用于检测油液掺混的方法及设备技术

本申请提供一种检测油液掺混的方法及设备。该方法包括：获取待测油液样本的近红外光谱和中红外光谱组成的近红外

【技术实现步骤摘要】
用于检测油液掺混的方法及设备


[0001]本申请涉及检测领域，具体涉及一种用于检测油液掺混的方法及设备。

技术介绍

[0002]航空煤油是喷气式发动机飞机的专用燃料。由于工作环境的特殊性，使 得对其性能的要求十分苛刻，例如，良好的低温流动性，较大的净热值和密 度，较快的燃烧速度且燃烧完全，良好的安定性等。这些性质很大程度上取 决于航空煤油的化学组成，而化学组成也会因原料和生产工艺的不同出现差 异，从而影响航空煤油的某些特性。目前，航空煤油主要由常规石油炼制过 程得到，其产量占总产量的80％以上。航空煤油炼制技术即利用常减压蒸 馏技术，将不同沸点的化合物通过蒸馏、冷凝、收集，实现物质的分离，得 到液化气、石脑油、汽油、煤油、柴油、润滑油、燃料油及渣油等馏分。然 而，由于煤油的沸程(180～310℃)和柴油的沸程(180～370℃，轻柴油)存 在重合，在切割所需的航空煤油馏分时，容易将柴油馏分切取到航空煤油馏 分当中，使得后续航空煤油的精制过程难度加大，成本也随之增加。为了便 于航空煤油后续过程的顺利进行以及最大程度上确保成品航空煤油的品质， 需要对航空煤油切割过程进行监测。对该过程的监测首先需要寻求一种能够 区分纯航空煤油馏分和切割进了柴油馏分的航空煤油的方法。

技术实现思路

[0003]本申请实施例的目的是提供一种检测油液掺混的方法及设备。
[0004]为了实现上述目的，本申请第一方面提供一种用于检测油液掺混的方法， 该方法包括：获取待测油液样本的近红外光谱和中红外光谱组成的近红外
‑ꢀ
中红外融合光谱；获取所述近红外
‑
中红外融合光谱的近红外特征谱区吸光 度和中红外特征谱区吸光度；以及根据所述近红外
‑
中红外融合光谱的近红 外特征谱区吸光度和中红外特征谱区吸光度及预先建立的判别分析模型，确 定所述待测油液样本的类别，其中所述判别分析模型根据第一油液与第二油 液的多个样本的近红外
‑
中红外融合光谱及其掺混比例、近红外特征谱区吸 光度和中红外特征谱区吸光度而被生成。
[0005]在本申请实施例中，所述判别分析模型根据以下操作而被生成：
[0006]获取所述第一油液与所述第二油液的多个样本；
[0007]获取所述多个样本中的每一样本的中红外光谱和近红外光谱，并对该中 红外光谱和近红外光谱进行拼接，以得到该样本的近红外
‑
中红外融合光谱；
[0008]按式
①
得到第一近红外
‑
中红外融合光谱，
[0009]m＝xd+(1
‑
x)j
ꢀꢀ①
[0010]其中，m表示由第一油液的近红外
‑
中红外融合光谱与第二油液的近红 外
‑
中红外融合光谱合成的第一近红外
‑
中红外光谱，d为第一油液近红外
‑
中 红外融合光谱，j为第二油液近红外
‑
中红外融合光谱，x为第一油液近红外
‑ꢀ
中红外融合光谱掺混比例，0≤x<1，
[0011]利用所述第一近红外
‑
中红外融合光谱，生成库样本光谱，并根据所述 第一油液
近红外
‑
中红外融合光谱掺混比例，设置相应的类别标签值，例如， 将在0<x<1时合成的第一近红外
‑
中红外融合光谱的类别标签设置为1，将x＝0 时的第一近红外
‑
中红外融合光谱的类别标签设置为3；以及
[0012]获取每个库样本光谱的近红外特征谱区吸光度和中红外特征谱区吸光 度，结合其对应的类别标签值，构建具有线性
‑
非线性决策能力的判别分析 模型。
[0013]在本申请实施例中，在所述的具有线性
‑
非线性决策能力的判别分析模 型中，线性决策能力由偏最小二乘方法提供，非线性方法由极限学习机方法 提供，集成这两种方法的具体步骤如下：
[0014]建立偏最小二乘判别分析模型，作为所述线性决策部分；
[0015]建立多个极限学习机个体(基)学习器，作为所述非线性决策部分；
[0016]为所述线性决策部分和非线性决策部分赋予相应地权重，分别记作w1 和w2(0≤w1≤1，0≤w2≤1，且w1+w2＝1，其中，w1取0表示所述方法 仅含有非线性决策部分，w2取0表示所述方法仅含有线性决策部分)；
[0017]采用投票法进行最终的分类决策，即，对所述线性决策部分和非线性决 策部分所得的分类票数乘以相应的权重(即，w1和w2)，最终将各个类别 的加权票数求和，最大的值对应的类别为最终类别。
[0018]在本申请实施例中，根据下式计算所述待测油液样本的类别标签值，并 将该值与一阈值(例如，在线性决策部分的偏最小二乘判别分析中，该类别 标签值阈值为2)进行比较以确定所述待测油液样本的类别作为所述线性决 策部分的分类票数：
[0019]y
un
＝b
PLS
x
un
，
[0020]其中，x
un
为所述待测油液样本的近红外特征谱区吸光度和中红外特征 谱区吸光度，b
PLS
＝w
fT
(p
f
w
fT
)
‑1q
f
，其中，b
PLS
为偏最小二乘(PLS)算法的 回归系数，f为用交互验证法确定的偏最小二乘的最佳主因子数，w
f
为所建 立的判别分析模型使用的样本光谱的吸光度矩阵在f个主成分下的权重向量， p
f
为所建立的判别分析模型使用的样本光谱的吸光度矩阵在f个主成分下的 载荷，q
f
为所建立的判别分析模型使用的样本光谱对应的类别标签矩阵在f 个主成分下的载荷。
[0021]在本申请实施例中，根据下式计算所述待测油液样本的类别标签值，以 作为所述非线性决策部分的分类票数：
[0022][0023]其中，x
un
为所述待测油液样本的近红外特征谱区吸光度和中红外特征 谱区吸光度L为隐含层节点数，w
p
为第p个隐含层节点与输入层节点的权重， β
p
为第p个隐含层节点与输出层节点的权重向量，b
p
第p个隐含层节点的阈 值，g(
·
)为激活函数。
[0024]在本申请实施例中，所述近红外特征谱区的波数范围为4366
‑
4752cm
‑1， 所述中红外特征谱区的波数范围为1541
‑
1662cm
‑1。
[0025]在本申请实施例中，所述待测油液样本为实际的油液样本或由
②
式配置 的油液样本，
[0026]m＝cd+(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于检测油液掺混的方法，该方法包括：获取待测油液样本的近红外光谱和中红外光谱组成的近红外
‑
中红外融合光谱；获取所述近红外
‑
中红外融合光谱的近红外特征谱区吸光度和中红外特征谱区吸光度；以及根据所述近红外
‑
中红外融合光谱的近红外特征谱区吸光度和中红外特征谱区吸光度及预先建立的判别分析模型，确定所述待测油液样本的类别，其中所述判别分析模型根据第一油液与第二油液的多个样本的近红外
‑
中红外融合光谱及其掺混比例、近红外特征谱区吸光度和中红外特征谱区吸光度而被生成。2.根据权利要求1所述的方法，其特征在于，所述判别分析模型根据以下操作而被生成：获取所述第一油液与所述第二油液的多个样本；获取所述多个样本中的每一样本的中红外光谱和近红外光谱，并对该中红外光谱和近红外光谱进行拼接，以得到该样本的近红外
‑
中红外融合光谱；按式
①
得到第一近红外
‑
中红外融合光谱，m＝xd+(1
‑
x)j
ꢀꢀꢀꢀ①
其中，m表示由第一油液的近红外
‑
中红外融合光谱与第二油液的近红外
‑
中红外融合光谱合成的第一近红外
‑
中红外融合光谱，d为第一油液近红外
‑
中红外融合光谱，j为第二油液近红外
‑
中红外融合光谱，x为第一油液近红外
‑
中红外融合光谱掺混比例，利用所述第一近红外
‑
中红外融合光谱，生成库样本光谱，并根据所述第一油液近红外
‑
中红外融合光谱掺混比例，设置相应的类别标签值；以及获取每个库样本光谱的近红外特征谱区吸光度和中红外特征谱区吸光度，结合其对应的类别标签值，构建具有线性
‑
非线性决策能力的判别分析模型。3.根据权利要求2所述的方法，其特征在于，在所述的具有线性
‑
非线性决策能力的判别分析模型中，线性决策能力由偏最小二乘方法提供，非线性方法由极限学习机方法提供，集成这两种方法的具体步骤如下：建立偏最小二乘判别分析模型，作为所述线性决策部分；建立多个极限学习机个体学习器，作为所述非线性决策部分；为所述线性决策部分和非线性决策部分赋予相应地权重；采用投票法进行最终的分类决策，即，对所述线性决策部分和非线性决策部分所得的分类票数乘以相应的权重，最终将各个类别的加权票数求和，最大的值对应的类别为最终类别。4.根据权利要求3所述的方法，其特征在于，根据下式计算所述待测油液样本的类别标签值，并将该值与一阈值进行比较以确定所述待测油液样本的类别作为所述线性决策部分的分类票数：y
un
＝b
PLS
x
un
，其中，x
un
为所述待测油液样本的近红外特征谱区吸光度和中红外特征谱区吸光度，其中，b
PLS
为偏最小二乘(PLS)算法的回归系数，f为用交互验证法确定的偏最小二乘的最佳主因子数，w
f
为所建立的判别分析模型使用的样本光谱的吸光度
矩阵在f个主成分下的权重向量，p
f
为所建立的判别分析模型使用的样本光谱的吸光度矩阵在f个主成分下的载荷，q
f
为所建立的判别分析模型使用的样本光谱对应的类别标签矩阵在f个主成分下的载荷。5.根据权利要求3所述的方法，其特征在于，根据下式计算所述待测油液样本的类别标签值，以作为所述非线性决策部分的分类票数：其中，x
un
为所述待测油液样本的近红外特征谱区吸光度和中红外特征谱区吸光度，L为隐含层节点数，w...

【专利技术属性】
技术研发人员：王海朋，戴嘉伟，褚小立，李敬岩，陈瀑，刘丹，许育鹏，
申请(专利权)人：中国石油化工股份有限公司石油化工科学研究院，
类型：发明
国别省市：