石油类混合油液的组分检测是三维荧光光谱领域重要的研究内容, 由于实际获得的混合油液三维荧光光谱数据存在不同组分光谱重叠严重、 数据三线性较差等问题, 通过平行因子算法解析时, 会出现解析谱与标准谱差异过大或者不能正确判断油种的情况。 在验证三维荧光偏导数光谱应用平行因子算法具有可行性的基础上, 将三维荧光偏导数光谱与平行因子算法结合, 能够提高平行因子算法得到的混合油解析谱与标准谱的拟合程度, 实现石油类混合油液组分的准确检测。 首先, 以十二烷基硫酸钠(SDS)溶液作为溶剂, 配制航空煤油、 润滑油不同浓度的纯油溶液各15份, 将航空煤油、 润滑油按照不同浓度比配制9份混合油溶液; 并利用FS920荧光光谱仪得到39份三维荧光光谱数据。 然后, 对三维荧光光谱数据进行预处理: 通过扣除空白法去除拉曼散射, 并将瑞利散射区域扣除, 再利用分段三次hermite插值方法对扣除区域进行插值; 利用小波变换阈值去噪法去除光谱数据中的高频噪声, 得到预处理完成后的三维荧光光谱数据。 最后, 利用Savitzky-Golay拟合求导方法求三维荧光光谱的一阶偏导数光谱, 并利用平行因子算法对三维荧光光谱和三维荧光偏导数光谱进行解析。 将解析谱与纯油标准谱进行比较, 实验结果表明: 利用平行因子算法对混合油液的三维荧光光谱进行解析时, 得到的润滑油解析结果较好, 但航空煤油的解析结果存在较大问题。 而三维荧光偏导数光谱经平行因子算法解析后, 在保证润滑油解析结果的同时, 显著提高了航空煤油的解析结果: 航空煤油解析谱与标准谱之间的相关系数提升了12.0%(发射光谱)、 6.7%(激发光谱), 均方根误差减少了70.4%(发射光谱)、 20.6%(激发光谱)。 在三维荧光光谱数据三线性较差的情况下, 三维荧光偏导数光谱结合平行因子分析方法优于三维荧光光谱结合平行因子分析方法, 实现了对混合油液组分准确检测的目的。

石油污染的出现, 导致生态环境遭到破坏。 因此, 油类识别方法的研究对于环境的保护具有重要意义。 采用荧光光谱法获得石油光谱数据, 并对其进行预处理, 再通过降维方法来提取特征信息, 最后利用模式识别算法进行分类, 从而可以实现对油类的定性分析, 因此研究一种更高效的数据降维方法以及识别分类算法极其重要。 基于三维荧光光谱技术, 利用稀疏主成分分析(SPCA)对FS920光谱仪测得的荧光光谱数据进行特征提取, 再利用支持向量机(SVM)算法对提取的特征数据进行分类识别, 获得了一种更加高效的油类识别方法。 首先, 利用海水和十二烷基硫酸钠(SDS)配制成浓度为0.1 mol·L^-1的胶束溶液, 将其作为溶剂配制柴油、 航空煤油、 汽油以及润滑油各20种不同浓度的溶液; 然后, 利用FS920光谱仪测得样本溶液的三维荧光光谱数据, 对得到的光谱数据进行预处理; 最后, 对预处理后的数据分别利用SPCA和主成分分析(PCA)进行特征提取, 再利用SVM和K最近邻(KNN)两种模式识别算法对特征向量进行分类, 最终得到四种模型PCA-KNN, SPCA-KNN, PCA-SVM以及SPCA-SVM的分类结果。 研究结果表明, 由四种模型得到的分类准确率分别为85%, 90%, 90%和95%, 其中, 在同种分类算法中, 利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%, 因此可知, SPCA的稀疏性具有突出主要成分的作用, 在提取光谱特征时能够减小非必要成分的影响, 并且载荷矩阵的稀疏化可以去除变量之间的冗余信息, 优化降维特征信息, 为后续分类提供更有效的数据特征信息; 在同种特征提取算法下, 利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%, 表明SVM算法在分类中更具有优势。 因此, 本文利用三维荧光光谱技术结合SPCA和SVM算法, 实现了对石油的准确识别与分类, 为今后对石油污染物的高效检测提供了新思路。