CN112782146A - 一种基于拉曼光谱的汽油烯烃含量分析方法 - Google Patents
一种基于拉曼光谱的汽油烯烃含量分析方法 Download PDFInfo
- Publication number
- CN112782146A CN112782146A CN201911095339.3A CN201911095339A CN112782146A CN 112782146 A CN112782146 A CN 112782146A CN 201911095339 A CN201911095339 A CN 201911095339A CN 112782146 A CN112782146 A CN 112782146A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- peak
- olefin
- lorentz
- raman
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 150000001336 alkenes Chemical class 0.000 title claims abstract description 108
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 title claims abstract description 107
- 238000001237 Raman spectrum Methods 0.000 title claims abstract description 74
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 127
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000012417 linear regression Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims description 28
- 238000004445 quantitative analysis Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 26
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 64
- 239000000203 mixture Substances 0.000 description 10
- 239000004215 Carbon black (E152) Substances 0.000 description 6
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 6
- 229930195733 hydrocarbon Natural products 0.000 description 6
- 150000002430 hydrocarbons Chemical class 0.000 description 6
- 238000004497 NIR spectroscopy Methods 0.000 description 5
- 238000004817 gas chromatography Methods 0.000 description 5
- 238000010561 standard procedure Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000005504 petroleum refining Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- -1 bicyclic aromatic hydrocarbon Chemical class 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000003350 kerosene Substances 0.000 description 2
- 238000012843 least square support vector machine Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000002619 bicyclic group Chemical group 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000003269 fluorescent indicator Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 229930195735 unsaturated hydrocarbon Natural products 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Immunology (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于拉曼光谱特征峰自动分解技术的汽油烯烃含量分析方法。本方法对烯烃含量已知的汽油样本测定拉曼光谱，并对光谱进行自动基线校正与最大值归一化；再对其进行洛伦兹谱峰分解，以获得烯烃特征峰所对应的洛伦兹峰谱和峰面积。再与对应的烯烃含量建立汽油烯烃含量一元线性回归拉曼分析模型。对于待测汽油样品，通过测定其拉曼光谱，并计算得到烯烃特征峰峰面积；而由烯烃特征峰峰面积代入上述线性回归模型，计算得到其烯烃含量。该方法具有检测速度高、检测精度高、无需样品预处理、建模所需训练样本少、模型适应性强等技术优势，具有广泛的应用价值。
Description
技术领域
本发明提出了一种基于拉曼光谱特征峰的汽油烯烃含量分析方法，涉及石油加工领域油品的质量检测与控制，尤其是汽油族组成的快速分析。
背景技术
汽油的烃类物质组成数据是汽油产品的重要指标，也是石油炼制过程不可缺少的基础数据。烃类物质中的烯烃作为不饱和烃类物质，具有较好的抗爆性，但热稳定性差，易堵塞发动机喷嘴，影响发动机燃烧效率、增加污染物排放。同时，由于烯烃化学性质活泼，挥发后和大气中的NOx混合，经太阳紫外线照射形成有毒光化学烟雾，对大气造成严重污染。
最新的“国六”汽油标准中，规定汽油中烯烃含量不大于15％(体积)。根据我国炼油工艺，大部分炼油企业以催化汽油作为主要的调和组分油，导致成品汽油的烯烃含量偏高，而且较难控制。以控制成品汽油的品质，快速、准确地测定烯烃含量是非常必要的。
目前成品汽油烯烃含量测定的国标方法为GB/T 30519-2014《轻质石油馏分和产品中烃族组成和苯的测定—多维气相色谱法》。基于上述标准，对于烯烃含量15％的油样，其重复性约为0.5％，其再现性约为1.4％。该方法的检测精度较高，但是由于烯烃的典型保留时间在9～12min，测定一个汽油样本的时间仍然需要大约12min，且对于烯烃捕集阱的要求较高。
近红外光谱(NIR)分析技术为解决这一问题提供了新的方法。通常，使用NIR技术完成一次烯烃测量只需大约1分钟，相比多维气相色谱法，缩短了分析时时间。但是，由于烯烃与芳烃在NIR谱区的吸收峰重叠严重，对于成品汽油烯烃含量的实际测量，其检测精度易受到芳烃含量的干扰。
相比于NIR吸收光谱，拉曼光谱具有许多尖锐的拉曼峰，直接反映了不同的烃分子结构。基于汽油拉曼光谱丰富的谱峰信息，CN101403696A提出了一种结合拉曼光谱与支持向量机估计算法的汽油烯烃含量检测方法，具体步骤包括：用荧光指示剂吸附法或多维气相色谱法测定训练样本的烯烃含量；测取训练样本的拉曼光谱；对测取的拉曼光谱进行平滑滤波、基线校正和标准归一化预处理；将经预处理的训练样本拉曼光谱与测得的烯烃含量值，采用最小二乘支持向量机建立汽油烯烃含量校正模型。而对于待测油样，先测取其拉曼光谱，再对光谱进行平滑滤波、基线校正和标准归一化，最后代入校正模型计算油样烯烃含量。
然而，该方法完全基于训练样本数据，采用了非线性回归方法(最小二乘支持向量机)，所建立的汽油烯烃含量校正模型依赖于训练样本的数目与分布。对于某一待测样品，要使其分析结果准确，需要事先在训练样本库中保存有光谱相近且组成已知的训练样本。一旦待测样品发生变化，与现有的训练样本不同时，就需要重新收集样本更新模型，因此，模型维护工作仍然繁重。
文献“田高友.拉曼光谱技术在石油化工领域应用进展.现代科学仪器,2009年(第2期)，130-134.”介绍了拉曼光谱技术在石油化工领域应用，同时具体给出了研究结果：W.M.Chung等人于1991年就分析了汽油和航煤的拉曼光谱特征性，并采用双环芳烃特征峰(1386和775cm-1)和单环芳烃特征峰(l007cm-1)的吸收强度与烷烃特征吸收峰(1450cm-1)的强度比，测定了航煤中双环芳烃和单环芳烃的含量。由此可推测，基于汽油拉曼光谱中的烯烃特征峰，可对汽油含量进行估算。
然而，由于汽油拉曼光谱中的烯烃特征峰与芳烃苯环伸缩振动峰的峰位接近，因此，烯烃特征峰易受到该芳烃特征峰的干扰，难以建立准确的汽油烯烃含量拉曼分析模型。为此，本发明将拉曼光谱特征峰自动分解算法应用于汽油拉曼光谱，以提取免受芳烃特征峰干扰的烯烃特征峰，进而提高汽油烯烃含量的检测精度。
发明内容
为了解决以上问题，本发明提出了一种基于拉曼光谱特征峰检测汽油烯烃含量的方法，具体如下。
本发明提供的一种基于拉曼光谱的汽油烯烃含量分析方法，包括如下步骤：
(1)检测待测样品得到其拉曼图谱，将所得拉曼图谱进行基线校正与最大值归一化；
(2)对步骤(1)中所述归一化后的拉曼图谱进行洛伦兹谱峰分解，获得烯烃特征峰所对应的洛伦兹峰谱，并根据洛伦兹峰谱计算得到烯烃特征峰的峰面积；
(3)将步骤(2)中得到的烯烃特征峰的峰面积代入定量分析模型，计算得到该待测样品的烯烃含量，其中，所述定量分析模型为：
其中，J表示待测样品中烯烃含量/wt％，v表示波数，Rm(v)为经归一化后的样品实测光谱；[v1,v2]光谱拟合区域；N表示洛伦兹峰的个数，Lj(v,pj)表示第j个洛伦兹峰，峰参数为pj＝[Sj,cj,wj]，Sj、cj、wj分别表示该峰的峰面积、中心位置、半高宽。
本发明提供的基于拉曼光谱的汽油烯烃含量分析方法，其中，优选的是，所述定量分析模型由以下方法获得：
步骤(1)，选取20个以上训练样本，使用标准分析方法测量得到每个样本烯烃含量分析值y(k)；
步骤(2)，检测得到每个训练样本的拉曼光谱，并对拉曼光谱进行基线校正，再以C-H变形振动峰为参考峰，进行拉曼光谱最大值归一化；
步骤(3)，对于每一个训练样本，由其步骤(2)中得到的归一化后的拉曼光谱经洛伦兹谱峰分解，得到烯烃特征峰所对应的洛伦兹峰谱记为x(k)，并根据洛伦兹峰谱计算得到烯烃特征峰的峰面积；结合每个训练样本的烯烃含量分析值y(k)，采用回归算法建立数学模型，即得到所述定量分析模型。
本发明提供的基于拉曼光谱的汽油烯烃含量分析方法，其中，优选的是，所述数学模型为一元线性回归模型；所述烯烃特征峰的峰面积为烯烃特征峰附近的2个洛伦兹谱峰面积之和。
本发明提供的基于拉曼光谱的汽油烯烃含量分析方法，其中，优选的是，所述基线校正为采用迭代多项式算法；所述最大值归一化为以位于1400-1500cm-1的C-H变形振动峰为参考峰，并采用n个洛伦兹谱峰函数的叠加来描述每个油样的归一化光谱，其中n为大于1的自然数。
本发明提供的基于拉曼光谱的汽油烯烃含量分析方法，其中，优选的是，所述基线校正的光谱区域为400-1800cm-1；所述迭代多项式算法涉及的多项式为1阶多项式。
本发明提供的基于拉曼光谱的汽油烯烃含量分析方法，其中，优选的是，所述洛伦兹谱峰分解的步骤为：
S1：输入经归一化后的样品实测光谱Rm(v)，设定光谱拟合区域[v1,v2]与阈值参数Nmax、hmin、wmin；初始化洛伦兹谱峰个数N＝0，拟合光谱
为全0；
S2：计算误差光谱E(v)＝Rm(v)-Rp(v)，令补峰计算光谱
S3：搜索误差光谱Ep(v)的最大值hj，并令光谱最大值所在的拉曼位移为洛伦兹谱峰中心cj；然后，搜索cj两侧，将光谱强度为1/2*hj所对应的拉曼位移记为wleft和wright，得到洛伦兹谱峰半宽wj＝0.5×(wright-wleft)；
S4：若wj≤wmin，令光谱区间[cj-2wj,cj+2wj]的强度为0，并返回步骤S3重新搜索；
S5：若hj≤hmin或N≥Nmax，则退出循环，并输出全部洛伦兹峰参数；否则，令N＝N+1，计算Sj＝2wjhj，设定pN＝[Sj,cj,wj]的初始值，并添加至现有的洛伦兹峰参数中；
S6：使用非线性最小二乘法，对全部洛伦兹峰参数
进行优化，以使光谱拟合误差(1)式最小化；重新计算估计光谱Rp(v)，并返回步骤S2。
本发明提供的基于拉曼光谱的汽油烯烃含量分析方法，其中，优选的是，所述光谱拟合区域为1100-1800cm-1；所述洛伦兹谱峰个数为60；添加的洛伦兹谱峰峰高不小于0.005，添加的洛伦兹谱峰峰宽不小于2cm-1但不为0。
根据本发明一些实施例，本发明还可以描述如下：
(1)选择一定数量的训练样本，使用标准分析方法测量其烯烃含量。对于汽油烯烃含量的标准分析方法包括：GB/T 11132－2002(液体石油产品烃类测定法—荧光指示剂吸附法)，GB/T 30519-2014(轻质石油馏分和产品中烃族组成和苯的测定—多维气相色谱法)。
(2)采用拉曼光谱仪，检测得到每个样本的拉曼光谱，并对拉曼光谱进行基线校正，以克服拉曼光谱的基线漂移；再以位于1400～1500cm-1的C-H变形振动峰为参考峰，进行拉曼光谱最大值归一化，以克服激光器功率变化等检测条件对拉曼光谱的影响。
(3)对于每个样本的归一化光谱，进行洛伦兹谱峰拟合，即优化洛伦兹峰参数(包括峰的个数)，以最小化下列光谱拟合误差：
其中v表示波数，Rm(v)为经归一化后的样品实测光谱；[v1,v2]光谱拟合区域；N表示洛伦兹峰的个数，Lj(v,pj)表示第j个洛伦兹峰，峰参数为pj＝[Sj,cj,wj]，Sj、cj、wj分别表示该峰的峰面积、中心位置、半高宽。
(4)对于每一个训练样本，由其归一化拉曼光谱经洛伦兹谱峰分解算法，得到烯烃特征峰P3、P4所对应的洛伦兹峰谱，并将这2个峰面积之和记为x(k)；结合训练样本烯烃含量分析值y(k)，采用回归算法建立汽油烯烃含量分析模型。
(5)对于某一待测样品，先按照步骤(2)进行拉曼谱图检测、光谱基线校正与归一化；再按照步骤(3)对归一化光谱进行洛伦兹谱峰分解，以获得烯烃特征峰所对应的洛伦兹峰谱，从而计算得到烯烃特征峰的峰面积；最后，将该烯烃峰峰面积代入上述烯烃含量分析模型，计算得到该待测样品的烯烃含量。
在一些实施例中，对于上述步骤(3)，具体的洛伦兹谱峰拟合计算步骤包括：
步骤3.1：输入经归一化后的样品实测光谱Rm(v)，并设定光谱拟合区域[v1,v2]与阈值参数Nmax、hmin、wmin；初始化洛伦兹谱峰个数N＝0，拟合光谱
为全0。
步骤3.2：计算误差光谱E(v)＝Rm(v)-Rp(v)，令补峰计算光谱
步骤3.3：搜索误差光谱Ep(v)的最大值hj，并令光谱最大值所在的拉曼位移为洛伦兹谱峰中心cj；然后，搜索cj两侧，将光谱强度为1/2*hj所对应的拉曼位移记为wleft和wright，得到洛伦兹谱峰半宽wj＝0.5×(wright-wleft)。若wj≤wmin，令光谱区间[cj-2wj,cj+2wj]的强度为0，并返回步骤3.3重新搜索。
步骤3.4：若hj≤hmin或N≥Nmax，则退出循环，并输出全部洛伦兹峰参数；否则，令N＝N+1，计算Sj＝2wjhj，设定pN＝[Sj,cj,wj]的初始值，并添加至现有的洛伦兹峰参数中。
步骤3.5：使用非线性最小二乘法，对全部洛伦兹峰参数
进行优化，以使光谱拟合误差(1)式最小化；重新计算估计光谱Rp(v)，并返回步骤3.2。
本发明的有益效果：
与传统测量方法相比，不仅分析速度快(检测时间≤30s)、无需样品预处理、检测过程操作简便；而且与GB/T 30519-2014《多维气相色谱法》的检测精度(无论是准确性与重复性)在同一水平上。
与现有的拉曼分析法CN101403696A相比，本发明提出的汽油烯烃含量拉曼分析模型完全基于汽油拉曼光谱的特征峰，模型结构简单，物理意义明确，并具有较强的线性外推能力。即使对于组成变化较大的待测样品，其分析结果基本不受汽油中其它组分的影响。此外，由于采用的是线性模型，建模所需的训练样本数目大幅度减少。因此，对石油炼制过程中的产品质量控制有着重要意义。
附图说明
图1为本发明涉及的拉曼光谱硬件结构，图中，1-激光器，2-激发光纤，3-光纤探头，4-样品池，5-收集光纤，6-光谱仪，7-计算机。
图2-1为本发明一实施例的全部训练样品的原始拉曼光谱。
图2-2为本发明一实施例的41#训练样品的原始光谱与自动拟合得到的光谱基线。
图2-3为本发明一实施例的41#训练样品基线校正后的拉曼光谱。
图2-4为本发明一实施例的全部训练样品的基线校正光谱。
图2-5为本发明一实施例的全部训练样品基线校正光谱的特征谱段。
图3-1为本发明一实施例的全部训练样品的归一化光谱。
图3-2为本发明一实施例的全部训练样品归一化光谱的特征谱段。
图4-1为本发明一实施例的由41#训练样品归一化光谱分解得到的洛伦兹谱峰拟合光谱。
图4-2为本发明一实施例的41#训练样品位于特征谱段的洛伦兹谱峰曲线。
图5-1为本发明一实施例的全部训练样本分解得到的洛伦兹谱峰参数分布图。
图5-2为本发明一实施例的全部训练样本位于谱段1560～1700cm-1的洛伦兹谱峰参数分布图。
图6-1为本发明一实施例的全部训练样品的烯烃含量与烯烃特征峰峰面积的对应关系。
图6-2为本发明一实施例的全部训练样品烯烃含量国标法分析值与拉曼回归估计值的比较结果。
具体实施方式
第一步，选择一定数量的训练样本，使用标准分析方法测量其烯烃含量。
现场采集的调和汽油样本共62个，其中44个作为训练样本，其余18个作为测试样本；并使用GB/T 11132－2002《液体石油产品烃类测定法荧光指示剂吸附法》测量样本的烯烃含量。烯烃含量检测范围为6.6～23.2V％。
第二步，采用拉曼光谱仪，检测得到每个样本的拉曼光谱，并对拉曼光谱进行基线校正，以克服拉曼光谱的基线漂移；再以位于1400～1500cm-1的C-H变形振动峰为参考峰，进行拉曼光谱最大值归一化，以克服激光器功率变化等检测条件对拉曼光谱的影响。
获取样本拉曼光谱的检测装置如图1所示，其中激光器1的中心波长为785nm，功率500mw。样品池4为1cm光程石英比色皿。光谱仪6为高分辨率光纤光谱仪，它采用光栅分光，并选用TEC制冷CCD列阵检测器，分辨率6cm-1，拉曼光谱有效检测范围为0～1900cm-1。光谱仪检测积分时间为30秒，打开激光器后，待激光功率稳定后，检测得到所有样品的亮光谱；另外，关闭激光器后检测得到相同积分时间下的暗电流光谱。扣除暗光谱后，即可得到所有样品的原谱光谱，具体如图2-1所示。
由于汽油样品拉曼光谱中除拉曼峰以外，还包含了较大的荧光背景，而且荧光背景与每个样品的颜色及微量杂质有关。为了获得更精确的拉曼分析精度，在光谱预处理过程中使用了基线自动校正技术。以41#样本为例，其原始光谱与自动拟合得到的光谱基线如图2-2所示，经基线扣除后的校正光谱如图2-3所示。这里，所采用的基线拟合方法为迭代多项式拟合算法[3]，多项式阶次为1阶，光谱基线校正区域为400～1800cm-1。
[3]Lieber C A,Mahadevan-Jansen A.Automated method for subtraction offluorescence from biological Raman spectra[J].Applied Spectroscopy,2003,57(11):1363-1367.
所有样品的基线校正光谱如图2-4所示，与本专利相关的特征谱段如图2-5所示。其中特征峰P0反映了汽油烃分子中C-H变形振动情况；特征峰P1与P2反映了芳烃苯环的伸缩振动情况；而特征峰P3与P4反映了内烯烃与端烯烃C＝C伸缩振动情况。
为克服激光器功率变化等检测条件对拉曼光谱的影响，再以位于1400～1500cm-1的C-H变形振动峰为参考峰，进行拉曼光谱最大值归一化。所有样品的归一化光谱如图3-1所示，相关特征谱段如图3-2所示。
第三步，对于每个样本的归一化光谱，进行洛伦兹谱峰拟合，即优化洛伦兹峰参数(包括峰的个数)，以最小化下列光谱拟合误差：
其中v表示波数，Rm(v)为经归一化后的样品实测光谱；[v1,v2]光谱拟合区域；N表示洛伦兹峰的个数，Lj(v,pj)表示第j个洛伦兹峰，峰参数为pj＝[Sj,cj,wj]，Sj、cj、wj分别表示该峰的峰面积、中心位置、半高宽。
由于汽油组成复杂，进行拉曼光谱拟合所需的洛伦兹谱峰个数N未知。为此，本专利提出了下列迭代补峰算法，其主要思想为:在每次迭代中，只在正偏差最大处添加一个新的洛伦兹谱峰，并且优化参数，使得估计的光谱与原来光谱的误差最小，直至误差小于所规定的误差限时，停止迭代。
面向组成未知的混合物光谱，基于洛伦兹函数的迭代补峰算法如下：
步骤3.1：输入经归一化后的样品实测光谱Rm(v)，设定光谱拟合区域[v1,v2]与阈值参数Nmax、hmin、wmin；初始化洛伦兹谱峰个数N＝0，拟合光谱
为全0。
步骤3.2：计算误差光谱E(v)＝Rm(v)-Rp(v)，令补峰计算光谱为
步骤3.3：搜索误差光谱Ep(v)的最大值hj，并令光谱最大值所在的拉曼位移为洛伦兹谱峰中心cj；然后，搜索cj两侧，将光谱强度为1/2*hj所对应的拉曼位移记为wleft和wright，得到洛伦兹谱峰半宽wj＝0.5×(wright-wleft)。若wj≤wmin，令光谱区间[cj-2wj,cj+2wj]的强度为0，并返回步骤3重新搜索。
步骤3.4：若hj≤hmin或N≥Nmax，则退出循环，并输出全部洛伦兹峰参数；否则，令N＝N+1，计算Sj＝2wjhj，设定pN＝[Sj,cj,wj]的初始值，并添加至现有的洛伦兹峰参数中。
步骤3.5：使用非线性最小二乘法，对全部洛伦兹峰参数
进行优化，以使光谱拟合误差(1)式最小化；重新计算估计光谱Rp(v)，并返回步骤3.2。
以41#样本的归一化拉曼光谱为例，经洛伦兹谱峰分解算法得到的拟合光谱如图4-1所示。这里，光谱拟合区域为1100～1800cm-1，洛伦兹谱峰最大个数为60，添加的洛伦兹谱峰峰高不小于0.005，添加的洛伦兹谱峰峰宽不小于2cm-1。
位于本专利相关特征谱段的洛伦兹谱峰如图4-2所示，由此可见，基于上述优化算法，成功地分离了芳烃与烯烃特征峰P1～P4，并可得到各个峰所对应的峰面积、中心位置、半高宽。
第四步，对于每一个训练样本，由其归一化拉曼光谱经洛伦兹谱峰分解算法，可得到烯烃特征峰P3、P4所对应的洛伦兹峰谱，并将这2个峰面积之和记为x(k)；结合训练样本采用标准法测得的烯烃含量分析值y(k)，采用线性回归算法，即可估计得到汽油烯烃含量分析模型。
本例中，训练样本数目M＝44。由于每一个训练样本的组成不同加上光谱检测条件的差异，经光谱自动分解算法得到的各洛伦兹谱峰参数自然也不同。全部训练样本分解得到的洛伦兹谱峰参数分布如图5-1所示。由此可见，部分谱峰的峰面积较小；而大多数谱峰的中心位置与峰宽相对集中。以特征谱段1560～1700cm-1为例，中心位置与峰宽相对集中且峰面积较大的洛伦兹谱峰共有4个，如图5-2所示，分别对应于芳烃特征峰P1、P2与烯烃特征峰P3、P4。
本例中，全部训练样品烯烃含量与烯烃特征峰所对应的洛伦兹峰面积的对应关系如图6-1所示。可见，样品烯烃含量与烯烃拉曼峰面积具有良好的线性关系。
本例中，采用常用的线性最小二乘回归算法，得到汽油烯烃含量分析模型z(k)＝ax(k)+b，其中模型参数a＝3.2767，b＝-4.1245。这里，z(k)为汽油烯烃含量的拉曼估计值。由上述线性模型得到的烯烃含量拉曼估计值与国标法分析值比较如图6-2所示。经计算，误差绝对值中值为0.578％，均方误差为0.938％，复相关系数R2为0.928。可见，该模型不仅结构简单，并具有较高的准确度。
第五步，对于某一待测样品，先按照第二步进行拉曼谱图检测、光谱基线校正与归一化；再按照第三步对归一化光谱进行洛伦兹谱峰分解，以获得烯烃特征峰所对应的洛伦兹峰谱，从而计算得到烯烃特征峰的峰面积；最后，将该烯烃峰峰面积代入上述定量分析模型，计算得到该待测样品的烯烃含量。
对于另外收集的18个测试样本，依次按上述步骤检测分析得到其拉曼预测值。全部测试样本拉曼预测值与国标法分析值的比较如表1所示。最大正偏差为0.87％，最大负偏差为-1.23％，均方误差为0.584％，误差绝对值中位值为0.482％，复相关系数R2为0.985。
表1：测试样本国标法分析值与拉曼预测值的比较
由此可见，本发明提出的汽油烯烃含量拉曼分析方法，完全基于汽油拉曼光谱的特征峰，而且不受激光器光强的影响。与传统测量方法相比，不仅分析速度快(检测时间≤30s)、无需样品预处理、检测过程操作简便；而且与GB/T 30519-2014《多维气相色谱法》的检测精度(无论是准确性与重复性)在同一水平上。
与现有的拉曼分析法相比，本发明提出的汽油烯烃含量拉曼分析模型结构简单，物理意义明确，并具有较强的线性特性与外推能力。即使对于组成变化较大的待测样品，其分析结果基本不受汽油中芳烃组分含量的影响。此外，由于采用的是线性模型，建模所需的训练样本数目大幅度减少。因此，对石油炼制过程中的产品质量控制有着重要的应用价值。
Claims (7)
1.一种基于拉曼光谱的汽油烯烃含量分析方法，其特征在于，包括如下步骤：
(1)检测待测样品得到其拉曼图谱，将所得拉曼图谱进行基线校正与最大值归一化；
(2)对步骤(1)中所述归一化后的拉曼图谱进行洛伦兹谱峰分解，获得烯烃特征峰所对应的洛伦兹峰谱，并根据洛伦兹峰谱计算得到烯烃特征峰的峰面积；
(3)将步骤(2)中得到的烯烃特征峰的峰面积代入定量分析模型，计算得到该待测样品的烯烃含量，其中，所述定量分析模型为：
其中，J表示待测样品中烯烃含量/wt％，v表示波数，Rm(v)为经归一化后的样品实测光谱；[v1,v2]光谱拟合区域；N表示洛伦兹峰的个数，Lj(v,pj)表示第j个洛伦兹峰，峰参数为pj＝[Sj,cj,wj]，Sj、cj、wj分别表示该峰的峰面积、中心位置、半高宽。
2.根据权利要求1所述的基于拉曼光谱的汽油烯烃含量分析方法，其特征在于，所述定量分析模型由以下方法获得：
步骤(1)，选取20个以上训练样本，使用标准分析方法测量得到每个样本烯烃含量分析值y(k)；
步骤(2)，检测得到每个训练样本的拉曼光谱，并对拉曼光谱进行基线校正，再以C-H变形振动峰为参考峰，进行拉曼光谱最大值归一化；
步骤(3)，对于每一个训练样本，由其步骤(2)中得到的归一化后的拉曼光谱经洛伦兹谱峰分解，得到烯烃特征峰所对应的洛伦兹峰谱记为x(k)，并根据洛伦兹峰谱计算得到烯烃特征峰的峰面积；结合每个训练样本的烯烃含量分析值y(k)，采用回归算法建立数学模型，即得到所述定量分析模型。
3.根据权利要求2所述的基于拉曼光谱的汽油烯烃含量分析方法，其特征在于，所述数学模型为一元线性回归模型；所述烯烃特征峰的峰面积为烯烃特征峰附近的2个洛伦兹谱峰面积之和。
4.根据权利要求1-3中任一项所述的基于拉曼光谱的汽油烯烃含量分析方法，其特征在于，所述基线校正为采用迭代多项式算法；所述最大值归一化为以位于1400-1500cm-1的C-H变形振动峰为参考峰，并采用n个洛伦兹谱峰函数的叠加来描述每个油样的归一化光谱，其中n为大于1的自然数。
5.根据权利要求4所述的基于拉曼光谱的汽油烯烃含量分析方法，其特征在于，所述基线校正的光谱区域为400-1800cm-1；所述迭代多项式算法涉及的多项式为1阶多项式。
6.根据权利要求1-3中任一项所述的基于拉曼光谱的汽油烯烃含量分析方法，其特征在于，所述洛伦兹谱峰分解的步骤为：
S1：输入经归一化后的样品实测光谱Rm(v)，设定光谱拟合区域[v1,v2]与阈值参数Nmax、hmin、wmin；初始化洛伦兹谱峰个数N＝0，拟合光谱
为全0；
S2：计算误差光谱E(v)＝Rm(v)-Rp(v)，令补峰计算光谱
S3：搜索误差光谱Ep(v)的最大值hj，并令光谱最大值所在的拉曼位移为洛伦兹谱峰中心cj；然后，搜索cj两侧，将光谱强度为1/2*hj所对应的拉曼位移记为wleft和wright，得到洛伦兹谱峰半宽wj＝0.5×(wright-wleft)；
S4：若wj≤wmin，令光谱区间[cj-2wj,cj+2wj]的强度为0，并返回步骤S3重新搜索；
S5：若hj≤hmin或N≥Nmax，则退出循环，并输出全部洛伦兹峰参数；否则，令N＝N+1，计算Sj＝2wjhj，设定pN＝[Sj,cj,wj]的初始值，并添加至现有的洛伦兹峰参数中；
S6：使用非线性最小二乘法，对全部洛伦兹峰参数
进行优化，以使光谱拟合误差(1)式最小化；重新计算估计光谱Rp(v)，并返回步骤S2。
7.根据权利要求6所述的基于拉曼光谱的汽油烯烃含量分析方法，其特征在于，所述光谱拟合区域为1100-1800cm-1；所述洛伦兹谱峰个数为60；添加的洛伦兹谱峰峰高不小于0.005，添加的洛伦兹谱峰峰宽不小于2cm-1但不为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911095339.3A CN112782146B (zh) | 2019-11-11 | 2019-11-11 | 一种基于拉曼光谱的汽油烯烃含量分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911095339.3A CN112782146B (zh) | 2019-11-11 | 2019-11-11 | 一种基于拉曼光谱的汽油烯烃含量分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112782146A true CN112782146A (zh) | 2021-05-11 |
| CN112782146B CN112782146B (zh) | 2022-11-04 |
Family
ID=75749345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911095339.3A Active CN112782146B (zh) | 2019-11-11 | 2019-11-11 | 一种基于拉曼光谱的汽油烯烃含量分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112782146B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916865A (zh) * | 2021-10-09 | 2022-01-11 | 中国工程物理研究院激光聚变研究中心 | 一种空心微球保气性能在线拉曼测量方法 |
| CN114324294A (zh) * | 2021-12-31 | 2022-04-12 | 中国海洋大学 | 多探头气体拉曼光谱系统及混合气体定量分析方法 |
| CN115112598A (zh) * | 2022-08-23 | 2022-09-27 | 国检中心深圳珠宝检验实验室有限公司 | 一种翡翠自动检测模型的建模方法、模型及检测方法 |
| CN117332258A (zh) * | 2023-12-01 | 2024-01-02 | 奥谱天成(成都)信息科技有限公司 | 基于多尺度洛伦兹的近红外吸收峰识别方法、系统、介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5892228A (en) * | 1996-09-30 | 1999-04-06 | Ashland Inc. | Process and apparatus for octane numbers and reid vapor pressure by Raman spectroscopy |
| US6632680B1 (en) * | 2000-09-22 | 2003-10-14 | Deslauriers Paul J. | Measurement of short chain branching in olefin copolymers using chemometric analysis |
| CN101403696A (zh) * | 2008-10-21 | 2009-04-08 | 浙江大学 | 一种基于拉曼光谱的测量汽油烯烃含量的方法 |
| US7973926B1 (en) * | 2009-01-16 | 2011-07-05 | Process Instruments, Inc. | Methods for determining olefin concentrations in olefin-containing fuels |
| CN102788778A (zh) * | 2012-05-31 | 2012-11-21 | 浙江大学 | 一种醇类汽油中甲醇乙醇含量快速测定方法 |
| CN105319198A (zh) * | 2014-07-15 | 2016-02-10 | 中国石油化工股份有限公司 | 基于拉曼光谱解析技术的汽油苯含量预测方法 |
| CN106525815A (zh) * | 2016-11-10 | 2017-03-22 | 中国人民解放军后勤工程学院 | 一种燃油样品拉曼光谱测试方法 |
| CN107085059A (zh) * | 2017-05-14 | 2017-08-22 | 何恺源 | 一种测定汽油辛烷值的方法及装置 |
| CN108195818A (zh) * | 2017-12-25 | 2018-06-22 | 山东省圣泉生物质石墨烯研究院 | 一种拉曼光谱鉴定碳材料类型的方法 |
| CN108780042A (zh) * | 2016-01-13 | 2018-11-09 | 尼克根合伙Ip有限责任公司 | 用于多参数光谱的系统和方法 |
-
2019
- 2019-11-11 CN CN201911095339.3A patent/CN112782146B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5892228A (en) * | 1996-09-30 | 1999-04-06 | Ashland Inc. | Process and apparatus for octane numbers and reid vapor pressure by Raman spectroscopy |
| US6632680B1 (en) * | 2000-09-22 | 2003-10-14 | Deslauriers Paul J. | Measurement of short chain branching in olefin copolymers using chemometric analysis |
| CN101403696A (zh) * | 2008-10-21 | 2009-04-08 | 浙江大学 | 一种基于拉曼光谱的测量汽油烯烃含量的方法 |
| US7973926B1 (en) * | 2009-01-16 | 2011-07-05 | Process Instruments, Inc. | Methods for determining olefin concentrations in olefin-containing fuels |
| CN102788778A (zh) * | 2012-05-31 | 2012-11-21 | 浙江大学 | 一种醇类汽油中甲醇乙醇含量快速测定方法 |
| CN105319198A (zh) * | 2014-07-15 | 2016-02-10 | 中国石油化工股份有限公司 | 基于拉曼光谱解析技术的汽油苯含量预测方法 |
| CN108780042A (zh) * | 2016-01-13 | 2018-11-09 | 尼克根合伙Ip有限责任公司 | 用于多参数光谱的系统和方法 |
| CN106525815A (zh) * | 2016-11-10 | 2017-03-22 | 中国人民解放军后勤工程学院 | 一种燃油样品拉曼光谱测试方法 |
| CN107085059A (zh) * | 2017-05-14 | 2017-08-22 | 何恺源 | 一种测定汽油辛烷值的方法及装置 |
| CN108195818A (zh) * | 2017-12-25 | 2018-06-22 | 山东省圣泉生物质石墨烯研究院 | 一种拉曼光谱鉴定碳材料类型的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐贺明等: "拉曼光谱法快速测定汽油中芳烃和烯烃含量研究", 《中国测试》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916865A (zh) * | 2021-10-09 | 2022-01-11 | 中国工程物理研究院激光聚变研究中心 | 一种空心微球保气性能在线拉曼测量方法 |
| CN113916865B (zh) * | 2021-10-09 | 2024-03-29 | 中国工程物理研究院激光聚变研究中心 | 一种空心微球保气性能在线拉曼测量方法 |
| CN114324294A (zh) * | 2021-12-31 | 2022-04-12 | 中国海洋大学 | 多探头气体拉曼光谱系统及混合气体定量分析方法 |
| CN115112598A (zh) * | 2022-08-23 | 2022-09-27 | 国检中心深圳珠宝检验实验室有限公司 | 一种翡翠自动检测模型的建模方法、模型及检测方法 |
| CN115112598B (zh) * | 2022-08-23 | 2023-04-07 | 国检中心深圳珠宝检验实验室有限公司 | 一种翡翠自动检测模型的建模方法、模型及检测方法 |
| CN117332258A (zh) * | 2023-12-01 | 2024-01-02 | 奥谱天成(成都)信息科技有限公司 | 基于多尺度洛伦兹的近红外吸收峰识别方法、系统、介质 |
| CN117332258B (zh) * | 2023-12-01 | 2024-01-30 | 奥谱天成(成都)信息科技有限公司 | 基于多尺度洛伦兹的近红外吸收峰识别方法、系统、介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112782146B (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112782146B (zh) | 一种基于拉曼光谱的汽油烯烃含量分析方法 | |
| Correia et al. | Portable near infrared spectroscopy applied to fuel quality control | |
| CN105319198B (zh) | 基于拉曼光谱解析技术的汽油苯含量预测方法 | |
| Chung et al. | Comparison of near-infrared, infrared, and Raman spectroscopy for the analysis of heavy petroleum products | |
| US8781757B2 (en) | Method and apparatus for determining properties of fuels | |
| US6897071B2 (en) | Topological near infrared analysis modeling of petroleum refinery products | |
| Kelly et al. | Prediction of gasoline octane numbers from near-infrared spectral features in the range 660-1215 nm | |
| CN107709983A (zh) | 使用真空紫外光谱和气相色谱对复杂样品进行详细的批量分类分析的方法 | |
| US20140229010A1 (en) | Method of monitoring and controlling activity involving a fuel composition | |
| JP2005512051A (ja) | 特定の分析データに一致するように計算された既知物質のブレンドとして未知物質を分析し、計算されたブレンドに基づいて未知物質の特性を予測する方法 | |
| CN101403696A (zh) | 一种基于拉曼光谱的测量汽油烯烃含量的方法 | |
| Donahue et al. | Near-infrared multicomponent analysis in the spectral and Fourier domains: energy content of high-pressure natural gas | |
| US7973926B1 (en) | Methods for determining olefin concentrations in olefin-containing fuels | |
| Nespeca et al. | Rapid and sensitive method for detecting adulterants in gasoline using ultra-fast gas chromatography and Partial Least Square Discriminant Analysis | |
| CN108444976B (zh) | 一种基于拉曼光谱的天然气热值测量方法 | |
| WO2006126978A1 (en) | Topological near infrared analysis modeling of petroleum refinery products | |
| CN107966499B (zh) | 一种由近红外光谱预测原油碳数分布的方法 | |
| Flumignan et al. | Multivariate calibrations in gas chromatographic profiles for prediction of several physicochemical parameters of Brazilian commercial gasoline | |
| EP3861320B1 (en) | Systems and methods for implicit chemical resolution of vacuum gas oils and fit quality determination | |
| RU2310830C1 (ru) | Способ определения октанового числа бензинов | |
| Flumignan et al. | Multivariate calibrations on 1H NMR profiles for prediction of physicochemical parameters of Brazilian commercial gasoline | |
| EP3861321A1 (en) | Method of determining octane number of naphtha and of determining cetane number of diesel fuel or jet fuel using infrared spectroscopy | |
| Macián et al. | Application assessment of UV–vis and NIR spectroscopy for the quantification of fuel dilution problems on used engine oils | |
| CN111829976A (zh) | 一种由原油近红外光谱预测其汽油馏分烃族组成的方法 | |
| Pereira et al. | A flow system for generation of concentration perturbation in two-dimensional correlation near-infrared spectroscopy: application to variable selection in multivariate calibration |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |