得到偏最小二乘回归模型PLS_s_i和偏最小二乘回归模型PLS_r_i的均方根误差RMSE；S9
‑
4、若偏最小二乘回归模型PLS_s_i的均方根误差高于偏最小二乘回归模型PLS_r_i的均方根误差，则进入步骤S10，若偏最小二乘回归模型PLS_s_i的均方根误差低于偏最小二乘回归模型PLS_r_i的均方根误差，则将当前校正集Xc的光谱数据替换为当前得到的剩余光谱数据集合Xr中的光谱数据，完成Xc的更新，当前校正集(Xc,Yc)被更新为(Xr,Yc)，然后采用i的当前值加1的和更新i的取值后，重复步骤S9，直至偏最小二乘回归模型PLS_s_i的的均方根误差RMSE高于偏最小二乘回归模型PLS_r_i的均方根误差RMSE；S10、将i的当前值记为I，此时得到基于筛选光谱数据的I个偏最小二乘回归模型，即第1个偏最小二乘回归模型PLS_s_1至第I个偏最小二乘回归模型PLS_s_I，将第1个偏最小二乘回归模型PLS_s_1至第I个偏最小二乘回归模型PLS_s_I作为第1个成员模型～第I个成员模型，采用第1个成员模型至第k个成员模型构建得到第k
‑
1个共识模型，k＝2,3，
…
，I，分别构建得到I
‑
1个共识模型；S11、采用I
‑
1个共识模型分别对原始校正集(Xc,Yc)和原始预测集(Xt,Yt)的样本进行预测，分别得到I
‑
1个共识模型的均方根误差RMSE；S12、比较I
‑
1个共识模型的均方根误差RMSE，选出均方根误差最低的一个共识模型，假设该共识模型为第Q个共识模型，Q为大于等于1且小于等于I
‑
1的整数，将该共识模型记为C_PLS，该共识模型C_PLS由第1个成员模型～第Q+1个成员模型构建得到，将第1个成员模型～第Q+1个成员模型在共识模型C_PLS的分配系数依次记为c1～c
Q+1
；S13、模型构建完成；所述的光谱识别阶段具体包括以下步骤：A、获取待测样本的中红外光谱和拉曼光谱光谱，然后通过波峰识别算法以及与官能团特定关联的光谱峰来遴选出待测样本的中红外光谱的特征峰和拉曼光谱光谱的特征峰，...

【专利技术属性】
技术研发人员：袁雷明，游力凡，孙一叶，毕雨晴，高卓宇，刘苗苗，毛飞，陈孝敬，陈熙，黄光造，石文，孟留伟，
申请(专利权)人：温州大学，
类型：发明
国别省市：