CN116008248A - 燃油拉曼光谱测定方法及系统 - Google Patents
燃油拉曼光谱测定方法及系统 Download PDFInfo
- Publication number
- CN116008248A CN116008248A CN202211605980.9A CN202211605980A CN116008248A CN 116008248 A CN116008248 A CN 116008248A CN 202211605980 A CN202211605980 A CN 202211605980A CN 116008248 A CN116008248 A CN 116008248A
- Authority
- CN
- China
- Prior art keywords
- fuel
- standard
- fuel oil
- module
- raman spectrum
- 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.)
- Pending
Links
Images
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及燃油检测技术领域,公开了一种燃油拉曼光谱测定方法及系统。该方法应用于燃油拉曼光谱测定系统,所述系统包括拉曼光谱测定模块、参比测定模块和动态自动建模软件模块;方法包括:通过拉曼光谱测定模块采集燃油的拉曼光谱数据;通过动态自动建模软件模块对燃油的拉曼光谱数据进行计算分析,得到评价结果,并判定评价结果是否达标;若不达标,则将对应的燃油输送至参比测定模块测定燃油的现场实测数据;若达标,则将对应的燃油更新为标准燃油库中的标准燃油。通过本申请的方法,实现了燃油拉曼光谱的智能测试。
Description
技术领域
本发明涉及燃油检测技术领域,尤其涉及一种燃油拉曼光谱测定方法及系统。
背景技术
拉曼光谱对石油产品中多种芳香族化合物、取代基团和高支链成分等有机物基团具有较强的分析和表征能力,能够反映出不同有机物基团的指纹信息,并获取其分子结构、理化性质等特征信息,在此基础上可对石油产品进行定性和定量分析。
拉曼光谱技术在油品分析方面的基础研究和应用中取得了不少成绩。拉曼光谱检测技术在石油产品行业主要是用于分析烃类混合物的芳烃和烯烃组成。目前,拉曼指纹图谱技术在燃油上的应用正处于快速发展阶段。拉曼检测技术与指纹图谱技术的结合,将在种类识别、指标预测、在线检测和燃油质量监控与管理等方面带来巨大的应用价值。
目前,拉曼光谱技术应用于燃油的种类和牌号鉴别以及油品质量分析,采用的方法主要为特征峰识别的分析方法和基于化学计量学的分析方法。此外,在线检测也成为拉曼光谱技术的应用热点,例如,实时监测生产过程中物料的变化。
拉曼光谱检测技术是一种结合精密仪器和数据分析的技术。对于操作、仪器和参数选择要求严格。否则,谱图上的细小差异,将影响后续数据分析。目前采用基于化学计量学方法的定量分析方法都是一种“二次”分析方法,基本过程为:通过建立样品光谱数据特征与利用国家或行业标准方法测得的数据之间的多元校正模型来对未知样品进行快速预测分析,其核心工作在于多元校正模型的建立和维护,这项工作一般由专业公司或者专业技术人员来完成,并需要大量的具有可靠指标的标准样本,对于用户来说类似于“黑匣子”,无法获知或干预分析模型,需要花费大量的人力和物力。
发明内容
有鉴于此,本发明的目的是为了克服现有技术中的不足,提供一种燃油拉曼光谱测定方法及系统。
本发明提供如下技术方案:
第一方面,本公开实施例中提供了一种燃油拉曼光谱测定方法,应用于燃油拉曼光谱测定系统,所述系统包括拉曼光谱测定模块、参比测定模块和动态自动建模软件模块;所述方法包括:
通过所述拉曼光谱测定模块采集燃油的拉曼光谱数据;
通过所述动态自动建模软件模块对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,并判定所述评价结果是否达标;
若不达标,则将对应的燃油输送至所述参比测定模块测定所述燃油的现场实测数据;
若达标,则将对应的燃油更新为标准燃油库中的标准燃油。
进一步地,所述通过所述动态自动建模软件模块对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,包括:
通过指纹图谱相似度分析,筛选出标准样品集;
基于所述标准样品集,通过化学计量学软件系统建立动态优化的多元校正模型;
将所述燃油输入所述动态优化的多元校正模型,得到所述燃油的定量分析结果;
对所述燃油的定量分析结果进行置信度评价,得到对应的评价结果。
进一步地,所述通过指纹图谱相似度分析,筛选出标准样品集,包括:
设定相似度阈值,计算所述燃油与所述标准燃油库中所有的标准燃油的相似度;
将所有相似度大于或等于所述相似度阈值的标准油样组成标准样品集。
进一步地,所述计算所述燃油与所述标准燃油库中所有的标准燃油的相似度,包括:
根据所有燃油的拉曼光谱数据建立光谱特征曲线,并对所述光谱特征曲线进行线性变换;
依据变换后的光谱特征曲线,进行所有燃油的光谱特征的相似度对比,得到所述燃油与所述标准燃油库中所有的标准燃油的相似度。
进一步地,所述基于所述标准样品集,通过化学计量学软件系统建立动态优化的多元校正模型,包括:
基于所述标准样品集,建立定量预测多元校正模型;
采用交互验证方法对所述定量预测多元校正模型的有效性进行评价,建立动态优化的多元校正模型。
进一步地,所述采用交互验证方法对所述定量预测多元校正模型的有效性进行评价,建立动态优化的多元校正模型,包括:
采用偏最小二乘法提取所述燃油的拉曼光谱数据中的有效组分化学信息,得到所述燃油的拉曼光谱数据与所述标准燃油的拉曼光谱数据之间的函数关系,建立动态优化的多元校正模型。
进一步地,所述现场实测数据包括馏程、密度、闭口闪点和十六烷指数。
第二方面,本公开实施例中提供了一种燃油拉曼光谱测定系统,所述系统包括拉曼光谱测定模块、参比测定模块和动态自动建模软件模块;
所述参比测定模块用于测定燃油的现场实测数据;
所述拉曼光谱测定模块用于采集所述燃油的拉曼光谱数据;
所述动态自动建模软件模块用于对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,并判定所述评价结果是否达标;
所述动态自动建模软件模块还用于将不达标的燃油输送至所述参比测定模块进行参比测定,并将达标的燃油更新为标准燃油库中的标准燃油。
进一步地,所述参比测定模块包括微量馏程测定子模块和密度测定子模块;
所述微量馏程测定子模块用于对所述燃油的蒸馏特性进行测定,得到所述燃油的馏程;
所述密度测定子模块用于对所述燃油的密度进行测定,得到所述燃油的密度。
进一步地,所述参比测定模块还包括闭口闪点计算子模块和十六烷指数计算子模块;
所述闭口闪点计算子模块用于对所述微量馏程测定子模块的测定数据进行计算,得所述燃油的闭口闪点;
所述十六烷指数计算子模块用于对所述微量馏程测定子模块和所述密度测定子模块的测定数据进行计算,得到所述燃油的十六烷指数。
本申请的实施例具有如下优点:
本申请实施例提供的燃油拉曼光谱测定方法,应用于燃油拉曼光谱测定系统,所述系统包括拉曼光谱测定模块、参比测定模块和动态自动建模软件模块;所述方法包括:通过所述拉曼光谱测定模块采集所述燃油的拉曼光谱数据;通过所述动态自动建模软件模块对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,并判定所述评价结果是否达标;若不达标,则将对应的燃油输送至所述参比测定模块测定所述燃油的现场实测数据;若达标,则将对应的燃油更新为标准燃油库中的标准燃油。通过本申请的方法,实现了燃油拉曼光谱的智能测试。
为使本发明的上述目的、特征和优点能更明显和易懂,下文特举较佳实施例,并配合所附附图,做详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的一种燃油拉曼光谱测定方法的流程图;
图2示出了本申请实施例提供的另一种燃油拉曼光谱测定方法的流程图;
图3示出了本申请实施例提供的一种相似度算法的流程图;
图4示出了本申请实施例提供的一种燃油拉曼光谱测定系统的结构示意图。
主要元器件符号说明:
10-参比测定模块;11-微量馏程测定子模块;12-密度测定子模块;13-闭口闪点计算子模块;14-十六烷指数计算子模块;20-拉曼光谱测定模块;30-动态自动建模软件模块。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。相反,当元件被称作“直接在”另一元件“上”时,不存在中间元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在模板的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
如图1所示,为本申请实施例中的一种燃油拉曼光谱测定方法的流程图,本申请实施例提供的燃油拉曼光谱测定方法包括以下步骤:
步骤S110,通过所述拉曼光谱测定模块采集所述燃油的拉曼光谱数据。
在本申请实施例中,分析对象是石油产品中的燃油产品,例如车用汽油、车用柴油、军用柴油、喷气燃料等,其本质是一种有机物混合物。
具体地,选取近红外波段的激光器作为拉曼激发光源,即采用的光源为波长785nm半导体激光器,属于近红外波长范围,能够从一定程度上抑制燃油的荧光效应,再利用所述拉曼光谱测定模块通过结合曲线拟合等软件燃油拉曼荧光干扰去除方法,实现燃油的拉曼光谱数据的采集。
其中,具体的拉曼光谱数据采集方法为:首先将每种燃油的样品编号,使用注射器抽取0.75mL的燃油保存在2mL玻璃瓶中,并及时加盖密封。随后,对2mL玻璃瓶依次进行拉曼光谱数据采集。每次采集前,先摇晃玻璃瓶,再放入暗箱中静置30s,待样品内部液流稳定后,再开始采集拉曼光谱数据。每种样品连续采集3次数据,同一样品完成一次采集后,将其从暗箱中取出并摇晃玻璃瓶,再置入暗箱中静置30s,进行下次数据采集。
需要说明的是,摇晃玻璃瓶再放入暗箱中静置的目的是使得样品混合均匀,避免长时间静置导致样品的分层等情况,由于摇晃后马上测量可能会有残渣干扰,因此需要静置30秒,使得明显的残渣得到沉降,从而不影响样品的拉曼光谱数据的测量。
通过测定燃油的拉曼光谱数据,进而计算分析得到评价结果,实现了用户无干扰式动态自动建模。
步骤S120,通过所述动态自动建模软件模块对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,并判定所述评价结果是否达标。
进一步地,对所述燃油的拉曼光谱数据进行相似度分析,优选出标准样品集,进而建立动态优化的多元校正模型。通过动态优化的多元校正模型实现待测试燃油的定量分析结果,通过该结果决定待测试燃油是否进行参比测定模块的参比测定化验,并以此进行标准油样库的动态自动更新。
在一种可选地实施方式中,如图2所示,步骤S120还包括:
步骤S121,通过指纹图谱相似度分析,筛选出标准样品集;
步骤S122,基于所述标准样品集,通过化学计量学软件系统建立动态优化的多元校正模型;
步骤S123,将所述燃油输入所述动态优化的多元校正模型,得到所述燃油的定量分析结果;
步骤S124,对所述燃油的定量分析结果进行置信度评价,得到对应的评价结果。
首先,设定一定的相似度阈值,例如可以是0.95、0.97或0.98,本申请实施例对比不作限定。根据燃油的拉曼光谱数据建立光谱特征曲线,一般采集拉曼光谱的指纹图谱区域,即600cm-1~1600cm-1,并对所述光谱特征曲线进行旋转、平移、缩放等线性变换;依据线性变换后的光谱特征曲线,进行所有燃油的光谱特征的相似度对比,得到所述燃油与所述标准燃油库中所有的标准燃油的相似度。优选相似度不小于设定的相似度阈值的标准燃油,组成优选后的标准样品集。
其次,基于所述标准样品集建立定量预测多元校正模型,并采用偏最小二乘法(partial least squares,PLS),提取所述燃油拉曼光谱数据中的有效组分化学信息,得到所述燃油的拉曼光谱数据与所述标准燃油拉曼光谱数据之间的函数关系。可以理解的是,拉曼光谱数据中既包含了待分析的有效组分化学信息,又包含了仪器或环境等干扰组分信息。而偏最小二乘法是一种结合主成分分析和多元线性回归的方法,可有效提取有效组分化学信息,剔除干扰组分信息。
如图3所示,最小二乘法不但对待测试燃油的拉曼光谱的矩阵X进行正交分解,而且在分解X的同时将标准燃油的拉曼光谱的矩阵Y也进行正交分解,而且在分解X的同时将矩阵Y也进行正交分解,这样标准燃油的拉曼光谱的矩阵Y的主成分也被分离出来。
X=USVT=U*S*VT*+EX=T*VT*+EX(1)
Y=PGQT=P*G*QT*+EY=R*QT*+EY(2)
T*:待测试燃油的拉曼光谱矩阵X分解得到;
R*:标准燃油的拉曼光谱矩阵Y分解得到;
U:对X矩阵进行奇异分解的矩阵,其列向量组成一套对X矩阵输入的正交基向量;
S:对角矩阵,即X矩阵的奇异值;
V:对X矩阵进行奇异分解的矩阵,其列向量组成一套对X矩阵输除的正交基向量;
Ex:代表光谱数据矩阵X主成分分解后的残差矩阵;
P:对Y矩阵进行奇异分解的矩阵,其列向量组成一套对Y矩阵输入的正交基向量;
G:对角矩阵,即Y矩阵的奇异值;
Q:对Y矩阵进行奇异分解的矩阵,其列向量组成一套对Y矩阵输除的正交基向量;
EY:代表光谱数据矩阵Y主成分分解后的残差矩阵;
上式(1)、(2)中,由待测试燃油的拉曼光谱矩阵X分解得到的矩阵T*以及由标准燃油的拉曼光谱矩阵Y分解得到的矩阵R*,代表了除去仪器或环境影响因素后的响应和目标指标的信息。而且在进行同时分解时,考虑了矩阵T*和矩阵R*之间应用的线性关系,即在分解矩阵X时考虑矩阵Y的因素,在分解矩阵Y是考虑矩阵X的因素,交互验证相互影响,通过迭代式交换迭代矢量进而使两个分解过程合二为一。因此通过上述偏最小二乘法的回归分析,达到预测分析目的,建立出动态优化的多元校正模型。
进一步地,将待测试的燃油输入所述动态优化的多元校正模型,得到所述燃油的定量分析结果,对待测油样的定量分析结果进行置信度评价,根据评价结果决定待测测试的燃油是否进行参比测定模块的参比测定化验,并以此进行标准油样库的动态自动更新。
步骤S130,若不达标,则将对应的燃油输送至所述参比测定模块测定所述燃油的现场实测数据。
当所述评价结果不达标时,将对应的燃油输送至所述参比测定模块测定所述燃油的现场实测数据。
具体地,所述燃油的现场实测数据包括馏程、密度、闭口闪点和十六烷指数等,相应地,所述参比测定模块包括微量馏程测定子模块、密度测定子模块、闭口闪点计算子模块和十六烷指数算子模块等。通过所述微量馏程测定子模块测定所述燃油的馏程,通过所述密度测定子模块测定所述燃油的密度,通过所述闭口闪点计算子模块测定所述燃油的闭口闪点,通过所述十六烷指数算子模块测定所述燃油的十六烷指数。
步骤S140,若达标,则将对应的燃油更新为标准燃油库中的标准燃油。
当所述评价结果达标时,将对应的燃油更新为标准燃油库中的标准燃油,可以理解的是,所述标准燃油可用于待测试燃油的相似度分析,进而建立动态优化的多元校正模型,得到所述燃油的定量分析结果。
本申请实施例提供的燃油拉曼光谱测定方法,应用于燃油拉曼光谱测定系统,所述系统包括拉曼光谱测定模块、参比测定模块和动态自动建模软件模块;所述方法包括:通过所述参比测定模块测定燃油的现场实测数据,并通过所述拉曼光谱测定模块采集所述燃油的拉曼光谱数据;通过所述动态自动建模软件模块对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,并判定所述评价结果是否达标;若不达标,则将对应的燃油输送至所述参比测定模块进行测定;若达标,则将对应的燃油更新为标准燃油库中的标准燃油。通过本申请的方法,实现了燃油拉曼光谱的智能测试。
实施例2
如图4所示,为本申请实施例中的一种燃油拉曼光谱测定系统的结构示意图,所述系统包括拉曼光谱测定模块20、参比测定模块10和动态自动建模软件模块30;
所述拉曼光谱测定模块20用于采集所述燃油的拉曼光谱数据。
具体地,选取近红外波段的激光器作为拉曼激发光源,即采用的光源为波长785nm半导体激光器,属于近红外波长范围,能够从一定程度上抑制燃油的荧光效应,再利用所述拉曼光谱测定模块20通过结合曲线拟合等软件燃油拉曼荧光干扰去除方法,实现燃油的拉曼光谱数据的采集。
所述动态自动建模软件模块30用于对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,并判定所述评价结果是否达标;
所述动态自动建模软件模块30还用于将不达标的燃油输送至所述参比测定模块10进行参比测定,并将达标的燃油更新为标准燃油库中的标准燃油。
进一步地,通过所述动态自动建模软件模块30对所述燃油的拉曼光谱数据进行相似度分析,优选出标准样品集,进而建立动态优化的多元校正模型。通过动态优化的多元校正模型实现待测试燃油的定量分析结果,对待测油样的定量分析结果进行置信度评价,并评价结果是否达标。当所述评价结果不达标时,将对应的燃油输送至所述参比测定模块10测定所述燃油的现场实测数据;当所述评价结果达标时,将对应的燃油更新为标准燃油库中的标准燃油,所述标准燃油可用于待测试燃油的相似度分析,进而建立动态优化的多元校正模型,得到所述燃油的定量分析结果。
所述参比测定模块10用于测定燃油的现场实测数据;所述参比测定模块包括微量馏程测定子模块11、密度测定子模块12、闭口闪点计算子模块13和十六烷指数计算子模块14;
其中,所述微量馏程测定子模块11用于对所述燃油的蒸馏特性进行测定,得到所述燃油的馏程;所述密度测定子模块12用于对所述燃油的密度进行测定,得到所述燃油的密度;所述闭口闪点计算子模块13用于对所述微量馏程测定子模块的测定数据进行计算,得所述燃油的闭口闪点;所述十六烷指数计算子模块14用于对所述微量馏程测定子模块和所述密度测定子模块的测定数据进行计算,得到所述燃油的十六烷指数。
本申请实施例提供的燃油拉曼光谱测定系统,包括拉曼光谱测定模块、参比测定模块和动态自动建模软件模块;所述参比测定模块用于测定燃油的现场实测数据;所述拉曼光谱测定模块用于采集所述燃油的拉曼光谱数据;所述动态自动建模软件模块用于对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,并判定所述评价结果是否达标;所述动态自动建模软件模块还用于将不达标的燃油输送至所述参比测定模块进行参比测定,并将达标的燃油更新为标准燃油库中的标准燃油。通过本申请的系统,能够实现自动动态建模,无需专业人员进行模型更新维护,实现了燃油拉曼光谱的智能测试。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或子模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种燃油拉曼光谱测定方法,其特征在于,应用于燃油拉曼光谱测定系统,所述系统包括拉曼光谱测定模块、参比测定模块和动态自动建模软件模块;所述方法包括:
通过所述拉曼光谱测定模块采集燃油的拉曼光谱数据;
通过所述动态自动建模软件模块对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,并判定所述评价结果是否达标;
若不达标,则将对应的燃油输送至所述参比测定模块测定所述燃油的现场实测数据;
若达标,则将对应的燃油更新为标准燃油库中的标准燃油。
2.根据权利要求1所述的燃油拉曼光谱测定方法,其特征在于,所述通过所述动态自动建模软件模块对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,包括:
通过指纹图谱相似度分析,筛选出标准样品集;
基于所述标准样品集,通过化学计量学软件系统建立动态优化的多元校正模型;
将所述燃油输入所述动态优化的多元校正模型,得到所述燃油的定量分析结果;
对所述燃油的定量分析结果进行置信度评价,得到对应的评价结果。
3.根据权利要求2所述的燃油拉曼光谱测定方法,其特征在于,所述通过指纹图谱相似度分析,筛选出标准样品集,包括:
设定相似度阈值,计算所述燃油与所述标准燃油库中所有的标准燃油的相似度;
将所有相似度大于或等于所述相似度阈值的标准油样组成标准样品集。
4.根据权利要求3所述的燃油拉曼光谱测定方法,其特征在于,所述计算所述燃油与所述标准燃油库中所有的标准燃油的相似度,包括:
根据所有燃油的拉曼光谱数据建立光谱特征曲线,并对所述光谱特征曲线进行线性变换;
依据变换后的光谱特征曲线,进行所有燃油的光谱特征的相似度对比,得到所述燃油与所述标准燃油库中所有的标准燃油的相似度。
5.根据权利要求2所述的燃油拉曼光谱测定方法,其特征在于,所述基于所述标准样品集,通过化学计量学软件系统建立动态优化的多元校正模型,包括:
基于所述标准样品集,建立定量预测多元校正模型;
采用交互验证方法对所述定量预测多元校正模型的有效性进行评价,建立动态优化的多元校正模型。
6.根据权利要求5所述的燃油拉曼光谱测定方法,其特征在于,所述采用交互验证方法对所述定量预测多元校正模型的有效性进行评价,建立动态优化的多元校正模型,包括:
采用偏最小二乘法提取所述燃油拉曼光谱数据中的有效组分化学信息,得到所述燃油的拉曼光谱数据与所述标准燃油拉曼光谱数据之间的函数关系,建立动态优化的多元校正模型。
7.根据权利要求1所述的燃油拉曼光谱测定方法,其特征在于,所述现场实测数据包括馏程、密度、闭口闪点和十六烷指数。
8.一种燃油拉曼光谱测定系统,其特征在于,所述系统包括拉曼光谱测定模块、参比测定模块和动态自动建模软件模块;
所述参比测定模块用于测定燃油的现场实测数据;
所述拉曼光谱测定模块用于采集所述燃油的拉曼光谱数据;
所述动态自动建模软件模块用于对所述燃油的拉曼光谱数据进行计算分析,得到评价结果,并判定所述评价结果是否达标;
所述动态自动建模软件模块还用于将不达标的燃油输送至所述参比测定模块进行参比测定,并将达标的燃油更新为标准燃油库中的标准燃油。
9.根据权利要求8所述的燃油拉曼光谱测定系统,其特征在于,所述参比测定模块包括微量馏程测定子模块和密度测定子模块;
所述微量馏程测定子模块用于对所述燃油的蒸馏特性进行测定,得到所述燃油的馏程;
所述密度测定子模块用于对所述燃油的密度进行测定,得到所述燃油的密度。
10.根据权利要求9所述的燃油拉曼光谱测定系统,其特征在于,所述参比测定模块还包括闭口闪点计算子模块和十六烷指数计算子模块;
所述闭口闪点计算子模块用于对所述微量馏程测定子模块的测定数据进行计算,得所述燃油的闭口闪点;
所述十六烷指数计算子模块用于对所述微量馏程测定子模块和所述密度测定子模块的测定数据进行计算,得到所述燃油的十六烷指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605980.9A CN116008248A (zh) | 2022-12-14 | 2022-12-14 | 燃油拉曼光谱测定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605980.9A CN116008248A (zh) | 2022-12-14 | 2022-12-14 | 燃油拉曼光谱测定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116008248A true CN116008248A (zh) | 2023-04-25 |
Family
ID=86032629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211605980.9A Pending CN116008248A (zh) | 2022-12-14 | 2022-12-14 | 燃油拉曼光谱测定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116008248A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117491311A (zh) * | 2023-10-27 | 2024-02-02 | 盐城市质量技术监督综合检验检测中心(盐城市产品质量监督检验所) | 一种基于拉曼近红外光谱的齿轮油多参数测定方法及设备 |
-
2022
- 2022-12-14 CN CN202211605980.9A patent/CN116008248A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117491311A (zh) * | 2023-10-27 | 2024-02-02 | 盐城市质量技术监督综合检验检测中心(盐城市产品质量监督检验所) | 一种基于拉曼近红外光谱的齿轮油多参数测定方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8735820B2 (en) | Direct match spectrographic determination of fuel properties | |
US7254501B1 (en) | Spectrum searching method that uses non-chemical qualities of the measurement | |
US20130096883A1 (en) | Multi-Component Regression/Multi-Component Analysis of Time Series Files | |
US8481942B2 (en) | Direct match spectrographic determination of fuel properties | |
CN112129741B (zh) | 绝缘油老化分析方法、装置、计算机设备和存储介质 | |
CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
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 | |
JPH08503075A (ja) | 物質の特性の化学測定学的評価を向上させる方法 | |
JP2008513785A (ja) | 炭化水素含有供給原料を分析する方法 | |
CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
US10718713B2 (en) | Unknown sample determining method, unknown sample determining instrument, and unknown sample determining program | |
CN103115889B (zh) | 由透射红外光谱预测原油硫含量的方法 | |
CN116008248A (zh) | 燃油拉曼光谱测定方法及系统 | |
CN107966499B (zh) | 一种由近红外光谱预测原油碳数分布的方法 | |
GB2561879A (en) | Spectroscopic analysis | |
CN113340874A (zh) | 一种基于结合岭回归和递归特征消除的定量分析方法 | |
Ruan et al. | A novel hybrid filter/wrapper method for feature selection in archaeological ceramics classification by laser-induced breakdown spectroscopy | |
CN105319179B (zh) | 一种利用中红外光谱预测脱硫胺液中硫化氢含量的方法 | |
CN103134764B (zh) | 由透射红外光谱预测原油实沸点蒸馏曲线的方法 | |
CN109187499A (zh) | 基于激光诱导击穿光谱的绝缘油成分检测方法及装置 | |
CN116008216A (zh) | 用于检测油液掺混的方法及设备 | |
CN114002203A (zh) | 一种基于拉曼光谱分析木质成分含量的方法及装置 | |
US10627344B2 (en) | Spectral analysis through model switching | |
WO2024011687A1 (zh) | 一种油品物性快评模型建立方法及装置 | |
Pavoni et al. | FT‐IR Spectroscopy and Chemometrics as a Useful Approach for Determining Chemical‐Physical Properties of Gasoline, by Minimizing Analytical Times and Sample Handling |
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 |