CN116067905A - 用于检测油液掺混的方法及设备 - Google Patents
用于检测油液掺混的方法及设备 Download PDFInfo
- Publication number
- CN116067905A CN116067905A CN202111233116.6A CN202111233116A CN116067905A CN 116067905 A CN116067905 A CN 116067905A CN 202111233116 A CN202111233116 A CN 202111233116A CN 116067905 A CN116067905 A CN 116067905A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- infrared
- oil
- near infrared
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000002156 mixing Methods 0.000 title claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 218
- 230000004927 fusion Effects 0.000 claims abstract description 102
- 238000002835 absorbance Methods 0.000 claims abstract description 79
- 238000004458 analytical method Methods 0.000 claims abstract description 64
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 46
- 239000003350 kerosene Substances 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 33
- 239000007788 liquid Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 2
- 238000010238 partial least squares regression Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 239000003921 oil Substances 0.000 description 81
- 239000002283 diesel fuel Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000009835 boiling Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000005292 vacuum distillation Methods 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供一种检测油液掺混的方法及设备。该方法包括：获取待测油液样本的近红外光谱和中红外光谱组成的近红外‑中红外融合光谱；获取所述近红外‑中红外融合光谱的近红外特征谱区吸光度和中红外特征谱区吸光度；以及根据所述近红外‑中红外融合光谱的近红外特征谱区吸光度和中红外特征谱区吸光度及预先建立的判别分析模型，确定所述待测油液样本的类别，其中所述判别分析模型根据第一油液与第二油液的多个样本的近红外‑中红外融合光谱及其掺混比例、近红外特征谱区吸光度和中红外特征谱区吸光度而被生成。
Description
技术领域
本申请涉及检测领域，具体涉及一种用于检测油液掺混的方法及设备。
背景技术
航空煤油是喷气式发动机飞机的专用燃料。由于工作环境的特殊性，使 得对其性能的要求十分苛刻，例如，良好的低温流动性，较大的净热值和密 度，较快的燃烧速度且燃烧完全，良好的安定性等。这些性质很大程度上取 决于航空煤油的化学组成，而化学组成也会因原料和生产工艺的不同出现差 异，从而影响航空煤油的某些特性。目前，航空煤油主要由常规石油炼制过 程得到，其产量占总产量的80％以上。航空煤油炼制技术即利用常减压蒸 馏技术，将不同沸点的化合物通过蒸馏、冷凝、收集，实现物质的分离，得 到液化气、石脑油、汽油、煤油、柴油、润滑油、燃料油及渣油等馏分。然 而，由于煤油的沸程(180～310℃)和柴油的沸程(180～370℃，轻柴油)存 在重合，在切割所需的航空煤油馏分时，容易将柴油馏分切取到航空煤油馏 分当中，使得后续航空煤油的精制过程难度加大，成本也随之增加。为了便 于航空煤油后续过程的顺利进行以及最大程度上确保成品航空煤油的品质， 需要对航空煤油切割过程进行监测。对该过程的监测首先需要寻求一种能够 区分纯航空煤油馏分和切割进了柴油馏分的航空煤油的方法。
发明内容
本申请实施例的目的是提供一种检测油液掺混的方法及设备。
为了实现上述目的，本申请第一方面提供一种用于检测油液掺混的方法， 该方法包括：获取待测油液样本的近红外光谱和中红外光谱组成的近红外- 中红外融合光谱；获取所述近红外-中红外融合光谱的近红外特征谱区吸光 度和中红外特征谱区吸光度；以及根据所述近红外-中红外融合光谱的近红 外特征谱区吸光度和中红外特征谱区吸光度及预先建立的判别分析模型，确 定所述待测油液样本的类别，其中所述判别分析模型根据第一油液与第二油 液的多个样本的近红外-中红外融合光谱及其掺混比例、近红外特征谱区吸 光度和中红外特征谱区吸光度而被生成。
在本申请实施例中，所述判别分析模型根据以下操作而被生成：
获取所述第一油液与所述第二油液的多个样本；
获取所述多个样本中的每一样本的中红外光谱和近红外光谱，并对该中 红外光谱和近红外光谱进行拼接，以得到该样本的近红外-中红外融合光谱；
按式①得到第一近红外-中红外融合光谱，
m＝xd+(1-x)j ①
其中，m表示由第一油液的近红外-中红外融合光谱与第二油液的近红 外-中红外融合光谱合成的第一近红外-中红外光谱，d为第一油液近红外-中 红外融合光谱，j为第二油液近红外-中红外融合光谱，x为第一油液近红外- 中红外融合光谱掺混比例，0≤x<1，
利用所述第一近红外-中红外融合光谱，生成库样本光谱，并根据所述 第一油液近红外-中红外融合光谱掺混比例，设置相应的类别标签值，例如， 将在0<x<1时合成的第一近红外-中红外融合光谱的类别标签设置为1，将x＝0 时的第一近红外-中红外融合光谱的类别标签设置为3；以及
获取每个库样本光谱的近红外特征谱区吸光度和中红外特征谱区吸光 度，结合其对应的类别标签值，构建具有线性-非线性决策能力的判别分析 模型。
在本申请实施例中，在所述的具有线性-非线性决策能力的判别分析模 型中，线性决策能力由偏最小二乘方法提供，非线性方法由极限学习机方法 提供，集成这两种方法的具体步骤如下：
建立偏最小二乘判别分析模型，作为所述线性决策部分；
建立多个极限学习机个体(基)学习器，作为所述非线性决策部分；
为所述线性决策部分和非线性决策部分赋予相应地权重，分别记作w1 和w2(0≤w1≤1，0≤w2≤1，且w1+w2＝1，其中，w1取0表示所述方法 仅含有非线性决策部分，w2取0表示所述方法仅含有线性决策部分)；
采用投票法进行最终的分类决策，即，对所述线性决策部分和非线性决 策部分所得的分类票数乘以相应的权重(即，w1和w2)，最终将各个类别 的加权票数求和，最大的值对应的类别为最终类别。
在本申请实施例中，根据下式计算所述待测油液样本的类别标签值，并 将该值与一阈值(例如，在线性决策部分的偏最小二乘判别分析中，该类别 标签值阈值为2)进行比较以确定所述待测油液样本的类别作为所述线性决 策部分的分类票数：
yun＝bPLSxun，
其中，xun为所述待测油液样本的近红外特征谱区吸光度和中红外特征 谱区吸光度，bPLS＝wf T(pfwf T)-1qf，其中，bPLS为偏最小二乘(PLS)算法的 回归系数，f为用交互验证法确定的偏最小二乘的最佳主因子数，wf为所建 立的判别分析模型使用的样本光谱的吸光度矩阵在f个主成分下的权重向量， pf为所建立的判别分析模型使用的样本光谱的吸光度矩阵在f个主成分下的 载荷，qf为所建立的判别分析模型使用的样本光谱对应的类别标签矩阵在f 个主成分下的载荷。
在本申请实施例中，根据下式计算所述待测油液样本的类别标签值，以 作为所述非线性决策部分的分类票数：
其中，xun为所述待测油液样本的近红外特征谱区吸光度和中红外特征 谱区吸光度L为隐含层节点数，wp为第p个隐含层节点与输入层节点的权重， βp为第p个隐含层节点与输出层节点的权重向量，bp第p个隐含层节点的阈 值，g(·)为激活函数。
在本申请实施例中，所述近红外特征谱区的波数范围为4366-4752cm-1， 所述中红外特征谱区的波数范围为1541-1662cm-1。
在本申请实施例中，所述待测油液样本为实际的油液样本或由②式配置 的油液样本，
m＝cd+(1-c)j ③
式②中m表示所述第一油液与所述第二油液的样本混合后得到的样本， d为所述第一油液的样本，j为所述第二油液的样本，c为所述第一油液的样 本的体积比，其中，c的取值范围为0≤c≤xmax<1，且c取0时，m表示纯 的所述第二油液的样本，其中所述xmax为所述第一油液的最大掺混比例。
在本申请实施例中，该方法还包括：对所述待测油液样本的近红外-中 红外融合光谱进行一阶微分处理，得到所述待测油液样本的微分光谱；获取 所述微分光谱中的近红外和中红外特征谱区的微分吸光度；以及根据该微分 吸光度及预先建立的判别分析模型，确定所述待测油液样本的类别，其中所 述判别分析模型根据第一油液与第二油液的多个样本的近红外-中红外融合 光谱及其掺混比例、该近红外-中红外融合光谱的微分光谱及其近红外和中 红外谱区的微分吸光度而被生成。
在本申请实施例中，所述判别分析模型根据以下操作而被生成：
获取所述第一油液与所述第二油液的多个样本；
获取所述多个样本中的每一样本的中红外光谱和近红外光谱，并对该中 红外光谱和近红外光谱进行拼接，以得到该样本的近红外-中红外融合光谱；
按式①得到第一近红外-中红外融合光谱，
m＝xd+(1-x)j ②
其中，m表示由第一油液的近红外-中红外融合光谱与第二油液的近红 外-中红外融合光谱合成的第一近红外-中红外光谱，d为第一油液近红外-中 红外融合光谱，j为第二油液近红外-中红外融合光谱，x为第一油液近红外- 中红外融合光谱掺混比例，
利用所述第一近红外-中红外融合光谱，生成库样本光谱，并根据所述 第一油液近红外-中红外融合光谱掺混比例，设置相应的类别标签值；
对每个所述库样本光谱进行一阶微分处理，得到微分光谱；
获取每个所述微分光谱中的近红外和中红外特征谱区的微分吸光度；
将全部所述微分吸光度以及全部所述微分吸光度对应的类别标签值关 联，构建具有线性-非线性决策能力的判别分析模型。
在本申请实施例中，所述一阶微分处理的窗口宽度为19。
在本申请实施例中，所述第一油液为柴油，所述第二油液为航空煤油。
本申请第二方面提供一种用于检测油液掺混的设备，该设备包括：存储 器；以及处理器，被配置成执行上述检测油液掺混的方法。
本申请第三方面提供一种机器可读存储介质，该机器可读存储介质上存 储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成 执行上述检测油液掺混的方法。
通过上述技术方案，可基于已知第一油液和第二油液的样本的近红外- 中外融合光谱合成的掺混融合光谱来构建判别分析模型，故而在已知样本 (包括第一油液和第二油液的样本)典型、充足的情况下，能够利用其光谱 合成掺混任意比例第一油液光谱的第二油液光谱，从而模拟了掺混有不同第 一油液比例的第二油液光谱。相比于直接收集掺混油液的样本而建立模型的 方法，该方法更可靠、简便。值得注意的是，本发明方法采用了近红外-中 红外融合光谱数据，具有更详细的光谱细节信息，这有利于高精度判别分析 模型的建立。此外，本发明方法还联合线性和非线性方法来构建判别分析模 型，这种既包含同质学习器(多个相同的极限学习机个体学习器)又包含异 质学习器(多个极限学习机个体学习器与偏最小二乘学习器)的方法，能够 有效提高分类精度，增强方法的可靠性。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详 细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部 分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申 请实施例的限制。在附图中：
图1示意性示出了根据本申请实施例的检测油液掺混的方法的流程示意 图；
图2示意性示出了根据本申请实施例的检测油液掺混的方法的另一流程 示意图；
图3示意性示出了根据本申请实施例的用于检测油液掺混的设备的结构 框图；
图4为示例1中本发明方法仅含有线性决策部分(即w2＝0)时对训练 集样本的判别情况(图中左侧A～H处2阈值线下方为分类正确的模拟的掺 混有不同柴油比例的航空煤油样本，上方为未分类正确的模拟的掺混有不同 柴油比例的航空煤油样本；右侧A～H处2阈值线上方为分类正确航空煤油 样本，下方为未分类正确的航空煤油样本)；以及
图5为示例1中本发明方法不含有线性决策部分(即w1＝0)时对验证 集样本的判别情况(图中左侧2阈值线下方为分类正确的掺混有不同柴油比 例的航空煤油样本，上方为未分类正确的掺混有不同柴油比例的航空煤油样 本；右侧2阈值线上方为分类正确航空煤油样本，下方为未分类正确的航空 煤油样本)。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申 请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述， 应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例， 并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员 在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保 护的范围。
需要说明，若本申请实施例中有涉及方向性指示(诸如上、下、左、右、 前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示) 下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时， 则该方向性指示也相应地随之改变。
另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、 “第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或 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至少一个该特征。另外，各个实施例之间的技术方 案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技 术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不 存在，也不在本申请要求的保护范围之内。
需要说明的是，在下文中，以柴油和航空煤油分别作为第一油液与第二 油液对本发明的进行说明，但本发明的方案并不限于柴油和航空煤油，可适 用于其他油液掺混鉴别。另外，本发明的方案也不仅限于两种油液的掺混鉴 别，任意数量的油液之间的掺混鉴别均是可行的。
图1示意性示出了根据本申请实施例的检测油液掺混的方法的流程示意 图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显 示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有 明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它 的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个 阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不 同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是 可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交 替地执行。
如图1所示，在本申请一实施例中，提供了一种检测油液掺混的方法， 该方法包括以下步骤：
步骤102，获取待测油液样本的近红外光谱和中红外光谱组成的近红外- 中红外融合光谱；
步骤104，获取所述近红外-中红外融合光谱的近红外特征谱区吸光度和 中红外特征谱区吸光度；以及
步骤106，根据所述近红外-中红外融合光谱的近红外特征谱区吸光度和 中红外特征谱区吸光度及预先建立的判别分析模型，确定所述待测油液样本 的类别，其中所述判别分析模型根据第一油液与第二油液的多个样本的近红 外-中红外融合光谱及其掺混比例、近红外特征谱区吸光度和中红外特征谱 区吸光度而被生成。
如图2所示，在本申请一实施例中，提供了一种检测油液掺混的方法， 该方法包括以下步骤：
步骤202，对待测油液样本的近红外-中红外融合光谱进行一阶微分处理， 得到所述待测油液样本的微分光谱；
步骤204，获取所述微分光谱中的近红外和中红外特征谱区的微分吸光 度；以及
步骤206，根据该微分吸光度及预先建立的判别分析模型，确定所述待 测油液样本的类别，其中所述判别分析模型根据第一油液与第二油液的多个 样本的近红外-中红外融合光谱及其掺混比例、该近红外-中红外融合光谱的 微分光谱及其近红外和中红外谱区的微分吸光度而被生成。
在一个实施例中，如图3所示，提供了一种用于检测油液掺混的设备， 包括处理器310和存储器320。所述处理器中包含内核，由内核去存储器中 调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现 所述检测油液掺混的方法。所述存储器可能包括计算机可读介质中的非永久 性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器 (ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案 相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备的限定， 具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或 者具有不同的部件布置。
一种基于光谱数据融合的航空煤油掺混柴油的检测方法，包括(1)获 取多个航空煤油样本和柴油样本的近红外光谱和中红外光谱，(2)将每个 样本的近红外光谱与中红外光谱拼接，获取其近红外-中红外融合光谱，(3) 利用得到的航空煤油样本与柴油样本的近红外-中红外融合光谱合成第一近 红外-中红外融合光谱，(4)然后利用第一近红外-中红外融合光谱的一阶微 分光谱的特征谱区(近红外谱区和中红外谱区)吸光度与相应的类别标签关 联，构建具有线性和非线性决策能力的判别分析模型(偏最小二乘方法提供 线性决策能力，极限学习机方法提供非线性决策能力)，(5)最后根据建 立好的具有线性和非线性决策能力的判别分析模型与待测航空煤油样本的 第二近红外-中红外融合光谱的一阶微分光谱的特征谱区(近红外谱区和中 红外谱区)吸光度，判定待航空煤油样本的类别。采用近红外光谱与中红外 光谱的融合数据建立模型，能够增强光谱变量与类别标签值的相关性，有利 于高精度判别分析模型的建立；采用联合线性和非线性分类算法以及投票决策的策略，能够综合利用线性和非线性算法各自的优势，确保了方法的可靠 性。
本发明利用已知航空煤油样本的近红外-中红外融合光谱和柴油样本的 近红外-中红外融合光谱合成第一近红外-中红外融合光谱，并利用所述第一 近红外-红外融合光谱生成光谱库，结合库样本光谱及其相应的类别标签值 构建具有线性-非线性决策能力的判别分析模型，再由实验室配制的掺混了 柴油的待测航空煤油样本的第二近红外-中红外融合光谱与所述具有线性-非 线性决策能力的判别分析模型，判定待测航空煤油样本的类别。
对于判别分析模型的建立，传统收集典型建模样本的方法实施起来相当 困难，而且所收集的样本很难涵盖样本光谱所有可能的变动情况，如果基于 这些样本建立判别分析模型，其稳健性往往不会太好。
光谱能反映物质组成的变化。理论上，物质组成发生变化，其光谱也将 发生相应的变化，即两者将呈现出较好的一致性。基于此理论，两种实际样 本的光谱按一定比例线性组合得到的合成光谱与这两种样本混合后所测得 的光谱应呈现出较好的一致性。因此，由实际样本光谱线性组合得到的合成 光谱能够较好的模拟实际样本在不同比例条件下得到的混合样本的光谱，并 且能够生成丰富的样本光谱数据库，为后续建立稳健的、大样本量的判别分 析模型奠定了基础。本发明采用实际航空煤油样本与柴油样本的近红外-中红外融合光谱，按照一定的比例合成第一近红外-中红外融合光谱，从而生 成丰富的库样本光谱。
本发明测定所有样本近红外光谱的测量方式是透射式，选用了0.5mm比 色皿，采样条件为恒温25℃，光谱仪的扫描范围为10000～3500cm-1，分辨 率为4cm-1,累计扫描次数为64。
本发明测定所有样本中红外光谱的测量方式是透射式，选用了0.5mm液 体池，采样条件为恒温25℃，光谱仪的扫描范围为3500～400cm-1，分辨率 为4cm-1,累计扫描次数为32。
本发明采用由②式配制的待测航空煤油样本的第二近红外-中红外融合 光谱核实所述具有线性-非线性决策能力的判别分析模型的可靠性。
本发明对第一近红外-中红外融合光谱和第二近红外-中红外融合光谱进 行一阶微分处理，以消除干扰。
本发明采用偏最小二乘法(PLS)方法将第一近红外-中红外融合光谱的 特征谱区吸光度以及与其对应的类别标签值关联，建立线性决策判别分析模 型。
下面简要介绍用PLS算法建立线性判别分析模型的过程：
首先对于光谱矩阵X(n×m)(本发明为近红外特征谱区吸光度和中红 外特征谱区吸光度矩阵)和浓度矩阵Y(n×1)(本发明为类别标签值1或3) 进行如下分解，在本算法中n为样品数，m为特征谱区吸光度波长点数，即， 特征谱区内吸光度的采样点数。
其中：tk(n×1)为吸光度矩阵X的第k个主因子的得分；
pk(1×m)为吸光度矩阵X的第k个主因子的载荷；
uk(n×1)为浓度矩阵Y的第k个主因子的得分；
qk(1×1)为浓度矩阵Y的第k个主因子的载荷；f为主因子数。即：T 和U分别为X和Y矩阵的得分矩阵，P和Q分别为X和Y矩阵的载荷矩阵，EX和EY分别为X和Y的PLS拟合残差矩阵。
第二步将T和U作线性回归：
U＝TB
B＝(TTT)-1TTY
在预测时，首先根据P求出未知样品光谱矩阵Xun的得分Tun，然后由 下式得到浓度预测值：Yun＝TunBQ。
在实际的PLS算法中，PLS把矩阵分解和回归并为一步，即X和Y矩 阵的分解同时进行，并且将Y的信息引入到X矩阵分解过程中，在计算每一 个新主成分前，将X的得分T与Y的得分U进行交换，使得到的X主成分 直接与Y关联。
PLS由H Wold提出的非线性迭代偏最小二乘算法(NIPALS)计算完成， 其具体算法如下：
对于校正过程，忽略残差阵E，主因子数取1时有：
对X＝tpT，左乘tT得：pT＝tTX/tTt；右乘p得：t＝Xp/pTp。
对Y＝uqT，左乘uT得：qT＝uTY/uTu，两边同除得qT得：u＝Y/qT。
(1)求吸光度矩阵X的权重向量w
取浓度矩阵Y的某一列(在本发明里只有一列)作u的起始迭代值，以 u代替t，计算w
方程为：X＝uwT，其解为：wT＝uTX/uTu
(2)对权重向量w归一化
wT＝wT/||wT||
(3)求吸光度矩阵X的因子得分t，由归一化后w计算t
方程为：X＝twT，其解为：t＝Xw/wTw
(4)求浓度矩阵Y的载荷q值，以t代替u计算q
方程为：Y＝tqT，其解为：qT＝tTY/tTt
(5)对载荷q归一化
qT＝qT/||qT||
(6)求浓度矩阵Y的因子得分u，由qT计算u
方程为：Y＝uqT，其解为：u＝Yq/qTq
(7)再以此u代替t返回第(1)步计算wT，由wT计算tnew，如此反复 迭代，若t已收敛(∥tnew-told∥≤10-6∥tnew∥)，转入步骤(8)运算，否则返回步 骤(1)。
(8)由收敛后的t求吸光度矩阵X的载荷向量p
方程为：X＝tpT，其解为：pT＝tTY/tTt
(9)对载荷p归一化
pT＝pT/||pT||
(10)标准化X的因子得分t
t＝t||p||
(11)标准化权重向量w
w＝w||p||
(12)计算t与u之间的内在关系b
b＝uTt/tTt
(13)计算残差矩阵E
EX＝X-tpT
EY＝Y-btqT
(14)以EX代替X，EY代替Y，返回步骤(1)，以此类推，求出X、 Y的诸主因子的w、t、p、u、q、b。用交互检验法确定最佳主因子数f，保 存wf、pf、qf(wf为所建立的判别分析模型使用的样本光谱的吸光度矩阵在f 个主成分下的权重向量，pf为所建立的判别分析模型使用的样本光谱的吸光 度矩阵在f个主成分下的载荷，qf为所建立的判别分析模型使用的样本光谱 对应的类别标签矩阵在f个主成分下的载荷)。
本发明采用极限学习机(ELM)方法将第一近红外-中红外融合光谱的 特征谱区吸光度以及与其对应的类别标签值关联，建立非线性判别分析模型。
下面简要介绍用ELM算法建立非线性判别分析模型的过程：
给定任意n个样本数据
其中，xi＝[xi1,xi2,…,xim]T∈Rm为第 i个样本的光谱(本发明为近红外特征谱区吸光度和中红外特征谱区吸光度， m为特征谱区吸光度波长点数)，yi＝[yi1,yi2,…,yis]T∈Rm为第i个样本的s 个组分的浓度(本发明为类别标签值1或3，且s＝1)，在整个样本数据中， ELM的基本输入输出关系可以表示为：
其中，L为隐含层节点数目，p表示第p个隐含层节点， wi＝[wp1,wp2,…,wpn]T和bp分别为输入层到隐含层之间的权重和偏置， βi＝[βp1,βp2,…,βpn]T为输出层权重，g(·)为激活函数。上式的矩阵表示形 式如下：
Y＝Hβ
其中，
表示极限学习机中隐含层 输出的随机矩阵，Y＝[yp1,yp2,…,ypn]T为极限学习机的输出矩阵，输出层权 重βi＝[β1,β2,…,βL]T是需要求解的参数，根据H矩阵的Moore-Penrose广义 逆可求得唯一的解：
不难发现，求解输出权值矩阵变成了求最小二乘解的问题，只需要求出 输入权值的最小二乘解就能完成极限学习机的训练。
值得注意的是，多个ELM个体(基)学习器判别分析模型都严格按照 上述ELM判别分析模型的标准构建过程来完成。
对待测航空煤油的样本的类别识别过程如下：
(1)线性决策部分
xun为待测样本特征谱区吸光度，调用已保存的保存wf、pf、qf。
yun＝bPLSxun，其中bPLS＝wf T(pfwf T)-1qf，依次比较yun与类别标签值的阈 值2的大小关系，若yun<2，则未知样本被判定为掺混了柴油的航空煤油样 本，若yun>2，则未知样本被判定为纯航空煤油样本。
(2)非线性决策部分
xun为待测样本特征谱区吸光度，调用已保存的保存ELM模型参数w、 b、β、g(·)、应用类型TYPE(TYPE＝1，表示ELM执行的是分类操作)得 到待测样本的类别标签值1或3。
(3)最终决策
采用投票法进行最终的分类决策，即对本发明方法的线性决策部分和非 线性决策部分所得的分类票数乘以相应的权重(即w1和w2)，最终将各个 类别的加权票数求和，最大值对应的类别为最终类别。
下面通过示例进一步详细说明本发明，但本发明并不限于此。
示例1
建立仅具有线性决策部分的判别分析模型并进行验证，此时，线性决策 部分的权重w1＝1，非线性决策部分的权重w2＝0。
(1)航空煤油样本和柴油样本光谱的测量
收集具有代表性的成品航空煤油样本49个，直馏柴油样本7个，成品 柴油样本1个，分别测量其近红外光谱和中红外光谱。
(2)将每个样本的近红外光谱与中红外光谱拼接，得到其近红外-中红 外融合光谱。
(3)第一近红外-中红外融合光谱的合成
利用第(2)步得到的航空煤油样本和柴油样本的近红外-中红外融合光 谱，结合①式合成第一近红外-中红外融合光谱，
m＝xd+(1-x)j ①
其中，柴油近红外-中红外融合光谱的掺混比例x的取值范围为 0.002～0.098(x上限是小于1的任何数值都是合理的，这里设置较低的浓度 范围主要是为了方便获悉该方法的最低检测限)，步长为0.002，因此，x 具有49个比例梯度。本发明使用了8个柴油样本近红外-中红外融合光谱， 因此，最终会合成8×49＝392个标签值为1的第一近红外-中红外融合光谱。 此外，在本发明的实施方案中，每个比例梯度都对应一个x取0时的第一近 红外-中红外融合光谱(即纯航空煤油近红外-中红外融合光谱)。综上所述， 这个过程将产生784个第一近红外-中红外融合光谱。这里784个第一近红 外-中红外融合光谱以及其对应的标签值将构成训练集，用于后续本发明所 述判别分析模型的构建。
(3)仅具有线性决策能力的判别分析模型的构建
将第(3)步得到的第一近红外-中红外融合光谱进行窗口宽度为19的 一阶微分处理，获取第一微分光谱的特征区间(包括近红外谱区和中红外谱 区)吸光度，再将其与对应的类别标签值关联构建所述判别分析模型。其中， 所述近红外特征谱区的波数范围为4366-4752cm-1，中红外特征谱区的波数 范围为1541-1662cm-1。
(4)待测样本光谱的获取与类别预测
利用第(1)步的航空煤油样本与柴油样本按照②式配制待测航空煤油 样本，
m＝cd+(1-c)j ②
其中，每个柴油样本的体积比c依次取0.005，0.01，0.02，0.03，0.05， 0.07(c上限是小于1的任何数值都是合理的，这里设置较低的浓度范围主 要是为了方便获悉该方法的最低检测限)，则共产生6×8＝48个待测航空煤 油样本。然后获取c取0时的待测样本(即纯航空煤油样本)48个，这样就 构成了样本容量为96的验证集。获取验证集的近红外-中红外融合光谱，即 第二近红外-中红外融合光谱，取4366-4752cm-1和1541-1662cm-1特征谱区的一阶微分吸光度，代入所述判别分析模型，预测各个样本的类别标签值， 并根据该值和类别标签阈值，判定各个样本的类别。
(3)判别分析模型性能评价
采用真实航空煤油识别率，掺混柴油的航空煤油识别率及总体识别率对 模型的性能进行评价。设真实航空煤油的样本个数为N1，掺混柴油的航空煤 油样本个数为N2，设被正确识别的真实航空煤油样本个数为M1，被正确识 别的掺混柴油的航空煤油样本个数为M2，则真实航空煤油样本的识别率P (％)＝M1/N1，掺混柴油的航空煤油样本的识别率T(％)＝M2/N2，总体 识别率F(％)＝(M1+M2)/(N1+N2)。
这种具有线性决策能力的判别分析模型训练集和验证集的相关统计结 果见表1。
表1
示例2
按示例1的方法建立判别分析模型并进行验证，不同的是所建立的模型 进行的是非线性决策，即线性决策部分权重w1＝0，非线性决策部分权重 w2＝1。
这种具有非线性决策能力的判别分析模型训练集和验证集的相关统计 结果见表2。
表2
示例3
按示例1的方法建立判别分析模型并进行验证，不同的是所建立的模型 既具有线性决策能力，又具有非线性决策能力，即线性决策部分和非线性决 策部分权重都不为0，该示例设置线性决策部分权重为w1＝1/4，非线性决策 部分权重为w2＝3/4。
这种具有线性-非线性决策能力的判别分析模型训练集和验证集的相关 统计结果见表3。
表3
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或 计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、 或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个 其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘 存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序 产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图 和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌 入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过 计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流 程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理 设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储 器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程 或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上， 使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现 的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程 图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步 骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/ 输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。 存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以 由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、 程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、 其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程 只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带 磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被 计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑 可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非 排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅 包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种 过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语 句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或 者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术 人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所 作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种用于检测油液掺混的方法，该方法包括：
获取待测油液样本的近红外光谱和中红外光谱组成的近红外-中红外融合光谱；
获取所述近红外-中红外融合光谱的近红外特征谱区吸光度和中红外特征谱区吸光度；以及
根据所述近红外-中红外融合光谱的近红外特征谱区吸光度和中红外特征谱区吸光度及预先建立的判别分析模型，确定所述待测油液样本的类别，其中所述判别分析模型根据第一油液与第二油液的多个样本的近红外-中红外融合光谱及其掺混比例、近红外特征谱区吸光度和中红外特征谱区吸光度而被生成。
2.根据权利要求1所述的方法，其特征在于，所述判别分析模型根据以下操作而被生成：
获取所述第一油液与所述第二油液的多个样本；
获取所述多个样本中的每一样本的中红外光谱和近红外光谱，并对该中红外光谱和近红外光谱进行拼接，以得到该样本的近红外-中红外融合光谱；
按式①得到第一近红外-中红外融合光谱，
m＝xd+(1-x)j ①
其中，m表示由第一油液的近红外-中红外融合光谱与第二油液的近红外-中红外融合光谱合成的第一近红外-中红外融合光谱，d为第一油液近红外-中红外融合光谱，j为第二油液近红外-中红外融合光谱，x为第一油液近红外-中红外融合光谱掺混比例，
利用所述第一近红外-中红外融合光谱，生成库样本光谱，并根据所述第一油液近红外-中红外融合光谱掺混比例，设置相应的类别标签值；以及
获取每个库样本光谱的近红外特征谱区吸光度和中红外特征谱区吸光度，结合其对应的类别标签值，构建具有线性-非线性决策能力的判别分析模型。
3.根据权利要求2所述的方法，其特征在于，在所述的具有线性-非线性决策能力的判别分析模型中，线性决策能力由偏最小二乘方法提供，非线性方法由极限学习机方法提供，集成这两种方法的具体步骤如下：
建立偏最小二乘判别分析模型，作为所述线性决策部分；
建立多个极限学习机个体学习器，作为所述非线性决策部分；
为所述线性决策部分和非线性决策部分赋予相应地权重；
采用投票法进行最终的分类决策，即，对所述线性决策部分和非线性决策部分所得的分类票数乘以相应的权重，最终将各个类别的加权票数求和，最大的值对应的类别为最终类别。
4.根据权利要求3所述的方法，其特征在于，根据下式计算所述待测油液样本的类别标签值，并将该值与一阈值进行比较以确定所述待测油液样本的类别作为所述线性决策部分的分类票数：
yun＝bPLSxun，
其中，xun为所述待测油液样本的近红外特征谱区吸光度和中红外特征谱区吸光度，
其中，bPLS为偏最小二乘(PLS)算法的回归系数，f为用交互验证法确定的偏最小二乘的最佳主因子数，wf为所建立的判别分析模型使用的样本光谱的吸光度矩阵在f个主成分下的权重向量，pf为所建立的判别分析模型使用的样本光谱的吸光度矩阵在f个主成分下的载荷，qf为所建立的判别分析模型使用的样本光谱对应的类别标签矩阵在f个主成分下的载荷。
5.根据权利要求3所述的方法，其特征在于，根据下式计算所述待测油液样本的类别标签值，以作为所述非线性决策部分的分类票数：
其中，xun为所述待测油液样本的近红外特征谱区吸光度和中红外特征谱区吸光度，L为隐含层节点数，wp为第p个隐含层节点与输入层节点的权重，βp为第p个隐含层节点与输出层节点的权重向量，bp第p个隐含层节点的阈值，g(·)为激活函数。
6.根据权利要求1所述的方法，其特征在于，所述近红外特征谱区的波数范围为4366-4752cm-1，所述中红外特征谱区的波数范围为1541-1662cm-1。
7.根据权利要求1所述的方法，其特征在于，所述待测油液样本为实际的油液样本或由②式配置的油液样本，
m＝cd+(1-c)j ②
式②中m表示所述第一油液与所述第二油液的样本混合后得到的样本，d为所述第一油液的样本，j为所述第二油液的样本，c为所述第一油液的样本的体积比，其中，c的取值范围为0≤c≤xmax<1，且c取0时，m表示纯的所述第二油液的样本，其中所述xmax为所述第一油液的最大掺混比例。
8.根据权利要求1所述的方法，其特征在于，该方法还包括：
对所述待测油液样本的近红外-中红外融合光谱进行一阶微分处理，得到所述待测油液样本的微分光谱；
获取所述微分光谱中的近红外和中红外特征谱区的微分吸光度；以及
根据该微分吸光度及预先建立的判别分析模型，确定所述待测油液样本的类别，其中所述判别分析模型根据第一油液与第二油液的多个样本的近红外-中红外融合光谱及其掺混比例、该近红外-中红外融合光谱的微分光谱及其近红外和中红外谱区的微分吸光度而被生成。
9.根据权利要求8所述的方法，其特征在于，所述判别分析模型根据以下操作而被生成：
获取所述第一油液与所述第二油液的多个样本；
获取所述多个样本中的每一样本的中红外光谱和近红外光谱，并对该中红外光谱和近红外光谱进行拼接，以得到该样本的近红外-中红外融合光谱；
按式①得到第一近红外-中红外融合光谱，
m＝xd+(1-x)j ①
其中，m表示由第一油液的近红外-中红外融合光谱与第二油液的近红外-中红外融合光谱合成的第一近红外-中红外光谱，d为第一油液近红外-中红外融合光谱，j为第二油液近红外-中红外融合光谱，x为第一油液近红外-中红外融合光谱掺混比例，
利用所述第一近红外-中红外融合光谱，生成库样本光谱，并根据所述第一油液近红外-中红外融合光谱掺混比例，设置相应的类别标签值；
对每个所述库样本光谱进行一阶微分处理，得到微分光谱；
获取每个所述微分光谱中的近红外和中红外特征谱区的微分吸光度；
将全部所述微分吸光度以及全部所述微分吸光度对应的类别标签值关联，构建具有线性-非线性决策能力的判别分析模型。
10.根据权利要求8或9所述的方法，其特征在于，所述一阶微分处理的窗口宽度为19。
11.根据权利要求1所述的方法，其特征在于，所述第一油液为柴油，所述第二油液为航空煤油。
12.一种用于检测油液掺混的设备，该设备包括：
存储器；以及
处理器，被配置成执行根据权利要求1至11中任一项所述的检测油液掺混的方法。
13.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至11中任一项所述的检测油液掺混的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111233116.6A CN116067905A (zh) | 2021-10-22 | 2021-10-22 | 用于检测油液掺混的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111233116.6A CN116067905A (zh) | 2021-10-22 | 2021-10-22 | 用于检测油液掺混的方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116067905A true CN116067905A (zh) | 2023-05-05 |
Family
ID=86170159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111233116.6A Pending CN116067905A (zh) | 2021-10-22 | 2021-10-22 | 用于检测油液掺混的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116067905A (zh) |
-
2021
- 2021-10-22 CN CN202111233116.6A patent/CN116067905A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110455722A (zh) | 橡胶树叶片磷含量高光谱反演方法和系统 | |
| CN104089911A (zh) | 基于一元线性回归的光谱模型传递方法 | |
| CN111143981B (zh) | 虚拟试验模型验证系统及方法 | |
| CN110726694A (zh) | 光谱变量梯度集成遗传算法的特征波长选择方法和系统 | |
| CN109060702B (zh) | 红外光谱非线性定量分析方法 | |
| CN105424641A (zh) | 一种原油种类的近红外光谱识别方法 | |
| CN105466884A (zh) | 一种通过近红外光谱识别原油种类及其性质的方法 | |
| CN106560699A (zh) | 用于武夷岩茶产地鉴别的联合检测方法 | |
| CN113241132B (zh) | 一种材料辐照损伤预测机器学习模型的建立方法和系统 | |
| CN109934469A (zh) | 基于异源交叉回归分析的停电敏感度预警方法及装置 | |
| CN107341332A (zh) | 一种车用电机驱动系统的评价指标权重的确定方法 | |
| CN102841069B (zh) | 一种由中红外光谱识别原油种类的方法 | |
| CN102841070A (zh) | 由二维相关红外同步光谱识别原油种类的方法 | |
| CN102954946B (zh) | 由红外光谱测定原油硫含量的方法 | |
| CN107966420B (zh) | 一种由近红外光谱预测原油性质的方法 | |
| CN103134763B (zh) | 由红外光谱预测原油密度的方法 | |
| Daou et al. | Quantifying the relationship linking the community‐weighted means of plant traits and soil fertility | |
| CN116008216A (zh) | 用于检测油液掺混的方法及设备 | |
| CN102998276A (zh) | 由红外光谱测定原油实沸点蒸馏曲线的方法 | |
| CN117235510A (zh) | 节理粗糙度预测方法与节理粗糙度预测模型训练方法 | |
| CN116067905A (zh) | 用于检测油液掺混的方法及设备 | |
| CN102221534B (zh) | 一种快速识别发动机燃料种类的中红外光谱方法 | |
| CN106485049A (zh) | 一种基于蒙特卡洛交叉验证的nirs异常样本的检测方法 | |
| CN105160065A (zh) | 基于拓扑关系的遥感信息相似度评价方法 | |
| CN102954945B (zh) | 一种由红外光谱测定原油酸值的方法 |
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 |