基于近红外建模的尿素检测分析方法及装置制造方法及图纸

本公开提供一种基于近红外建模的尿素检测分析方法及装置，能够根据尿素样品的近红外检测值以及各个成分的湿化学值进行结合关联，进而构建对应的数据库，形成近红外分析模型，这样，就可以利用近红外分析模型对待检测的尿素的各项成分含量数据进行检测分析，使得检测得到的各成分含量的准确度得到有效提高。得到的各成分含量的准确度得到有效提高。得到的各成分含量的准确度得到有效提高。

【技术实现步骤摘要】
基于近红外建模的尿素检测分析方法及装置


[0001]本公开涉及油品检测
，尤其涉及一种基于近红外建模的尿素检测分析方法及装置。

技术介绍

[0002]近红外光谱分析方法已广泛应用于油品性质分析中，同传统的实验室化验方法相比，该方法具有分析速度快、精度高和耗费少等优点。
[0003]但是现有技术中的近红外光谱分析，一般只对尿素的近红外光谱进行分析，根据近红外光谱确定尿素的各个成分含量或者相应的数据指标。单靠近红外光谱的分析可能会使尿素的各项指标检测的不准确，检测精度不高。

技术实现思路

[0004]有鉴于此，本公开的目的在于提出一种基于近红外建模的尿素检测分析方法及装置，能够解决或部分解决上述技术问题。
[0005]基于上述目的，本公开第一方面提供了一种基于近红外建模的尿素检测分析方法，所述尿素为车用尿素，所述方法包括：
[0006]S1，获取尿素样品；
[0007]S2，利用近红外设备获取每个所述尿素样品的近红外光谱；
[0008]S3，利用湿化学法对每个所述尿素样品的成分进行检测，得到与每个所述尿素样品的成分对应的湿化学值；
[0009]S4，将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型；
[0010]S5，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；其中，尿素样品的类别包括：汽油尿素类和柴油尿素类；
[0011]S6，所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层；
[0012]S7，所述数据整合层将处理结果和所述目标区域选择神经网络对应的类别进行整合后输出；
[0013]S8，将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域；
[0014]S9，对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处
理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值；
[0015]S10，将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据；
[0016]S11，计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除；
[0017]S12，利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩余的柴油类数据构建柴油类数据库，将所述柴油类数据库作为柴油类近红外分析初始模型；
[0018]S13，利用汽油类尿素样品对所述汽油类近红外分析初始模型进行交叉检验，得到汽油类近红外分析模型，或者，利用柴油类尿素样品对所述柴油类近红外分析初始模型进行交叉检验，得到柴油类近红外分析模型；
[0019]S14，将所述汽油类近红外分析模型和所述柴油类近红外分析模型进行组合形成近红外分析模型；
[0020]S15，将待检测的尿素利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的尿素进行处理得到与待检测的尿素的成分对应的待分析湿化学值；
[0021]S16，将所述待检测的尿素的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外分析模型确定所述待检测的尿素的类别，将所述待检测的尿素的中的待分析近红外光谱和对应的待分析湿化学值输入至对应类别的所述汽油类近红外分析模型或所述柴油类近红外分析模型中进行处理得到所述待检测的尿素的各项成分的含量数据。
[0022]本公开的第二方面提出了一种基于近红外建模的尿素检测分析装置，所述尿素为车用尿素，所述装置包括：
[0023]获取模块，用于获取获取尿素样品；
[0024]近红外获取模块，用于利用近红外设备获取每个所述尿素样品的近红外光谱；
[0025]湿化学处理模块，用于利用湿化学法对每个所述尿素样品的成分进行检测，获取每个所述尿素样品的成分对应的湿化学值；
[0026]神经网络处理模块，用于将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层；所述数据整合层将处理结果和所述目标区域选择神经网络对应的类别进行整合后输出；其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型，其中，尿素样
品的类别包括：汽油尿素类和柴油尿素类；
[0027]收集模块，用于将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域；
[0028]数学处理模块，用于对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值；
[0029]关联处理模块，用于将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据；
[0030]删除模块，用于计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除；
[0031]构建模块，用于利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于近红外建模的尿素检测分析方法，其特征在于，所述尿素为车用尿素，所述方法包括：S1，获取尿素样品；S2，利用近红外设备获取每个所述尿素样品的近红外光谱；S3，利用湿化学法对每个所述尿素样品的成分进行检测，得到与每个所述尿素样品的成分对应的湿化学值；S4，将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型；S5，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；其中，尿素样品的类别包括：汽油尿素类和柴油尿素类；S6，所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层；S7，所述数据整合层将处理结果和所述目标区域选择神经网络对应的类别进行整合后输出；S8，将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域；S9，对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值；S10，将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据；S11，计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除；S12，利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩余的柴油类数据构建柴油类数据库，将所述柴油类数据库作为柴油类近红外分析初始模型；S13，利用汽油类尿素样品对所述汽油类近红外分析初始模型进行交叉检验，得到汽油类近红外分析模型，或者，利用柴油类尿素样品对所述柴油类近红外分析初始模型进行交叉检验，得到柴油类近红外分析模型；S14，将所述汽油类近红外分析模型和所述柴油类近红外分析模型进行组合形成近红外分析模型；S15，将待检测的尿素利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对
待检测的尿素进行处理得到与待检测的尿素的成分对应的待分析湿化学值；S16，将所述待检测的尿素的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外分析模型确定所述待检测的尿素的类别，将所述待检测的尿素的中的待分析近红外光谱和对应的待分析湿化学值输入至对应类别的所述汽油类近红外分析模型或所述柴油类近红外分析模型中进行处理得到所述待检测的尿素的各项成分的含量数据。2.根据权利要求1所述的方法，其特征在于，所述区域选择神经网络模型的构建过程包括：SA1，构建具有一个输入层、多个隐藏层和一个输出层的深度神经网络；SA2，获取预定数量的尿素样本，利用近红外设备获取各个尿素样本的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的尿素样本的近红外光谱作为训练样本；SA3，根据所述尿素样本的类别，对所述训练样本进行分类，分为汽油类训练样本和柴油类训练样本；SA4，提取汽油类训练样本，输入至所述深度神经网络的输入层，利用所述输入层对所述汽油类的训练样本进行预处理，并将预处理后的训练样本发送至隐藏层进行处理；SA5，所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出；SA6，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述下一个汽油类训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对深度神经网络中的所述目标类对应的各个隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同；SA7，不断重复步骤SA5至SA7直至所述汽油类训练样本全部训练完成得到汽油尿素区域选择神经网络模型；SA8，提取柴油类训练样本，将所述柴油类训练样本输入至所述汽油尿素区域选择神经网络模型中的输入层，并重复步骤SA5至SA7的过程对所述汽油尿素区域选择神经网络模型进行继续训练，直至所有柴油类训练样本全部训练完成，将最后得到的神经网络作为柴油尿素区域选择神经网络模型；SA9，将汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型。3.根据权利要求1所述的方法，其特征在于，所述区域选择神经网络模型的构建过程包括：SB1，获取预定数量的尿素样本，利用近红外设备获取各个尿素样本的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的尿素样本的近红外光谱作为训练样本；SB2，根据所述尿素样本的类别，对所述训练样本进行分类，分为汽油类训练样本和柴油类训练样本；SB3，构建两个具有输入层、隐藏层和输出层的深度神经网络，分别为第一深度神经网
络和第二深度神经网络；SB4，提取汽油类训练样本，利用汽油类训练样本对第一深度神经网络进行训练得到能够对汽油尿素的近红外光谱进行相关性最大的光谱区域识别的第一神经网络初始模型；SB5，提取柴油类训练样本，利用柴油类训练样本对第二深度神经网络进行训练得到能够对柴油尿素的近红外光谱进行相关性最大的光谱区域识别的第二神经网络初始模型；SB6，将第一神经网络初始模型和第二神经网络初始模型进行整合，并在所述第一神经网络初始模型和所述第二神经网络初始模型之前增加判断层，在所述第一神经网络初始模型和所述第二神经网络初始模型之后增加数据整合层，进而得到区域选择神经网络模型。4.根据权利要求3所述的方法，其特征在于，步骤SB4具体包括：SB41，将所述汽油类训练样本输入至第一深度神经网络的输入层，利用所述输入层对所述汽油类训练样本进行预处理，并将预处理后的汽油类训练样本发送至隐藏层进行处理；SB42，所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出；SB43，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述下一个汽油类训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对第一深度神经网络中的隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同；SB44，不断重复步骤SB41至SB43直至所述汽油类训练样本全部训练完成得到第一神经网络初始模型。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，步骤S13具体包括：S13
‑
1，对n个汽油类/柴油类尿素样品进行排序N1，N2……
N
n

【专利技术属性】
技术研发人员：鲁冰，丁焰，杜彪，尹航，吉喆，朱云鹏，裴修尧，周玉山，
申请(专利权)人：中国环境科学研究院，
类型：发明
国别省市：