一种乳化石油类产品含油率检测方法技术

本发明专利技术公开一种乳化石油类产品含油率检测方法

【技术实现步骤摘要】
一种乳化石油类产品含油率检测方法、系统、设备及介质


[0001]本专利技术涉及石油及石油类产品检测分析领域，特别是涉及一种乳化石油类产品含油率检测方法
、
系统
、
设备及介质
。

技术介绍

[0002]溢油事故频发，对生态环境和人类健康造成长期严重影响，石油及石油类产品的乳状液不容易消散，难以有效处理和回收，对环境的危害更为显著
。
对不同乳化阶段石油类产品的含油率估算，将有利于提高海面原油检测精度，为溢油溯源
、
快速确定污染性质
、
研究溢油面积和溢油量提供最佳参数，并有利于制定有效的溢油污染防治措施
。
[0003]中红外光谱
(Mid
‑
Infrared Spectroscopy,MIR)
是物质在中红外区的吸收光谱，波数在
4000
‑
400cm
‑1。
中红外光谱主要产生于分子振动及转动的能级跃迁，出现的振动频率主要是基频频率和指纹频率
。
傅里叶变换红外光谱
(Fourier Transform Infrared Spectroscopy,FTIR)
是基于对干涉后的红外光做傅里叶变换而得到的光谱，具有检测灵敏度高，测量速度快，波段宽，安全等优点，在物质成分鉴定中有极大优势，已被广泛应用于各行业
。
[0004]极限学习机
(Extreme Learning Machine,ELM)
是一种单隐藏层的前馈神经网络算法
。ELM
算法随机产生输入权值和偏置阈值，通过设定隐含层神经元个数和激活函数就可以获得最优解
。
与传统神经网络相比，
ELM
提高了网络的泛化能力和学习速度，具有较强的非线性拟合能力
。
但每次用
ELM
求解到的隐含层输出权值不一致，最终影响预测效果，导致
ELM
模型的输出不稳定
。
[0005]核极限学习机
(Kernel Extreme Learning Machine,KELM)
是在
ELM
的基础上，引入核学习方法，利用核函数将所有输入样本映射到高维隐藏层特征空间
。
核函数直接采用内积的形式，因此不需要设置隐含层神经元个数，只需设置合适的核函数参数
。KELM
有效改善了
ELM
随机产生权值和阈值导致模型泛化能力不强，识别率不稳定等问题
。
[0006]现有对乳化石油及石油类产品的研究，更多的集中在对乳化原理
、
过程模拟
、
乳化物形态，危害以及清理对策等方面，对乳化物的类型及污染程度量化评估的研究才刚刚开始
。
对乳化液的含油率的定量评估，集中在分析乳化液光谱特征随含油率变化规律，利用光谱特征峰强度
、
峰值比等特征实现定量估算
。
因此，建立快速
、
高效和准确地测定乳化液的含油率的检测技术，有助于实时的乳化油液灾损评估和应急处理决策，具有十分重要的价值与意义
。

技术实现思路

[0007]本专利技术的目的是提供一种乳化石油类产品含油率检测方法
、
系统
、
设备及介质，以实现快速
、
高效和准确地测定乳化液的含油率
。
[0008]为实现上述目的，本专利技术提供了如下方案：
[0009]一种乳化石油类产品含油率检测方法，包括：
[0010]获取样本数据集和对应的真实含油率；所述样本数据集中包括若干不同含油率的样本乳化液的中红外光谱数据；
[0011]搭建核极限学习机初始模型；所述核极限学习机初始模型的核函数为径向基函数；所述核极限学习机初始模型的惩罚系数和核参数为随机选择得到；
[0012]根据所述样本数据集对应的真实含油率和预测含油率确定适应度函数；所述样本数据集对应的预测含油率为将所述样本数据集输入至所述核极限学习机初始模型中进行预测得到；
[0013]根据所述适应度函数，采用改进的北方苍鹰算法对所述核极限学习机初始模型中的惩罚系数和核参数进行迭代优化，得到核极限学习机优化模型；所述改进的北方苍鹰算法在采用北方苍鹰算法迭代确定最优种群后，还包括对最优种群进行高斯扰动；
[0014]获取目标乳化液的中红外光谱数据，并输入至所述核极限学习机优化模型中，得到目标乳化液的预测含油率
。
[0015]可选地，获取样本数据集和对应的真实含油率，具体包括：
[0016]配置若干不同含油率的样本乳化液；
[0017]采集所述样本乳化液的中红外光谱数据，得到初始数据集；
[0018]对所述初始数据集进行校正和归一化处理，得到归一化数据集；
[0019]采用
KS
算法将所述归一化数据集按照设定比例划分为训练集
、
验证集和测试集；
[0020]将所述训练集和所述验证集确定为样本数据集，并将所述样本数据集对应的样本乳化液的含油率确定为所述样本数据集对应的真实含油率
。
[0021]可选地，根据所述样本数据集对应的真实含油率和预测含油率确定适应度函数，具体包括：
[0022]根据所述样本数据集中的训练集对应的真实含油率和预测含油率确定训练集的均方误差；
[0023]根据所述样本数据集中的验证集对应的真实含油率和预测含油率确定验证集的均方误差；
[0024]将所述训练集的均方误差和所述验证集的均方误差的平均值确定为适应度函数
。
[0025]可选地，根据所述适应度函数，采用改进的北方苍鹰算法对所述核极限学习机初始模型中的惩罚系数和核参数进行迭代优化，得到核极限学习机优化模型，具体包括：
[0026]设置北方苍鹰种群规模
、
最大迭代次数
、
求解问题维度和参数优化界限；
[0027]根据所述北方苍鹰种群规模
、
所述求解问题维度和所述参数优化界限，随机生成解空间中每只北方苍鹰的位置；所述北方苍鹰的位置表征所述核极限学习机初始模型中的惩罚系数和核参数；
[0028]根据所述北方苍鹰的位置和所述适应度函数计算每只北方苍鹰的适应度，并将最小的适应度确定为最优适应度，将最小的适应度对应的北方苍鹰的位置确定为最优种群；
[0029]对于任意一次迭代优化：
[0030]在识别阶段，令每只北方苍鹰随机选择猎物攻击，并根据所述最优适应度和所述最优种群，更新每只北方苍鹰的位置和适应度，得到每只北方苍鹰在识别阶段的新状态；
[0031]在开发阶段，令每只北方苍鹰在狩猎半径内捕获猎物，并根据所述最优适应度和所述最优种群，更新每只北方苍鹰的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种乳化石油类产品含油率检测方法，其特征在于，包括：获取样本数据集和对应的真实含油率；所述样本数据集中包括若干不同含油率的样本乳化液的中红外光谱数据；搭建核极限学习机初始模型；所述核极限学习机初始模型的核函数为径向基函数；所述核极限学习机初始模型的惩罚系数和核参数为随机选择得到；根据所述样本数据集对应的真实含油率和预测含油率确定适应度函数；所述样本数据集对应的预测含油率为将所述样本数据集输入至所述核极限学习机初始模型中进行预测得到；根据所述适应度函数，采用改进的北方苍鹰算法对所述核极限学习机初始模型中的惩罚系数和核参数进行迭代优化，得到核极限学习机优化模型；所述改进的北方苍鹰算法在采用北方苍鹰算法迭代确定最优种群后，还包括对最优种群进行高斯扰动；获取目标乳化液的中红外光谱数据，并输入至所述核极限学习机优化模型中，得到目标乳化液的预测含油率
。2.
根据权利要求1所述的乳化石油类产品含油率检测方法，其特征在于，获取样本数据集和对应的真实含油率，具体包括：配置若干不同含油率的样本乳化液；采集所述样本乳化液的中红外光谱数据，得到初始数据集；对所述初始数据集进行校正和归一化处理，得到归一化数据集；采用
KS
算法将所述归一化数据集按照设定比例划分为训练集
、
验证集和测试集；将所述训练集和所述验证集确定为样本数据集，并将所述样本数据集对应的样本乳化液的含油率确定为所述样本数据集对应的真实含油率
。3.
根据权利要求2所述的乳化石油类产品含油率检测方法，其特征在于，根据所述样本数据集对应的真实含油率和预测含油率确定适应度函数，具体包括：根据所述样本数据集中的训练集对应的真实含油率和预测含油率确定训练集的均方误差；根据所述样本数据集中的验证集对应的真实含油率和预测含油率确定验证集的均方误差；将所述训练集的均方误差和所述验证集的均方误差的平均值确定为适应度函数
。4.
根据权利要求1所述的乳化石油类产品含油率检测方法，其特征在于，根据所述适应度函数，采用改进的北方苍鹰算法对所述核极限学习机初始模型中的惩罚系数和核参数进行迭代优化，得到核极限学习机优化模型，具体包括：设置北方苍鹰种群规模
、
最大迭代次数
、
求解问题维度和参数优化界限；根据所述北方苍鹰种群规模
、
所述求解问题维度和所述参数优化界限，随机生成解空间中每只北方苍鹰的位置；所述北方苍鹰的位置表征所述核极限学习机初始模型中的惩罚系数和核参数；根据所述北方苍鹰的位置和所述适应度函数计算每只北方苍鹰的适应度，并将最小的适应度确定为最优适应度，将最小的适应度对应的北方苍鹰的位置确定为最优种群；对于任意一次迭代优化：在识别阶段，令每只北方苍鹰随机选择猎物攻击，并根据所述最优适应度和所述最优
种群，更新每只北方苍鹰的位置和适应度，得到每只北方苍鹰在识别阶段的新状态；在开发阶段，令每只北方苍鹰在狩猎半径内捕获猎物，并根据所述最优适应度和所述最优种群，更新每只北方苍鹰的位置和适应度，得到每只北方苍鹰在开发阶段的新状态；根据每只北方苍鹰在开发阶段的新状态和所述适应度函数计算每只北方苍鹰的更新后适应度，并将最小的更新后适应度确定为最优适应度，将最小的更新后适应度对应的北方苍鹰在开发阶段的新状态确定为最优种群...

【专利技术属性】
技术研发人员：孔德明，赵珺瑜，沈阅，刘文博，孙威，
申请(专利权)人：河北燕大燕软信息系统有限公司，
类型：发明
国别省市：