甲醇汽油是一种清洁能源, 甲醇汽油中甲醇的含量决定了汽油的性能。 通过中红外光谱对甲醇汽油中甲醇含量进行定量检测和分析。 首先, 对采集的甲醇汽油原始中红外光谱进行平滑处理(smoothing) 、 多元散射校正(MSC) 、 基线校正(baseline) 、 归一化(normalization) 等预处理, 再建立PLS模型, 对比选择最佳预处理方法, 结果表明: 在多元散射校正(MSC) 处理后建立的PLS模型效果最好, 模型的预测集相关系数r为0.918, 预测均方根误差RMSEP为2.107。 为进一步简化模型, 提高预测精度, 采用无信息变量消除(uninformative variable elimination, UVE)方法对波长进行筛选, 将UVE波段筛选之后的作为模型的输入变量, 采用偏最小二乘法(partial least squares, PLS) 、 主成分回归(principal components regression, PCR)和最小二乘支持向量机(least square support vector machine, LSSVM) 三种方法分别建立甲醇汽油中甲醇含量的定量预测模型, 并比较不同模型的预测效果和结果。 结果表明, 使用无信息变量消除可以较好提高数据的运算速度, 其中, UVE-PLS模型建模效果最好, r和RMSEP分别为0.923和2.075。 该实验表明中红外光谱检测甲醇汽油中甲醇含量是可行的并可以得到较好的效果; UVE是一种对甲醇汽油的中红外光谱非常有效的波段筛选方法, 该模型的建立对石油化工领域具有较为重要的意义。

利用中红外光谱和化学计量学实现了对乙醇柴油各项性能指标的定量分析。 实验样品96个, 为32种不同浓度的乙醇柴油溶液。 采用S-G平滑、 MSC、 微分处理(1stD和2ndD)、 SNV等四种方法对光谱数据进行预处理, 并结合八种波段筛选方法(UVE, CARS, SPA, RPLS, UVE-SPA, UVE-CARS, SPA-CARS, UVE-SPA-CARS)对乙醇柴油MIR光谱数据进行处理, 分别建立乙醇柴油密度、 粘度、 乙醇含量的PLSR模型, 得出以下主要结论: 综合比较八种变量筛选方法, 发现UVE-SPA-CARS-PLS对乙醇含量的建模效果最好, 模型预测集的Rp和RMSEP分别为0.978 1和0.825 5。 变量筛选较原始光谱建立的模型来说, 不仅模型输入数量减少, 预测效果也有所提高。

乙醇柴油作为清洁燃料是柴油很好的替代品, 不同乙醇含量的乙醇柴油其粘度有差别, 而乙醇的含量直接影响着柴油机燃烧性能。 所以急需一种方法实现快速对乙醇柴油主要指标在线监测。 对采集到的不同浓度的乙醇柴油的原始拉曼光谱数据使用Savitzkv-Golay平滑(S-G)、 多元散射校正(MSC)、 微分处理(1stD和2ndD)、 标准正态变量校正(SNV)等四种方法以及他们的组合方法对光谱数据进行预处理后, 分别建立了乙醇柴油密度、 粘度和乙醇含量的偏最小二乘回归(PLSR)模型, 比较不同的预处理方法发现, 乙醇含量和粘度在S-G+2ndD预处理后所建立的PLSR模型效果最好, 预测集Rp分别为0.930和0.918, RMSEP分别为1.237和0.034； S-G+1stD预处理后所建立的乙醇柴油密度PLSR模型结果最优, 预测集Rp最大, 为0.962, RMSEP最小, 为0.14×10-2。 将经过S-G+2ndD预处理后的光谱数据选用递归偏最小二乘算法(RPLS)、 无信息变量消除(UVE)、 正自适应加权算法(CRES)、 连续投影算法(SPA)四种变量筛选方法以及将它们组合筛选得到的波长变量分别作为输入变量建立了PLSR模型, 在使用SPA-CARS波长筛选方法所建立的乙醇柴油乙醇含量的预测模型效果最优, 其预测集的Rp, RMSEP分别为0.978 1和0.825 5。 结果表明使用该方法可以很好的对乙醇柴油的密度、 粘度以及乙醇含量等主要指标进行预测。

为实现对醇类柴油的鉴别和含量的测定, 在实验室制备了甲醇柴油和乙醇柴油。利用主成分分析方法将甲醇柴油和乙醇柴油分成两类, 利用中红外光谱法对光谱数据进行平滑、基线校正、多元散射校正和归一化, 得到预处理光谱图, 使用最小二乘支持向量机(LSSVM)模型预测甲醇柴油的甲醇含量和乙醇柴油的乙醇含量, 其模型误判率低于7.1%。结果表明, 甲醇柴油甲醇含量LSSVM模型预测集相关系数和预测集均方误差分别为0.9791和1.7201; 乙醇柴油乙醇含量LSSVM模型预测集相关系数和预测集均方误差分别为0.9802和2.9563。实验的结果表明最小二乘支持向量机模型能够预测甲醇乙醇柴油中的甲醇和乙醇含量, 且是一种很有前途的方法。

乙醇柴油是柴油替代品的一种, 它的使用越来越广泛, 乙醇柴油品质由许多指标决定, 采用传统方法检测这些指标不仅价格昂贵而且耗时长。近红外光谱技术是一种廉价、快速实时在线检测乙醇柴油品质的有效方法。本文采用近红外光谱技术结合最小二乘支持向量机检测了乙醇柴油的密度、粘度和乙醇含量, 比较了线性和非线性校正技术(主成分回归、偏最小二乘回归和最小二乘支持向量机)对乙醇柴油品质的分析效果, 同时也比较了不同预处理方法对预测模型能力的影响。实验结果表明, 最小二乘支持向量机优于主成分回归和偏最小二乘回归模型, 其对乙醇柴油密度、粘度、乙醇含量建模效果最优, 相关系数分别是0.995 8、0.995 7和0.995 3; 预测均方根误差分别为0.000 68、0.011 3和0.571 4。

采用中红外光谱法对甲醇柴油的甲醇含量进行检测分析。首先, 对采集到的原始光谱进行预处理(标准正则变换、多元散射校正、一阶微分、二阶微分、Savitzky-Goly平滑), 采用偏最小二乘法和最小二乘支持向量机建立了甲醇柴油的甲醇含量预测模型, 并比较了不同预处理方法对模型预测能力的影响。实验结果表明, LSSVM的建模效果最佳, 其预测集相关系数R2为0.981 8, 预测均方误差RMSEP为1.3917%(体积比)。因此, 中红外光谱技术可用于甲醇柴油中甲醇含量的快速检测,且可以达到很好的效果。

以拉曼光谱技术结合化学计量学方法实现两类不同成熟度的双孢菇菌盖硬度的建模预测分析。将菌盖直径平均值2~3 cm的样品划为Ⅰ类成熟度, 3~5 cm为Ⅱ类。对两类样品分别取65个进行光谱采集并测量硬度, 分别采用标准正态变量变换、基线校正、一阶导数、二阶导数4种方法预处理, 建立偏最小二乘模型(PLS)。比较模型效果得出最佳预处理方法均为一阶导, 但Ⅰ类建模的预测相关系数(Rp)和均方根误差(RMSEP)分别为0.887和0.444, Ⅱ类的Rp和RMSEP分别为0.896和0.435。结果表明Ⅱ类成熟度蘑菇的硬度预测比Ⅰ类更为准确, 在同等条件下, Ⅱ类蘑菇硬度的变化更可准确预测, 其贮藏保鲜更有规律可循。

利用拉曼光谱检测技术，对甲醇柴油的甲醇含量和黏度进行定量检测研究。93个甲醇柴油样品作为被检测的对象，划分校正集（72个）和预测集（21个）。分析比较了光谱的不同预处理方法的全交互验证偏最小二乘（PLS）模型效果；然后以最优预处理方法得到的光谱数据为输入，结合连续投影算法(SPA)建立不同的回归校正模型，并进行比较分析。结果表明，甲醇含量的多元散射校正偏最小二乘(MSC-PLS)模型预测效果最优，其校正集相关系数RC为0.9761，交互验证相关系数RCV为0.9551，校正集均方误差（RMSEC）为1.5089，交互验证均方误差（RMSECV）为2.0630；黏度的MSC-PLS模型预测效果也是最优的，RC为0.9794，RCV为0.9580，RMSEC为0.0907 mPa·s，RMSECV为0.1292 mPa·s。