利用二元线性分类器建立航空煤油性质预测模型的方法技术

本发明专利技术提供一种利用二元线性分类器构建航空煤油性质预测模型的方法，属于航空煤油性质预测技术领域。本发明专利技术方法包括：获取多个航空煤油样品的理化性质数据；采集多个航空煤油样品近红外光谱数据，并对该近红外光谱数据进行至少两次优化处理；利用二元线性分类器构建航空煤油理化性质数据与近红外光谱数据相关联的回归模型；将优化处理后的数据代入回归模型，以得到待测样品的多个理化性质。本发明专利技术基于二元线性分类器构建预测航空煤油的回归模型，单次操作即可实现检测航空煤油的多种理化性质，对于原始光谱的处理、模型的建立以及更新无需离线进行，能够及时有效地更新回归模型，提高预测准确度。提高预测准确度。提高预测准确度。

【技术实现步骤摘要】
利用二元线性分类器建立航空煤油性质预测模型的方法


[0001]本专利技术属于航空煤油性质检测
，具体涉及一种利用二元线性分类器构建航空煤油性质预测模型的方法。

技术介绍

[0002]随着航空业的快速发展，航空煤油作为航空业的主要能源，其质量安全在整个行业链条中发挥着至关重要的作用。目前国内航空煤油的运输方式主要为管输、铁路槽车和公路运输三种。因为部分油料运输媒介也会运输其他品类油料，所以时常发生航空煤油污染等质量问题。
[0003]传统的航空煤油性质检测方法操作复杂，实验耗时长，且受限于专业的实验室空间，很难达到对航空煤油性质数据实时监测的要求，不易及时发现航空煤油质量问题。目前不断发展的化学计量学技术，可以实现在短时间内分析大量数据，使得快速评价航空煤油质量情况成为可能。
[0004]其中，近红外光谱分析技术是目前在工业生产领域应用最广泛的快速分析技术之一。该技术具有光谱信息采集速度快、灵敏度高、价格低廉等优点。结合合适的建模方法即可实现对航空煤油理化性质的快速检测。然而，传统的建模方法对于原始光谱的处理、模型的建立和更新都需要离线进行，但工业应用现场因为情况复杂多变，需要模型能够及时有效地更新。
[0005]因此，基于上述技术问题，本专利技术提出一种利用二元线性分类器构建航空煤油性质预测模型的方法。

技术实现思路

[0006]本专利技术旨在至少解决现有技术中存在的技术问题之一，提供一种利用二元线性分类器构建航空煤油性质预测模型的方法。
[0007]本专利技术提供一种利用二元线性分类器构建航空煤油性质预测模型的方法，包括下述步骤：
[0008]获取多个航空煤油样品的理化性质数据；
[0009]采集所述多个航空煤油样品的近红外光谱数据，并对该近红外光谱数据进行至少两次优化处理；
[0010]利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型；
[0011]采集待测样品的近红外光谱数据，并对其进行至少两次优化处理，将优化处理后的数据代入所述回归模型，以得到所述待测样品的多个理化性质。
[0012]可选的，所述理化性质包括20℃密度、冰点、闪点、初馏点、50％回收温度和终馏点。
[0013]可选的，利用透射式近红外光谱仪采集所述航空煤油样品的近红外光谱数据；其
中，
[0014]采集范围为4000cm
‑1～12000cm
‑1，扫描次数范围为5次～120次。
[0015]可选的，所述对该近红外光谱数据进行至少两次优化处理，包括：
[0016]利用一阶微分和矢量归一化法对所述近红外光谱数据进行第一次优化处理；
[0017]利用PCA
‑
MD法进行第二次优化处理，以剔除异常航空煤油样品。
[0018]可选的，所述矢量归一化公式如下：
[0019]x
′
＝(x
‑
Min(x))/(Max(x)
‑
Min(x))
[0020]式中，Max(x)为样本数据的最大值，Min(x)为样本数据的最小值，x为待归一化样本数据，x
’
为归一化样本数据。
[0021]可选的，利用PCA
‑
MD法进行第二次优化处理，以剔除异常航空煤油样品，包括：
[0022]采用PCA
‑
MD法计算第一次优化处理后航空煤油样品的马氏距离值和马氏距离标准方差；
[0023]根据所述马氏距离值和马氏距离标准方差得到异常航空煤油样品的马氏距离阈值；
[0024]将每个第一次优化处理后航空煤油样品的马氏距离值与所述异常航空煤油样品的马氏距离阈值比较，响应于所述马氏距离值大于马氏距离阈值时将其对应样品剔除。
[0025]可选的，所述马氏距离阈值的计算公式如下：
[0026]W
MD
＝mean(MD)+k*std(MD)
[0027]式中，W
MD
为异常航空煤油样品的马氏距离阈值，mean(MD)为MD的平均值函数，std(MD)为MD的标准方差函数，k为阙值调整权重系数；以及，
[0028]所述马氏距离值的计算公式为：
[0029][0030]式中，MD为航空煤油样品i的马氏距离值，t
i
为航空煤油样品i的得分向量，C为全部航空煤油样品得分矩阵的协方差矩阵，T为全部航空煤油样品的得分矩阵。
[0031]可选的，所述利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型之前，还包括：
[0032]将所述近红外光谱数据分为n个光谱区间，针对所述n个光谱区间分别建立局部预测模型，以均方根误差作为评定标准，选取预设光谱区间。
[0033]可选的，所述均方根误差的计算公式为下式：
[0034][0035]式中，yi为航空煤油样品i的预测值，为真值，n为样品数。
[0036]可选的，所述利用二元线性分类器建立所述航空煤油理化性质数据与所述近红外光谱数据相关联的回归模型，包括：
[0037]将所述预设光谱区间的近红外光谱数据映射到一个高维特征空间并建立并与所述理化性质数据建立关联模型，具体如下：
[0038][0039][0040][0041]式中，为将近红外光谱输入数据映射到高维特征空间的映射函数，γ为正规化参数，e
k
为误差变量，权值向量ω∈R
n
，偏置值b∈R，第k个航空煤油样品的输出数据y
k
∈R；
[0042]采用拉格朗日乘数法得到下式：
[0043][0044]式中，拉格朗日乘子α
k
∈R，第k个航空煤油样品的输入数据x
k
∈R
N
；
[0045][0046][0047][0048][0049]求解得到二元线性分类器回归模型，具体如下式：
[0050][0051]本专利技术提供一种利用二元线性分类器构建航空煤油性质预测模型的方法，包括下述步骤：获取多个航空煤油样品的理化性质数据；采集所述多个航空煤油样品的近红外光谱数据，并对该近红外光谱数据进行至少两次优化处理；利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型；采集待测样品的近红外光谱数据，并对其进行至少两次优化处理，将优化处理后的数据代入所述回归模型，以得到所述待测样品的多个理化性质。本专利技术基于二元线性分类器构建预测航空煤油的回归模型，单次操作即可实现检测航空煤油的多种理化性质，对于原始光谱的处理、模型的建立以及更新无需离线进行，能够及时有效地更新回归模型，以提高预测准确度。
附图说明
[0052]图1为本专利技术一实施例的利用二元线性分类器构建航空煤油性质预测模型的方法的流程框图；
[0053]图2为本专利技术的航空煤油样品的原始近红外本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用二元线性分类器构建航空煤油性质预测模型的方法，其特征在于，包括下述步骤：获取多个航空煤油样品的理化性质数据；采集所述多个航空煤油样品的近红外光谱数据，并对该近红外光谱数据进行至少两次优化处理；利用支持二元线性分类器构建所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型；采集待测样品的近红外光谱数据，并对其进行至少两次优化处理，将优化处理后的数据代入所述回归模型，以得到所述待测样品的多个理化性质。2.根据权利要求1所述的方法，其特征在于，所述理化性质包括20℃密度、冰点、闪点、初馏点、50％回收温度和终馏点。3.根据权利要求1所述的方法，其特征在于，利用透射式近红外光谱仪采集所述航空煤油样品的近红外光谱数据；其中，采集范围为4000cm
‑1～12000cm
‑1，扫描次数范围为5次～120次。4.根据权利要求1所述的方法，其特征在于，所述对该近红外光谱数据进行至少两次优化处理，包括：利用一阶微分和矢量归一化法对所述近红外光谱数据进行第一次优化处理；利用PCA
‑
MD法进行第二次优化处理，以剔除异常航空煤油样品。5.根据权利要求4所述的方法，其特征在于，所述矢量归一化公式如下：x
’
＝(x
‑
Min(x))/(Max(x)
‑
Min(x))式中，Max(x)为样本数据的最大值，Min(x)为样本数据的最小值，x为待归一化样本数据，x
’
为归一化样本数据。6.根据权利要求4所述的方法，其特征在于，利用PCA
‑
MD法进行第二次优化处理，以剔除异常航空煤油样品，包括：采用PCA
‑
MD法计算第一次优化处理后航空煤油样品的马氏距离值和马氏距离标准方差；根据所述马氏距离值和马氏距离标准方差得到异常航空煤油样品的马氏距离阈值；将每个第一次优化处理后航空煤油样品的马氏距离值与所述异常航空煤油样品的马氏距离阈值比较，响应于所述马氏距...

【专利技术属性】
技术研发人员：黄恩浩，李禄生，孟祥展，叶凡，徐擎立，李明，刘矫健，
申请(专利权)人：中国航空油料有限责任公司，
类型：发明
国别省市：