[發明專利]一種甲醇汽油品質檢測方法及系統

在審

• 申請號: 202110698398.0
• 申請日: 2021-06-23
• 公開（公告）號: CN113484273A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 袁雷明;游力凡;孫一葉;畢雨晴;高卓宇;劉苗苗;毛飛;陳孝敬;陳熙;黃光造;石文;孟留偉
• 申請（專利權）人: 溫州大學
• 主分類號: G01N21/3577
• 分類號: G01N21/3577;G01N21/65
• 代理公司: 寧波奧圣專利代理有限公司 33226
• 代理人: 方小惠

1.一種甲醇汽油品質檢測方法，包括模型構建階段和光譜識別階段，其特征在于所述的模型構建階段包括以下步驟：

S1、準備1份甲醇樣品，從n個不同的加油站分別獲取3份汽油樣品和48份甲醇汽油樣品，n為大于等于1的整數，其中3份汽油樣品分別為1份92號汽油樣品、1份95號汽油樣品和1份98號汽油樣品，48份甲醇汽油樣品包括三類甲醇汽油樣品，每類甲醇汽油樣品分別包括甲醇體積含量為1％、2％、4％、6％、8％、10％、12％、14％、16％、18％、20％、22％、24％、26％、28％和30％的16份甲醇汽油樣品，第一類甲醇汽油樣品由甲醇汽油與92號汽油或者甲醇混合配置而成，第二類甲醇汽油樣品由甲醇汽油與95號汽油或者甲醇混合配置而成，第三類甲醇汽油樣品由甲醇汽油與98號汽油或者甲醇混合配置而成，由此得到1份甲醇樣品、3n份汽油樣品以及48n份甲醇汽油樣品，共計51n+1份樣品；

S2、分別采集51n+1份樣品的中紅外光譜與拉曼光譜，將每份樣品的中紅外光譜與拉曼光譜進行拼接，得到每份樣品的中紅外光譜與拉曼光譜的拼接光譜；

S3、獲取每份樣品的拼接光譜的特征峰強度，并分別對每份樣品的拼接光譜的特征峰強度進行歸一化處理，得到了每份樣品的拼接光譜的歸一化數據，每份樣品的拼接光譜的歸一化數據的數量等于其特征峰強度的數量；

S4、以48n份甲醇汽油樣品的歸一化數據作為目標類，非甲醇汽油樣品(3n份汽油樣品以及1份甲醇樣品)的歸一化數據為非目標類，構建一個能夠識別目標類，而拒絕識別非目標類的Keans單類分類器；

S5、對48n份甲醇汽油樣品的拼接光譜進行預處理，得到48n份甲醇汽油樣品的光譜數據，48n份甲醇汽油樣品的光譜數據構成一個光譜數據矩陣；所述的光譜數據矩陣中每一行的數據分別對應一個樣品的光譜數據，即每行數據為一個樣品的光譜數據，所述的光譜數據矩陣為包括48n行光譜數據的矩陣；

S6、采用48n份甲醇汽油樣品的光譜數據及其甲醇含量構建數據集(X，Y)，其中X表示48n份甲醇汽油樣品的光譜數據的集合，Y表示48n份甲醇汽油樣品的甲醇含量的集合，數據集(X，Y)中每份甲醇汽油樣品的光譜數據與其甲醇含量一一對應；

S7、將數據集(X，Y)劃分為校正集(Xc,Yc)和預測集(Xt,Yt)，Xc表示校正集中甲醇汽油樣品的光譜數據的集合，Yc為校正集中甲醇汽油樣品的甲醇含量的集合，Xt表示預測集中甲醇汽油樣品的光譜數據的集合，Yt為預測集中甲醇汽油樣品的甲醇含量的集合，校正集(Xc,Yc)中每份甲醇汽油樣品的光譜數據與其甲醇含量一一對應，預測集(Xt,Yt)中每份甲醇汽油樣品的光譜數據與其甲醇含量一一對應，當前得到的校正集(Xc,Yc)為原始校正集，當前得到的預測集(Xt,Yt)為原始預測集；

S8、設定變量i，對變量i進行初始化，令i＝1；

S9、進行第i次模型構建，具體建模過程為：

S9-1、將當前校正集的Xc作為輸入項，Yc作為輸出值，通過變量篩選方法對輸入項Xc進行篩選，采用篩選出來的甲醇汽油樣品的光譜數據構成篩選光譜數據集合Xs，將Xc中除Xs以外的其他甲醇汽油樣品的光譜數據構成剩余光譜數據集合Xr；

S9-2、以偏最小二乘法擬合當前得到的篩選光譜集合Xs對應的甲醇汽油樣品的甲醇含量，構建得到基于篩選光譜數據的第i個偏最小二乘回歸模型PLS_s_i；以偏最小二乘法擬合當前得到的剩余光譜數據集合Xr對應的甲醇汽油樣品的甲醇含量，構建得到基于剩余光譜數據的第i個偏最小二乘回歸模型PLS_r_i；

S9-3、采用偏最小二乘回歸模型PLS_s_i和偏最小二乘回歸模型PLS_r_i分別對原始校正集(Xc,Yc)和原始預測集(Xt,Yt)中的樣本進行預測，分別得到偏最小二乘回歸模型PLS_s_i和偏最小二乘回歸模型PLS_r_i的均方根誤差RMSE；

S9-4、若偏最小二乘回歸模型PLS_s_i的均方根誤差高于偏最小二乘回歸模型PLS_r_i的均方根誤差，則進入步驟S10，若偏最小二乘回歸模型PLS_s_i的均方根誤差低于偏最小二乘回歸模型PLS_r_i的均方根誤差，則將當前校正集Xc的光譜數據替換為當前得到的剩余光譜數據集合Xr中的光譜數據，完成Xc的更新，當前校正集(Xc,Yc)被更新為(Xr,Yc)，然后采用i的當前值加1的和更新i的取值后，重復步驟S9，直至偏最小二乘回歸模型PLS_s_i的的均方根誤差RMSE高于偏最小二乘回歸模型PLS_r_i的均方根誤差RMSE；

S10、將i的當前值記為I，此時得到基于篩選光譜數據的I個偏最小二乘回歸模型，即第1個偏最小二乘回歸模型PLS_s_1至第I個偏最小二乘回歸模型PLS_s_I，將第1個偏最小二乘回歸模型PLS_s_1至第I個偏最小二乘回歸模型PLS_s_I作為第1個成員模型～第I個成員模型，采用第1個成員模型至第k個成員模型構建得到第k-1個共識模型，k＝2,3，…，I，分別構建得到I-1個共識模型；

S11、采用I-1個共識模型分別對原始校正集(Xc,Yc)和原始預測集(Xt,Yt)的樣本進行預測，分別得到I-1個共識模型的均方根誤差RMSE；

S12、比較I-1個共識模型的均方根誤差RMSE，選出均方根誤差最低的一個共識模型，假設該共識模型為第Q個共識模型，Q為大于等于1且小于等于I-1的整數，將該共識模型記為C_PLS，該共識模型C_PLS由第1個成員模型～第Q+1個成員模型構建得到，將第1個成員模型～第Q+1個成員模型在共識模型C_PLS的分配系數依次記為c₁～c_Q+1；

S13、模型構建完成；

所述的光譜識別階段具體包括以下步驟：

A、獲取待測樣本的中紅外光譜和拉曼光譜光譜，然后通過波峰識別算法以及與官能團特定關聯的光譜峰來遴選出待測樣本的中紅外光譜的特征峰和拉曼光譜光譜的特征峰，共計m個特征峰，m的取值為35、36或者37；

B、將m個特征峰的強度值進行歸一化處理，得到m個歸一化數據，將m個歸一化數據輸入Keans單類分類器，通過Keans單類分類器判別待測樣本是否為甲醇汽油，若待測樣本為甲醇汽油，則進入步驟C，否則提示待測樣品有誤；

C、將待測樣品的中紅外光譜和拉曼光譜進行拼接，得到待測樣品的拼接光譜，對待測樣品的拼接光譜進行預處理，得到待測樣品的光譜數據，將待測樣品的光譜數據記為測試集X_P；

D、從測試集X_P中提取Q+1組光譜數據，得到第1組至第Q+1組光譜數據，將第1組至第Q+1組光譜數據一一對應輸入構建共識模型C_PLS的第1個至第Q+1個成員模型中，第1個至第Q+1個成員模型分別輸出一個甲醇含量，得到Q+1個甲醇含量，然后基于Q+1個甲醇含量以及第1個成員模型～第Q+1個成員模型在共識模型C_PLS的分配系數c₁～c_Q+1計算出待測樣本的甲醇含量。