CN102221534A - 一种快速识别发动机燃料种类的中红外光谱方法 - Google Patents

Abstract

本发明公开了一种快速识别发动机燃料种类的中红外光谱方法，该方法包括收集具有一定数量的样品作为数据库样品；测定数据库样品中红外吸收光谱，建立燃料红外光谱数据库。对于待测发动机燃料样品的识别，首先测定其红外吸收光谱，然后由计算机自动根据红外光谱数据，选择合适区间的光谱数据，采取移动窗口法，计算待测样品与数据库中各个样品的相关系数，选择相关系数最大的样品类别作为未知样品的类别。本发明方法可在数分钟内快速判断发动机种类，确定其牌号，提高燃料打假能力，避免用户误用燃料或者使用掺假燃料带来的损失。

Description

一种快速识别发动机燃料种类的中红外光谱方法

技术领域

本发明涉及快速识别发动机燃料种类的中红外光谱方法，具体地说，涉及一种采用中红外光谱技术，结合移动窗口法快速将未知发动机燃料识别为柴油、汽油和喷气燃料，并确定其牌号的方法。

背景技术

发动机用途不同，导致其发动机燃料种类繁多。例如，柴油发动机使用柴油动力燃料、汽油发动机使用汽油动力燃料，飞机发动机使用喷气燃料。各类发动机燃料根据使用条件区分为不同牌号。例如，根据使用温度，柴油分为10号、0号、-10号和-35号等牌号。根据抗爆性能，汽油分为90号、93号和97号等牌号。各种类和各种牌号燃料不能混用，否则发动机不能正常运行，导致故障发生。例如，在低温条件下使用高牌号柴油，柴油低温流动性差，导致发动机无法正常启动；低牌号汽油用作高牌号汽油时，发动机会发生爆震，甚至损坏发动机。在实际使用过程中，存在发动机燃料种类和牌号混用以及质量掺假现象，例如，在低廉低标号汽油中掺对有害物质冒充高标号汽油。现有的质量检测手段无法满足快速识别需求，因此，迫切需要发动机燃料种类和牌号快速识别技术，正确指导用油，提高打假能力，避免误用油料带来的损失。

由于近红外光谱技术具有快速、多性质分析以及适合在线无损分析特点，目前已越来越多地应用于石化行业，在燃料质量检测和打假方面具有不可替代的作用。由于近红外光谱属于分子振动光谱，波长范围为700-2500nm，为分子倍频和组合频吸收，峰形为宽峰；特征性弱，只对X-H基团(X为C、O等)有吸收；信号弱，抗干扰能力强。正是由于近红外光谱具有上述特点，所以必须借助现代的化学计量学和计算机技术，近红外光谱技术才能很好的应用。随着化学计量学和计算机的迅猛发展以及近红外光谱仪器环境适应能力强，价格便宜，推动了近红外光谱技术迅猛发展，现已成为烃类(C-H)燃料质量快速检测和在线过程监控技术。

中红外光谱也属于属于分子振动光谱，为分子振动的基频吸收，波数范围为400-4000cm^-1(波长为2.5微米～25微米)。从其定义来看，中红外光谱与近红外光谱只是波长范围。从其产生的本质来看，可以很好的发现二者光谱形貌特征有明显区别，从而导致最终所采用的技术和应用领域有很大的区别。与近红外光谱相比，中红外光谱峰形为尖峰，特征性强，各类官能团(包括X-H和其它非X-H官能团)均有明显的吸收；信号强，微量组分或添加剂均有吸收，所以中红外光谱技术主要用于分析化学领域的未知物质官能团鉴定，属于“四大谱”之一，用于未知物质化学结构鉴定。由于中红外光谱仪器的环境适应能力弱，仪器昂贵，所以该技术目前还很难用于石化行业的质量检测和种类识别。

从理论上分析，中红外光谱不仅对燃料主要烃类组成有吸收，而且对少量非烃类组分以及微量添加剂组分均有响应，所以如果中红外光谱技术与化学计量学技术结合，将会实现近红外光谱技术所不能实现的功能，比如锰型添加剂含量测定。锰型添加剂主要提高汽油抗爆性能，直接影响汽油的牌号。因此，本发明采用中红外光谱技术，采用数据库技术，识别燃料种类和牌号，避免误用油料带来的损失。

发明内容

本发明所要解决的技术问题是：提供一种快速识别发动机燃料种类的中红外光谱方法，该方法采用中红外光谱技术，建立燃料的数据库，然后结合移动窗口法，选择数据库中与待测样品红外光谱近似样品来识别样品类型，快速将待测发动机燃料识别为柴油、汽油和喷气燃料。

本发明提供的技术方案是：一种快速识别发动机燃料种类的中红外光谱方法，其包括如下步骤：

第一步：收集一定数量的样品作为数据库样品；

第二步：测定数据库样品的中红外吸收光谱；

第三步：将每个样品的种类信息和与其对应的红外光谱数据组合起来，建立燃料红外光谱数据库；

第四步：对于待测发动机燃料样品的识别，首先测定其红外吸收光谱，并选择合适区间的光谱数据，采取移动窗口法计算待测样品红外光谱与数据库中各个样品红外光谱的相关系数，选择最大相关系数所对应样品的类别作为待测样品的类别。

所述发动机燃料包括汽油、柴油和喷气燃料，汽油包括90号、93号和97号的车用汽油和90号、93号和97号的乙醇汽油；柴油包括0号、-10号和-35号的轻柴油和-10号和-35号的军用柴油；喷气燃料为3号喷气燃料。

所述第二步采用透射方式测定数据库样品的中红外吸收光谱。

所述第三步数据库构建过程如下：将样品类型数据矩阵Y，并列在中红外光谱数据矩阵X中，组成新的数据库矩阵Z，即：

Y＝[1 y₁]； $X=\left[\begin{array}{cc}{w}_1& A_1\\ w_2& A_2\\ ......& ......\\ w_n& A_n\end{array}\right];$ $Z=\left[\begin{array}{c}X\\ Y\end{array}\right]=\left[\begin{array}{cc}{w}_1& A_1\\ w_2& A_2\\ ......& ......\\ w_n& A_n\\ 1& y_1\end{array}\right]$

其中，y₁为类型代码，比如汽油类型代码为1，柴油类型代码为2，3号喷气燃料代码为3，90号、93号和97号的车用汽油类型代码依次为10、11、12，90号、93号和97号的乙醇汽油类型代码依次为13、14、15，0号、-10号和-35号不同牌号的轻柴油类型代码依次为20、21、22，-10号和-35号的军用柴油类型代码依次为23、24；w_i为第i个波长，(i＝1，2，......，n)A_i为第i个吸光度(i＝1，2，......，n)，n为波长数目。

所述第四步的波长范围为指纹区719cm^-1～1298cm^-1和官能团区1491cm^-1～2763cm^-1。

所述第四步的移动窗口法计算待测样品与数据库中样品的相关系数的过程如下：

两个样品的光谱数据为X和Y，给定一移动窗口wn和波长i，则选定i-wn～i+wn区间的吸光度数据计算X和Y的相关系数CR_i。

${\mathrm{CR}}_i=\frac{\underset{j=i-\mathrm{wn}}{\overset{j=i+\mathrm{wn}}{\mathrm{\Σ}}}(x_j-\stackrel{\‾}{x_i})(y_j-\stackrel{\‾}{y_i})}{\sqrt{\underset{j=i-\mathrm{wn}}{\overset{j=i+\mathrm{wn}}{\mathrm{\Σ}}}{(x_j-\stackrel{\‾}{x_i})}^2}\sqrt{\underset{j=i-\mathrm{wn}}{\overset{j=i+\mathrm{wn}}{\mathrm{\Σ}}}{(y_j-\stackrel{\‾}{y_i})}^2}}$

其中，和

分别为X和Y的光谱在波长i-wn～i+wn的吸光度平均值；x_j和y_j为X和Y的光谱在波长i-wn～i+w的吸光度；wn为奇数，选择效果最好的最小数值。

移动波长点i，每移动一个波长点后均选择该波长点±wn区间的吸光度计算相关系数CR_i，直到计算完所选区间的所有波长点的CR_i后，计算所有CR_i的平均值记为两个样品X和Y的相关系数CR，即n为波长数目。

本发明具有以下有益效果：

本发明根据“组成近似，光谱近似”的原理，采用中红外光谱技术，建立燃料红外光谱定性数据库，然后采用移动窗口法选择数据库中与待测样品红外光谱近似样品来识别样品类型。用户在识别燃料类型时，只需在数分钟内测定其中红外光谱，然后引入数据库，可以识别汽油、柴油和喷气燃料种类和牌号。与化学计量学建模技术相比，本发明技术不需进行传统繁琐的模型更新步骤，使用者不需掌握较多的专业知识，只需向数据库添加扩充样本的光谱及对应的基础数据即可方便完成。本发明技术可以用于野外，现场识别燃料类型，正确指导安全正常用油；也可以用于质量监督部门，现场抽检燃料种类，提高打假能力，避免错误使用燃料带来的损失。

附图说明

图1所有样品中红外吸收光谱图；

图2汽油红外光谱吸收光谱和关系数光谱叠加图；

图3柴油红外光谱吸收光谱和关系数光谱叠加图；

图43号喷气燃料红外光谱吸收光谱和关系数光谱叠加图。

具体实施方式

本发明快速识别发动机燃料种类的中红外光谱方法步骤如下：

第一步：收集一定数量的样品作为数据库样品(通常收集的样品数量越多越好，样品要覆盖实际的样品种类)；

第二步：测定数据库样品的中红外吸收光谱，采用透射方式测定数据库样品的中红外吸收光谱；

第三步：将每个样品的种类信息和与其对应的红外光谱数据组合起来，建立燃料红外光谱数据库；

第四步：对于待测发动机燃料样品的识别，首先测定其红外吸收光谱，并选择合适区间的光谱数据，采取移动窗口法，计算待测样品红外光谱与数据库中各个样品红外光谱的相关系数，选择最大相关系数所对应样品的类别作为待测样品的类别。

所述发动机燃料包括汽油、柴油和喷气燃料，汽油包括90号、93号和97号的车用汽油和90号、93号和97号的乙醇汽油；柴油包括0号、-10号和-35号的轻柴油和-10号和-35号的军用柴油；喷气燃料为3号喷气燃料。

所述第三步数据库构建过程如下：将样品类型数据矩阵Y，并列在中红外光谱数据矩阵X中，组成新的数据库矩阵Z，即：

Y＝[1 y₁]； $X=\left[\begin{array}{cc}{w}_1& A_1\\ w_2& A_2\\ ......& ......\\ w_n& A_n\end{array}\right];$ $Z=\left[\begin{array}{c}X\\ Y\end{array}\right]=\left[\begin{array}{cc}{w}_1& A_1\\ w_2& A_2\\ ......& ......\\ w_n& A_n\\ 1& y_1\end{array}\right]$

其中，y₁为类型代码，比如汽油类型代码为1，柴油类型代码为2，3号喷气燃料代码为3，90号、93号和97号的车用汽油类型代码依次为10、11、12，90号、93号和97号的乙醇汽油类型代码依次为13、14、15，0号、-10号和-35号不同牌号的轻柴油类型代码依次为20、21、22，-10号和-35号的军用柴油类型代码依次为23、24；w_i为第i个波长，(i＝1，2，......，n)A_i为第i个吸光度(i＝1，2，......，n)，n为波长数目。

上述第四步的波长范围为指纹区(719cm^-1～1298cm^-1)和官能团区(1491cm^-1～2763cm^-1)。

所述第四步的移动窗口法计算未知样品与数据库中样品的相关系数的过程如下：

两个样品的光谱数据分别为X和Y，给定一移动窗口wn和波长i，则选定i-wn～i+wn区间的吸光度数据计算X和Y的相关系数CR_i

${\mathrm{CR}}_i=\frac{\underset{j=i-\mathrm{wn}}{\overset{j=i+\mathrm{wn}}{\mathrm{\Σ}}}(x_j-\stackrel{\‾}{x_i})(y_j-\stackrel{\‾}{y_i})}{\sqrt{\underset{j=i-\mathrm{wn}}{\overset{j=i+\mathrm{wn}}{\mathrm{\Σ}}}{(x_j-\stackrel{\‾}{x_i})}^2}\sqrt{\underset{j=i-\mathrm{wn}}{\overset{j=i+\mathrm{wn}}{\mathrm{\Σ}}}{(y_j-\stackrel{\‾}{y_i})}^2}}$

其中，和

分别为X和Y的光谱在波长i-wn～i+wn的吸光度平均值；x_j和y_j为X和Y的光谱在波长i-wn～i+w的吸光度；wn为奇数，选择效果最好的最小数值，例如wn为29。

移动波长点i，每移动一个波长点后均选择该波长点±wn区间的吸光度计算相关系数CR_i，直到计算完所选区间的所有波长点的CR_i后，计算所有CR_i的平均值记为两个样品X和Y的相关系数CR，即

n为波长数目。

下面通过具体实施方式的详细描述来进一步阐明本发明，但并不是对本发明的限制，仅仅作示例说明。

实例1：汽油种类的识别

1)收集数据库样品

从我国各个炼油厂收集汽油、柴油和3号喷气燃料共884个样品，其中汽油样品546个，包括90号乙醇汽油、93号乙醇汽油、97号乙醇汽油、90号车用汽油、93号车用汽油和97号车用汽油；柴油样品238个，包括0号轻柴油、-10号轻柴油和-35号轻柴油、0号军用柴油、-10号军用柴油和-35号军用柴油；3号喷气燃料100个。

2)测定数据库样品红外光谱

采用TENSOR 27中红外光谱仪测定数据库样品的中红外吸收光谱，光谱范围：600cm^-1～4000cm^-1。透射样品池，0.1mm光程，谱图见图1。

3)将每个样品的类型代码、指纹区(719cm^-1～1298cm^-1)和官能团区(1491cm^-1～2763cm^-1)的吸光度数据组合起来，建立燃料种类红外光谱数据库。

4)汽油种类和牌号识别准确性考察

选择数据库的样本作为待测样本，移动窗口为29，采用移动窗口法进行识别，识别率为100％。选择20个已知种类和牌号的库外汽油样品作为待测样本，移动窗口为29进行种类和牌号识别，结果见表1，识别率为100％，说明本发明方法可以使用。其中，样品8的红外光谱吸收光谱和相关系数光谱叠加图见图2。

表1

样品	实际类型	相关系数	识别类型
				样品1	90号乙醇汽油	0.9788	90号乙醇汽油
样品2	93号乙醇汽油	0.9884	93号乙醇汽油
				样品3	93号乙醇汽油	0.9664	93号乙醇汽油
样品4	97号乙醇汽油	0.9795	97号乙醇汽油
				样品5	97号乙醇汽油	0.9664	97号乙醇汽油
样品6	90号车用汽油	0.97	90号车用汽油
				样品7	90号车用汽油	0.9795	90号车用汽油
样品8	93号车用汽油	0.9895	93号车用汽油
				样品9	93号车用汽油	0.9801	93号车用汽油
样品10	93号车用汽油	0.948	93号车用汽油
				样品11	93号车用汽油	0.9762	93号车用汽油
样品12	93号车用汽油	0.9843	93号车用汽油
				样品13	97号车用汽油	0.9843	97号车用汽油
样品14	97号车用汽油	0.9699	97号车用汽油
				样品15	97号车用汽油	0.9887	97号车用汽油

样品16	97号车用汽油	0.9895	97号车用汽油
				样品17	97号车用汽油	0.9884	97号车用汽油
样品18	97号车用汽油	0.9801	97号车用汽油
				样品19	97号车用汽油	0.9847	97号车用汽油
样品20	97号车用汽油	0.9567	97号车用汽油

实例2：柴油种类识别

按照实施例1的方法收集数据库样品、测定数据库样品红外光谱，并建立燃料种类红外光谱数据库。

选择20个已知种类和牌号的柴油样品作为待测样本，移动窗口为29，利用移动窗口法进行种类和牌号识别，结果见表2，识别率为100％，说明本发明方法可以使用。样品8的红外光谱吸收光谱和相关系数光谱叠加图见图3。

表2

样品	实际类型	相关系数	识别类型
				样品1	-10号军用柴油	0.9992	-10号军用柴油
样品2	-10号军用柴油	0.9992	-10号军用柴油
				样品3	-10号军用柴油	0.9976	-10号军用柴油
样品4	-35号军用柴油	0.9777	-35号军用柴油
				样品5	-35号军用柴油	0.9955	-35号军用柴油
样品6	-35号军用柴油	0.9944	-35号军用柴油
				样品7	0号轻柴油	0.998	0号轻柴油
样品8	0号轻柴油	0.9974	0号轻柴油
				样品9	0号轻柴油	0.998	0号轻柴油
样品10	0号轻柴油	0.9921	0号轻柴油
				样品11	0号轻柴油	0.9955	0号轻柴油
样品12	0号轻柴油	0.9977	0号轻柴油
				样品13	0号轻柴油	0.9977	0号轻柴油

样品14	0号轻柴油	0.9986	0号轻柴油
				样品15	-10号轻柴油	0.9986	-10号轻柴油
样品16	-10号轻柴油	0.9903	-10号轻柴油
				样品17	-10号轻柴油	0.9986	-10号轻柴油
样品18	-10号轻柴油	0.9986	-10号轻柴油
				样品19	-35号轻柴油	0.9965	-35号轻柴油
样品20	-35号轻柴油	0.9959	-35号轻柴油

实例3：3号喷气燃料识别

按照实施例1的方法收集数据库样品、测定数据库样品红外光谱和建立燃料种类红外光谱数据库的建立。

选择5个已知种类和牌号的库外3号喷气燃料样品作为未知样本，移动窗口为29，利用移动窗口法进行种类和牌号识别，结果见表3，识别率为100％，说明本发明方法可以使用。样品3的红外光谱吸收光谱和相关系数光谱叠加图见图4。

表3

样品	实际类型	相关系数	识别类型
				样品1	3号喷气燃料	0.9959	3号喷气燃料
样品2	3号喷气燃料	0.9953	3号喷气燃料
				样品3	3号喷气燃料	0.999	3号喷气燃料
样品4	3号喷气燃料	0.9947	3号喷气燃料
				样品5	3号喷气燃料	0.999	3号喷气燃料

Claims (6)

1.一种快速识别发动机燃料种类的中红外光谱方法，包括如下步骤：

第一步：收集一定数量的样品作为数据库样品；

第二步：测定数据库样品的中红外吸收光谱；

第三步：将每个样品的种类信息和与其对应的红外光谱数据组合起来，建立燃料红外光谱数据库；

第四步：对于待测发动机燃料样品的识别，首先测定其红外吸收光谱，并选择合适区间的光谱数据，采取移动窗口法，计算待测样品红外光谱与数据库中各个样品红外光谱的相关系数，选择最大相关系数所对应样品的类别作为待测样品的类别。

2.根据权利要求1所述的方法，其特征在于：所述发动机燃料包括汽油、柴油和喷气燃料，汽油包括90号、93号和97号的车用汽油和90号、93号和97号的乙醇汽油；柴油包括0号、-10号和-35号的轻柴油和-10号和-35号的军用柴油；喷气燃料为3号喷气燃料。

3.根据权利要求1所述的方法，其特征在于：第二步采用透射方式测定数据库样品的中红外吸收光谱。

4.按照权利要求1所述的方法，其特征在于：所述第三步数据库构建过程如下：将样品类型数据矩阵Y，并列在中红外光谱数据矩阵X中，组成新的数据库矩阵Z，即：

Y＝[1 y₁]； $X=\left[\begin{array}{cc}{w}_1& A_1\\ w_2& A_2\\ ......& ......\\ w_n& A_n\end{array}\right];$ $Z=\left[\begin{array}{c}X\\ Y\end{array}\right]=\left[\begin{array}{cc}{w}_1& A_1\\ w_2& A_2\\ ......& ......\\ w_n& A_n\\ 1& y_1\end{array}\right]$

其中，y₁为类型代码，比如汽油类型代码为1，柴油类型代码为2，3号喷气燃料代码为3，90号、93号和97号的车用汽油类型代码依次为10、11、12，90号、93号和97号的乙醇汽油类型代码依次为13、14、15，0号、-10号和-35号不同牌号的轻柴油类型代码依次为20、21、22，-10号和-35号的军用柴油类型代码依次为23、24；w_i为第i个波长，(i＝1，2，......，n)A_i为第i个吸光度(i＝1，2，......，n)，n为波长数目。

5.根据权利要求1所述的方法，其特征在于：所述第四步合适区间为719cm^-1～1298cm^-1和1491cm^-1～2763cm^-1。

6.根据权利要求1所述的方法，其特征在于：第四步的移动窗口法计算待测样品与数据库中样品的相关系数的过程如下：

两个样品的光谱数据为X和Y，给定一移动窗口wn和波长i，则选定i-wn～i+wn区间的吸光度数据计算X和Y的相关系数CR_i

${\mathrm{CR}}_i=\frac{\underset{j=i-\mathrm{wn}}{\overset{j=i+\mathrm{wn}}{\mathrm{\Σ}}}(x_j-\stackrel{\‾}{x_i})(y_j-\stackrel{\‾}{y_i})}{\sqrt{\underset{j=i-\mathrm{wn}}{\overset{j=i+\mathrm{wn}}{\mathrm{\Σ}}}{(x_j-\stackrel{\‾}{x_i})}^2}\sqrt{\underset{j=i-\mathrm{wn}}{\overset{j=i+\mathrm{wn}}{\mathrm{\Σ}}}{(y_j-\stackrel{\‾}{y_i})}^2}}$

其中，和

分别为X和Y的光谱在波长i-wn～i+wn的吸光度平均值；x_j和y_j为X和Y的光谱在波长i-wn～i+w的吸光度；

移动波长点i，每移动一个波长点后均选择该波长点±wn区间的吸光度计算相关系数CR_i，直到计算完所选区间的所有波长点的CR_i后，计算所有CR_i的平均值记为两个样品X和Y的相关系数CR，即

n为波长数目。

Images