CN114354534A - 利用二元线性分类器建立航空煤油性质预测模型的方法 - Google Patents

Abstract

本发明提供一种利用二元线性分类器构建航空煤油性质预测模型的方法，属于航空煤油性质预测技术领域。本发明方法包括：获取多个航空煤油样品的理化性质数据；采集多个航空煤油样品近红外光谱数据，并对该近红外光谱数据进行至少两次优化处理；利用二元线性分类器构建航空煤油理化性质数据与近红外光谱数据相关联的回归模型；将优化处理后的数据代入回归模型，以得到待测样品的多个理化性质。本发明基于二元线性分类器构建预测航空煤油的回归模型，单次操作即可实现检测航空煤油的多种理化性质，对于原始光谱的处理、模型的建立以及更新无需离线进行，能够及时有效地更新回归模型，提高预测准确度。

Description

利用二元线性分类器建立航空煤油性质预测模型的方法

技术领域

本发明属于航空煤油性质检测技术领域，具体涉及一种利用二元线性分类器构建航空煤油性质预测模型的方法。

背景技术

随着航空业的快速发展，航空煤油作为航空业的主要能源，其质量安全在整个行业链条中发挥着至关重要的作用。目前国内航空煤油的运输方式主要为管输、铁路槽车和公路运输三种。因为部分油料运输媒介也会运输其他品类油料，所以时常发生航空煤油污染等质量问题。

传统的航空煤油性质检测方法操作复杂，实验耗时长，且受限于专业的实验室空间，很难达到对航空煤油性质数据实时监测的要求，不易及时发现航空煤油质量问题。目前不断发展的化学计量学技术，可以实现在短时间内分析大量数据，使得快速评价航空煤油质量情况成为可能。

其中，近红外光谱分析技术是目前在工业生产领域应用最广泛的快速分析技术之一。该技术具有光谱信息采集速度快、灵敏度高、价格低廉等优点。结合合适的建模方法即可实现对航空煤油理化性质的快速检测。然而，传统的建模方法对于原始光谱的处理、模型的建立和更新都需要离线进行，但工业应用现场因为情况复杂多变，需要模型能够及时有效地更新。

因此，基于上述技术问题，本发明提出一种利用二元线性分类器构建航空煤油性质预测模型的方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种利用二元线性分类器构建航空煤油性质预测模型的方法。

本发明提供一种利用二元线性分类器构建航空煤油性质预测模型的方法，包括下述步骤：

获取多个航空煤油样品的理化性质数据；

采集所述多个航空煤油样品的近红外光谱数据，并对该近红外光谱数据进行至少两次优化处理；

利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型；

采集待测样品的近红外光谱数据，并对其进行至少两次优化处理，将优化处理后的数据代入所述回归模型，以得到所述待测样品的多个理化性质。

可选的，所述理化性质包括20℃密度、冰点、闪点、初馏点、50％回收温度和终馏点。

可选的，利用透射式近红外光谱仪采集所述航空煤油样品的近红外光谱数据；其中，

采集范围为4000cm^-1～12000cm^-1，扫描次数范围为5次～120次。

可选的，所述对该近红外光谱数据进行至少两次优化处理，包括：

利用一阶微分和矢量归一化法对所述近红外光谱数据进行第一次优化处理；

利用PCA-MD法进行第二次优化处理，以剔除异常航空煤油样品。

可选的，所述矢量归一化公式如下：

x′＝(x-Min(x))/(Max(x)-Min(x))

式中，Max(x)为样本数据的最大值，Min(x)为样本数据的最小值，x为待归一化样本数据，x’为归一化样本数据。

可选的，利用PCA-MD法进行第二次优化处理，以剔除异常航空煤油样品，包括：

采用PCA-MD法计算第一次优化处理后航空煤油样品的马氏距离值和马氏距离标准方差；

根据所述马氏距离值和马氏距离标准方差得到异常航空煤油样品的马氏距离阈值；

将每个第一次优化处理后航空煤油样品的马氏距离值与所述异常航空煤油样品的马氏距离阈值比较，响应于所述马氏距离值大于马氏距离阈值时将其对应样品剔除。

可选的，所述马氏距离阈值的计算公式如下：

W_MD＝mean(MD)+k*std(MD)

式中，W_MD为异常航空煤油样品的马氏距离阈值，mean(MD)为MD的平均值函数，std(MD)为MD的标准方差函数，k为阙值调整权重系数；以及，

所述马氏距离值的计算公式为：

式中，MD为航空煤油样品i的马氏距离值，t_i为航空煤油样品i的得分向量，C为全部航空煤油样品得分矩阵的协方差矩阵，T为全部航空煤油样品的得分矩阵。

可选的，所述利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型之前，还包括：

将所述近红外光谱数据分为n个光谱区间，针对所述n个光谱区间分别建立局部预测模型，以均方根误差作为评定标准，选取预设光谱区间。

可选的，所述均方根误差的计算公式为下式：

式中，yi为航空煤油样品i的预测值，

为真值，n为样品数。

可选的，所述利用二元线性分类器建立所述航空煤油理化性质数据与所述近红外光谱数据相关联的回归模型，包括：

将所述预设光谱区间的近红外光谱数据映射到一个高维特征空间并建立并与所述理化性质数据建立关联模型，具体如下：

式中，

为将近红外光谱输入数据映射到高维特征空间的映射函数，γ为正规化参数，e_k为误差变量，权值向量ω∈Rⁿ，偏置值b∈R，第k个航空煤油样品的输出数据y_k∈R；

采用拉格朗日乘数法得到下式：

式中，拉格朗日乘子α_k∈R，第k个航空煤油样品的输入数据x_k∈R^N；

求解得到二元线性分类器回归模型，具体如下式：

本发明提供一种利用二元线性分类器构建航空煤油性质预测模型的方法，包括下述步骤：获取多个航空煤油样品的理化性质数据；采集所述多个航空煤油样品的近红外光谱数据，并对该近红外光谱数据进行至少两次优化处理；利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型；采集待测样品的近红外光谱数据，并对其进行至少两次优化处理，将优化处理后的数据代入所述回归模型，以得到所述待测样品的多个理化性质。本发明基于二元线性分类器构建预测航空煤油的回归模型，单次操作即可实现检测航空煤油的多种理化性质，对于原始光谱的处理、模型的建立以及更新无需离线进行，能够及时有效地更新回归模型，以提高预测准确度。

附图说明

图1为本发明一实施例的利用二元线性分类器构建航空煤油性质预测模型的方法的流程框图；

图2为本发明的航空煤油样品的原始近红外光谱图；

图3为本发明优化处理后的航空煤油样品的近红外光谱图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。

如图1所示，本发明提供一种利用二元线性分类器构建航空煤油性质预测模型的方法S110～S140：

S110、获取多个航空煤油样品的理化性质数据。

具体的，本实施例收集全国范围具有地域、原油产地、炼制工艺代表性的航空煤油样本，总样本量不低于300个，采用3号喷气燃料国家标准GB6537-2018中所要求的方法，测定每个样品的理化性质，并建立理化性质数据库。

进一步的，本实施例的理化性质包括20℃密度、冰点、闪点、初馏点、50％回收温度和终馏点。

需要说明的是，目前针对航空煤油大多是分析其中游离的水和微小杂质浓度，或者分析检测航空煤油中的硫含量等，再或者是对航空煤油浓度的检测，并未涉及对其理化性质的检测，尤其针对20℃密度、冰点、闪点、初馏点、50％回收温度和终馏点的检测，上述各理化性质对其存储运输以及具体生产应用至关重要。因此，本实施例针对上述多个理化性质提出一种快速检测方法。

S120、采集多个航空煤油样品的近红外光谱数据，并对该近红外光谱数据进行至少两次优化处理。

本实施例利用成本较低的透射式近红外光谱仪采集航空煤油样品的近红外光谱数据。具体的，每个样品采用透射式近红外光谱仪，对全部样品进行光谱扫描，测量过程中保证油样始终均匀，其中，采集范围为4000cm^-1～12000cm^-1，扫描次数范围为5次～120次。

具体的，对该近红外光谱数据进行至少两次优化处理，包括：利用一阶微分和矢量归一化法对近红外光谱数据进行第一次优化处理，以消除基线倾斜、背景干扰和杂峰，以消除光谱中的噪声信息，提高光谱的信噪比。以及，利用主成分分析-马氏距离法(PrincipalComponents Analysis-Mahalanobis distance，PCA-MD)进行第二次优化处理，以剔除异常航空煤油样品。

具体的，矢量归一化公式如下：

x′＝(x-Min(x))/(Max(x)-Min(x))

式中，Max(x)为样本数据的最大值，Min(x)为样本数据的最小值，x为待归一化样本数据，x’为归一化样本数据。

进一步的，利用PCA-MD法进行第二次优化处理，以剔除异常航空煤油样品，包括：采用PCA-MD法计算第一次优化处理后航空煤油样品的马氏距离值和马氏距离标准方差；根据马氏距离值和马氏距离标准方差得到异常航空煤油样品的马氏距离阈值；将每个第一次优化处理后航空煤油样品的马氏距离值与所述异常航空煤油样品的马氏距离阈值比较，响应于马氏距离值大于马氏距离阈值时将其对应样品剔除。也就是说，将每一个优化处理后的样品的马氏距离值与异常样品的马氏距离阈值比较，以剔除大于马氏距离阈值的样品。

其中，马氏距离阈值的计算公式如下：

W_MD＝mean(MD)+k*std(MD)

式中，W_MD为异常航空煤油样品的马氏距离阈值，mean(MD)为MD的平均值函数，std(MD)为MD的标准方差函数，k为阙值调整权重系数；以及，马氏距离值的计算公式为下式：

式中，MD为航空煤油样品i的马氏距离值，t_i为航空煤油样品i的得分向量，C为全部航空煤油样品得分矩阵的协方差矩阵，T为全部航空煤油样品的得分矩阵。

进一步需要说明的是，本实施例还将优化处理后的近红外光谱数据建立航空煤油光谱数据库。

S130、利用二元线性分类器建立航空煤油理化性质数据与近红外光谱数据相关联的回归模型。

需要说明的是，基于航空煤油光谱数据库，以5：1的比例随机抽选训练集样本和验证集样本，即收集筛选后的光谱数据，随机抽取83％的样本组成训练集，其余17％的样本作为验证集，利用训练集建立回归模型，利用验证集对回归模型进行验证。

更进一步的，利用二元线性分类器建立航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型之前，还包括：将近红外光谱数据分为n个光谱区间，针对该n个光谱区间分别建立局部预测模型，以均方根误差(RMSE)作为评定标准，由交叉验证均方根误差最小的区间开始增加参加建模的光谱区间，选取均方根误差最小的2-5个光谱区间作为构建回归模型的预设光谱区间。

其中，均方根误差的计算公式为下式：

式中，yi为航空煤油样品i的预测值，

为真值，n为样本数。

具体的，基于该预设光谱区间，利用二元线性分类器建立航空煤油理化性质数据与近红外光谱数据相关联的回归模型，包括：

将预设光谱区间的近红外光谱数据映射到一个高维特征空间并建立并与理化性质数据建立关联模型，具体如下：

式中，

为将近红外光谱输入数据映射到高维特征空间的映射函数，γ为正规化参数，e_k为误差变量，权值向量ω∈Rⁿ，偏置值b∈R，第k个航空煤油样品的输出数据y_k∈R；

采用拉格朗日乘数法得到下式：

式中，拉格朗日乘子α_k∈R，第k个航空煤油样品的输入数据x_k∈R^N；

求解得到二元线性分类器回归模型，具体如下式：

S140、采集待测样品的近红外光谱数据，并对其进行至少两次优化处理，将优化处理后的数据代入回归模型，以得到待测样品的多个理化性质。

需要说明的是，将待测航空煤油样品的近红外光谱数据代入上述回归模型，以得到待测样品的多个理化性质，预测过程时间较短、准确度较高。

下面将以具体实施例对利用二元线性分类器构建航空煤油性质预测模型的方法进行说明：

本示例以预测20℃密度为例进行说明，具体步骤包括：

步骤1：建立包含300个航空煤油样品库，用标准方法测量全部航空煤油样品的密度数据；

步骤2：将样品温度控制在20℃，选用近红外光谱仪采集航空煤油样品的近红外光谱数据，波长范围为4000cm^-1～12000cm^-1，扫描次数为100次；

步骤3：对步骤2采集的航空煤油近红外光谱数据利用一阶微分+矢量归一化法进行第一次优化处理，建立航空煤油光谱数据库；

步骤4：对第一次优化处理后的光谱数据进行PCA-MD主成分分析-马氏距离分析判别异常样本，剔除马氏距离值异常的样本；

步骤5：建立航空煤油光谱数据库，以5：1的比例随机抽选训练集样本和验证集样本；

步骤6：将扫描波长分为5段，分别建立二元线性分类器局部预测模型，通过比较预测的均方根误差，确定最佳的建模区间为(4200cm^-1-4700cm^-1、6240cm^-1-6950cm^-1的波长范围)，将特征建模区间进行组合参与最终建模，以得到回归模型。

步骤7：采集待测航空煤油样品的近红外光谱数据，并对其进行两次优化处理，将处理后的数据代入上述回归模型，以得到该待测航空煤油样品的20℃密度数据。

需要说明的是，采用上述同样的方法可以对其他不同的理化性质进行检测，例如：冰点、闪点、初馏点、50％回收温度和终馏点，通过建立回归模型以实现一次操作即可得到多个理化性质。

本发明提供一种利用二元线性分类器构建航空煤油性质预测模型的方法，相对于现有技术而言具有以下有益效果：本发明基于二元线性分类器构建预测航空煤油的回归模型，单次操作即可实现检测航空煤油的多种理化性质，对于原始光谱的处理、模型的建立以及更新无需离线进行，能够及时有效地更新回归模型，以提高预测准确度。另外，本发明的方法无需任何一次性耗材，成本较低，操作简便，对操作人员的技术门槛要求低，适宜大范围推广。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种利用二元线性分类器构建航空煤油性质预测模型的方法，其特征在于，包括下述步骤：

获取多个航空煤油样品的理化性质数据；

采集所述多个航空煤油样品的近红外光谱数据，并对该近红外光谱数据进行至少两次优化处理；

利用支持二元线性分类器构建所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型；

采集待测样品的近红外光谱数据，并对其进行至少两次优化处理，将优化处理后的数据代入所述回归模型，以得到所述待测样品的多个理化性质。

2.根据权利要求1所述的方法，其特征在于，所述理化性质包括20℃密度、冰点、闪点、初馏点、50％回收温度和终馏点。

3.根据权利要求1所述的方法，其特征在于，利用透射式近红外光谱仪采集所述航空煤油样品的近红外光谱数据；其中，

采集范围为4000cm^-1～12000cm^-1，扫描次数范围为5次～120次。

4.根据权利要求1所述的方法，其特征在于，所述对该近红外光谱数据进行至少两次优化处理，包括：

利用一阶微分和矢量归一化法对所述近红外光谱数据进行第一次优化处理；

利用PCA-MD法进行第二次优化处理，以剔除异常航空煤油样品。

5.根据权利要求4所述的方法，其特征在于，所述矢量归一化公式如下：

x’＝(x-Min(x))/(Max(x)-Min(x))

式中，Max(x)为样本数据的最大值，Min(x)为样本数据的最小值，x为待归一化样本数据，x’为归一化样本数据。

6.根据权利要求4所述的方法，其特征在于，利用PCA-MD法进行第二次优化处理，以剔除异常航空煤油样品，包括：

采用PCA-MD法计算第一次优化处理后航空煤油样品的马氏距离值和马氏距离标准方差；

根据所述马氏距离值和马氏距离标准方差得到异常航空煤油样品的马氏距离阈值；

将每个第一次优化处理后航空煤油样品的马氏距离值与所述异常航空煤油样品的马氏距离阈值比较，响应于所述马氏距离值大于马氏距离阈值时将其对应样品剔除。

7.根据权利要求6所述的方法，其特征在于，所述马氏距离阈值的计算公式如下：

W_MD＝mean(MD)+k*std(MD)

式中，W_MD为异常航空煤油样品的马氏距离阈值，mean(MD)为MD的平均值函数，std(MD)为MD的标准方差函数，k为阙值调整权重系数；以及，

所述马氏距离值的计算公式为：

式中，MD为航空煤油样品i的马氏距离值，t_i为航空煤油样品i的得分向量，C为全部航空煤油样品得分矩阵的协方差矩阵，T为全部航空煤油样品的得分矩阵。

8.根据权利要求1所述的方法，其特征在于，所述利用二元线性分类器建立所述航空煤油样品的理化性质数据与近红外光谱数据相关联的回归模型之前，还包括：

将所述近红外光谱数据分为n个光谱区间，针对所述n个光谱区间分别建立局部预测模型，以均方根误差作为评定标准，选取预设光谱区间。

9.根据权利要求8所述的方法，其特征在于，所述均方根误差的计算公式为下式：

式中，yi为航空煤油样品i的预测值，

为真值，n为样品数。

10.根据权利要求8所述的方法，其特征在于，所述利用二元线性分类器建立所述航空煤油理化性质数据与所述近红外光谱数据相关联的回归模型，包括：

将所述预设光谱区间的近红外光谱数据映射到一个高维特征空间并建立并与所述理化性质数据建立关联模型，具体如下：

式中，

为将近红外光谱输入数据映射到高维特征空间的映射函数，γ为正规化参数，e_k为误差变量，权值向量ω∈Rⁿ，偏置值b∈R，第k个航空煤油样品的输出数据y_k∈R；

采用拉格朗日乘数法得到下式：

式中，拉格朗日乘子α_k∈R，第k个航空煤油样品的输入数据x_k∈R^N；

求解得到二元线性分类器回归模型，具体如下式：

Images