[發明專利]一種快速識別發動機燃料種類的中紅外光譜方法

無效

• 申請號: 201110139729.3
• 申請日: 2011-05-27
• 公開（公告）號: CN102221534A
• 公開（公告）日: 2011-10-19
• 發明（設計）人: 田高友;褚小立;熊春華;魯長波;周友杰;任連嶺;安高軍
• 申請（專利權）人: 中國人民解放軍總后勤部油料研究所
• 主分類號: G01N21/35
• 分類號: G01N21/35
• 代理公司: 北京知本村知識產權代理事務所 11039
• 代理人: 劉江良;周自清

技術領域

本發明涉及快速識別發動機燃料種類的中紅外光譜方法，具體地說，涉及一種采用中紅外光譜技術，結合移動窗口法快速將未知發動機燃料識別為柴油、汽油和噴氣燃料，并確定其牌號的方法。

背景技術

發動機用途不同，導致其發動機燃料種類繁多。例如，柴油發動機使用柴油動力燃料、汽油發動機使用汽油動力燃料，飛機發動機使用噴氣燃料。各類發動機燃料根據使用條件區分為不同牌號。例如，根據使用溫度，柴油分為10號、0號、-10號和-35號等牌號。根據抗爆性能，汽油分為90號、93號和97號等牌號。各種類和各種牌號燃料不能混用，否則發動機不能正常運行，導致故障發生。例如，在低溫條件下使用高牌號柴油，柴油低溫流動性差，導致發動機無法正常啟動；低牌號汽油用作高牌號汽油時，發動機會發生爆震，甚至損壞發動機。在實際使用過程中，存在發動機燃料種類和牌號混用以及質量摻假現象，例如，在低廉低標號汽油中摻對有害物質冒充高標號汽油。現有的質量檢測手段無法滿足快速識別需求，因此，迫切需要發動機燃料種類和牌號快速識別技術，正確指導用油，提高打假能力，避免誤用油料帶來的損失。

由于近紅外光譜技術具有快速、多性質分析以及適合在線無損分析特點，目前已越來越多地應用于石化行業，在燃料質量檢測和打假方面具有不可替代的作用。由于近紅外光譜屬于分子振動光譜，波長范圍為700-2500nm，為分子倍頻和組合頻吸收，峰形為寬峰；特征性弱，只對X-H基團(X為C、O等)有吸收；信號弱，抗干擾能力強。正是由于近紅外光譜具有上述特點，所以必須借助現代的化學計量學和計算機技術，近紅外光譜技術才能很好的應用。隨著化學計量學和計算機的迅猛發展以及近紅外光譜儀器環境適應能力強，價格便宜，推動了近紅外光譜技術迅猛發展，現已成為烴類(C-H)燃料質量快速檢測和在線過程監控技術。

中紅外光譜也屬于屬于分子振動光譜，為分子振動的基頻吸收，波數范圍為400-4000cm^-1(波長為2.5微米～25微米)。從其定義來看，中紅外光譜與近紅外光譜只是波長范圍。從其產生的本質來看，可以很好的發現二者光譜形貌特征有明顯區別，從而導致最終所采用的技術和應用領域有很大的區別。與近紅外光譜相比，中紅外光譜峰形為尖峰，特征性強，各類官能團(包括X-H和其它非X-H官能團)均有明顯的吸收；信號強，微量組分或添加劑均有吸收，所以中紅外光譜技術主要用于分析化學領域的未知物質官能團鑒定，屬于“四大譜”之一，用于未知物質化學結構鑒定。由于中紅外光譜儀器的環境適應能力弱，儀器昂貴，所以該技術目前還很難用于石化行業的質量檢測和種類識別。

從理論上分析，中紅外光譜不僅對燃料主要烴類組成有吸收，而且對少量非烴類組分以及微量添加劑組分均有響應，所以如果中紅外光譜技術與化學計量學技術結合，將會實現近紅外光譜技術所不能實現的功能，比如錳型添加劑含量測定。錳型添加劑主要提高汽油抗爆性能，直接影響汽油的牌號。因此，本發明采用中紅外光譜技術，采用數據庫技術，識別燃料種類和牌號，避免誤用油料帶來的損失。

發明內容

本發明所要解決的技術問題是：提供一種快速識別發動機燃料種類的中紅外光譜方法，該方法采用中紅外光譜技術，建立燃料的數據庫，然后結合移動窗口法，選擇數據庫中與待測樣品紅外光譜近似樣品來識別樣品類型，快速將待測發動機燃料識別為柴油、汽油和噴氣燃料。

本發明提供的技術方案是：一種快速識別發動機燃料種類的中紅外光譜方法，其包括如下步驟：

第一步：收集一定數量的樣品作為數據庫樣品；

第二步：測定數據庫樣品的中紅外吸收光譜；

第三步：將每個樣品的種類信息和與其對應的紅外光譜數據組合起來，建立燃料紅外光譜數據庫；

第四步：對于待測發動機燃料樣品的識別，首先測定其紅外吸收光譜，并選擇合適區間的光譜數據，采取移動窗口法計算待測樣品紅外光譜與數據庫中各個樣品紅外光譜的相關系數，選擇最大相關系數所對應樣品的類別作為待測樣品的類別。

所述發動機燃料包括汽油、柴油和噴氣燃料，汽油包括90號、93號和97號的車用汽油和90號、93號和97號的乙醇汽油；柴油包括0號、-10號和-35號的輕柴油和-10號和-35號的軍用柴油；噴氣燃料為3號噴氣燃料。

所述第二步采用透射方式測定數據庫樣品的中紅外吸收光譜。

所述第三步數據庫構建過程如下：將樣品類型數據矩陣Y，并列在中紅外光譜數據矩陣X中，組成新的數據庫矩陣Z，即：