[发明专利]一种甲醇汽油品质检测方法及系统

权利要求书

1.一种甲醇汽油品质检测方法，包括模型构建阶段和光谱识别阶段，其特征在于所述的模型构建阶段包括以下步骤：

S1、准备1份甲醇样品，从n个不同的加油站分别获取3份汽油样品和48份甲醇汽油样品，n为大于等于1的整数，其中3份汽油样品分别为1份92号汽油样品、1份95号汽油样品和1份98号汽油样品，48份甲醇汽油样品包括三类甲醇汽油样品，每类甲醇汽油样品分别包括甲醇体积含量为1％、2％、4％、6％、8％、10％、12％、14％、16％、18％、20％、22％、24％、26％、28％和30％的16份甲醇汽油样品，第一类甲醇汽油样品由甲醇汽油与92号汽油或者甲醇混合配置而成，第二类甲醇汽油样品由甲醇汽油与95号汽油或者甲醇混合配置而成，第三类甲醇汽油样品由甲醇汽油与98号汽油或者甲醇混合配置而成，由此得到1份甲醇样品、3n份汽油样品以及48n份甲醇汽油样品，共计51n+1份样品；

S2、分别采集51n+1份样品的中红外光谱与拉曼光谱，将每份样品的中红外光谱与拉曼光谱进行拼接，得到每份样品的中红外光谱与拉曼光谱的拼接光谱；

S3、获取每份样品的拼接光谱的特征峰强度，并分别对每份样品的拼接光谱的特征峰强度进行归一化处理，得到了每份样品的拼接光谱的归一化数据，每份样品的拼接光谱的归一化数据的数量等于其特征峰强度的数量；

S4、以48n份甲醇汽油样品的归一化数据作为目标类，非甲醇汽油样品(3n份汽油样品以及1份甲醇样品)的归一化数据为非目标类，构建一个能够识别目标类，而拒绝识别非目标类的Keans单类分类器；

S5、对48n份甲醇汽油样品的拼接光谱进行预处理，得到48n份甲醇汽油样品的光谱数据，48n份甲醇汽油样品的光谱数据构成一个光谱数据矩阵；所述的光谱数据矩阵中每一行的数据分别对应一个样品的光谱数据，即每行数据为一个样品的光谱数据，所述的光谱数据矩阵为包括48n行光谱数据的矩阵；

S6、采用48n份甲醇汽油样品的光谱数据及其甲醇含量构建数据集(X，Y)，其中X表示48n份甲醇汽油样品的光谱数据的集合，Y表示48n份甲醇汽油样品的甲醇含量的集合，数据集(X，Y)中每份甲醇汽油样品的光谱数据与其甲醇含量一一对应；

S7、将数据集(X，Y)划分为校正集(Xc,Yc)和预测集(Xt,Yt)，Xc表示校正集中甲醇汽油样品的光谱数据的集合，Yc为校正集中甲醇汽油样品的甲醇含量的集合，Xt表示预测集中甲醇汽油样品的光谱数据的集合，Yt为预测集中甲醇汽油样品的甲醇含量的集合，校正集(Xc,Yc)中每份甲醇汽油样品的光谱数据与其甲醇含量一一对应，预测集(Xt,Yt)中每份甲醇汽油样品的光谱数据与其甲醇含量一一对应，当前得到的校正集(Xc,Yc)为原始校正集，当前得到的预测集(Xt,Yt)为原始预测集；

S8、设定变量i，对变量i进行初始化，令i＝1；

S9、进行第i次模型构建，具体建模过程为：

S9-1、将当前校正集的Xc作为输入项，Yc作为输出值，通过变量筛选方法对输入项Xc进行筛选，采用筛选出来的甲醇汽油样品的光谱数据构成筛选光谱数据集合Xs，将Xc中除Xs以外的其他甲醇汽油样品的光谱数据构成剩余光谱数据集合Xr；

S9-2、以偏最小二乘法拟合当前得到的筛选光谱集合Xs对应的甲醇汽油样品的甲醇含量，构建得到基于筛选光谱数据的第i个偏最小二乘回归模型PLS_s_i；以偏最小二乘法拟合当前得到的剩余光谱数据集合Xr对应的甲醇汽油样品的甲醇含量，构建得到基于剩余光谱数据的第i个偏最小二乘回归模型PLS_r_i；

S9-3、采用偏最小二乘回归模型PLS_s_i和偏最小二乘回归模型PLS_r_i分别对原始校正集(Xc,Yc)和原始预测集(Xt,Yt)中的样本进行预测，分别得到偏最小二乘回归模型PLS_s_i和偏最小二乘回归模型PLS_r_i的均方根误差RMSE；

S9-4、若偏最小二乘回归模型PLS_s_i的均方根误差高于偏最小二乘回归模型PLS_r_i的均方根误差，则进入步骤S10，若偏最小二乘回归模型PLS_s_i的均方根误差低于偏最小二乘回归模型PLS_r_i的均方根误差，则将当前校正集Xc的光谱数据替换为当前得到的剩余光谱数据集合Xr中的光谱数据，完成Xc的更新，当前校正集(Xc,Yc)被更新为(Xr,Yc)，然后采用i的当前值加1的和更新i的取值后，重复步骤S9，直至偏最小二乘回归模型PLS_s_i的的均方根误差RMSE高于偏最小二乘回归模型PLS_r_i的均方根误差RMSE；

S10、将i的当前值记为I，此时得到基于筛选光谱数据的I个偏最小二乘回归模型，即第1个偏最小二乘回归模型PLS_s_1至第I个偏最小二乘回归模型PLS_s_I，将第1个偏最小二乘回归模型PLS_s_1至第I个偏最小二乘回归模型PLS_s_I作为第1个成员模型～第I个成员模型，采用第1个成员模型至第k个成员模型构建得到第k-1个共识模型，k＝2,3，…，I，分别构建得到I-1个共识模型；

S11、采用I-1个共识模型分别对原始校正集(Xc,Yc)和原始预测集(Xt,Yt)的样本进行预测，分别得到I-1个共识模型的均方根误差RMSE；

S12、比较I-1个共识模型的均方根误差RMSE，选出均方根误差最低的一个共识模型，假设该共识模型为第Q个共识模型，Q为大于等于1且小于等于I-1的整数，将该共识模型记为C_PLS，该共识模型C_PLS由第1个成员模型～第Q+1个成员模型构建得到，将第1个成员模型～第Q+1个成员模型在共识模型C_PLS的分配系数依次记为c₁～c_Q+1；

S13、模型构建完成；

所述的光谱识别阶段具体包括以下步骤：

A、获取待测样本的中红外光谱和拉曼光谱光谱，然后通过波峰识别算法以及与官能团特定关联的光谱峰来遴选出待测样本的中红外光谱的特征峰和拉曼光谱光谱的特征峰，共计m个特征峰，m的取值为35、36或者37；

B、将m个特征峰的强度值进行归一化处理，得到m个归一化数据，将m个归一化数据输入Keans单类分类器，通过Keans单类分类器判别待测样本是否为甲醇汽油，若待测样本为甲醇汽油，则进入步骤C，否则提示待测样品有误；

C、将待测样品的中红外光谱和拉曼光谱进行拼接，得到待测样品的拼接光谱，对待测样品的拼接光谱进行预处理，得到待测样品的光谱数据，将待测样品的光谱数据记为测试集X_P；

D、从测试集X_P中提取Q+1组光谱数据，得到第1组至第Q+1组光谱数据，将第1组至第Q+1组光谱数据一一对应输入构建共识模型C_PLS的第1个至第Q+1个成员模型中，第1个至第Q+1个成员模型分别输出一个甲醇含量，得到Q+1个甲醇含量，然后基于Q+1个甲醇含量以及第1个成员模型～第Q+1个成员模型在共识模型C_PLS的分配系数c₁～c_Q+1计算出待测样本的甲醇含量。