结合马尔可夫转移场和多尺度特征提取的方法,利用近红外光谱技术预测柴油的十六烷值

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Combination of markov transition field and multi-scale feature extraction for cetane number prediction in diesel using near-infrared spectroscopy

【字体: 大 中 小 】 时间:2026年01月02日 来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3

编辑推荐:

  本研究利用近红外光谱(NIRS)数据通过Markov过渡场(MTF)编码为图像,构建CNN-BiLSTM混合模型预测柴油辛烷值(CN)。模型融合了1D光谱和2D MTF图像特征,在R2=0.9824和RMSEP=0.3106下表现最佳,优于PLSR、1D-CNN和2D-CNN。MTF编码无需波长提取,且BiLSTM模块有效缓解数据失真,为工业液体样本质量评估提供可靠非破坏性方案。

  
魏罗|文友佳丽|黄海华|曲志坚|高艳芳|彭伟发|张海亮|范国柱
华东交通大学电气与自动化工程学院,中国南昌330013

摘要

柴油是交通运输和工业应用中至关重要的能源。十六烷值(CN)在评估柴油质量和燃烧性能方面起着关键作用。在本研究中,使用马尔可夫过渡场(MTF)将柴油的近红外光谱(NIRS)数据编码成图像。开发了一种混合CNN-BiLSTM模型,并结合多头注意力机制,通过同时输入光谱数据和MTF图像来实现多模态特征提取与融合,从而提高十六烷值的预测精度。作为对比,分别使用变组合群体分析(VCPA)选定的特征波长、SG1预处理的全光谱和MTF图像建立了PLSR、1D-CNN和2D-CNN模型。结果表明,CNN-BiLSTM模型表现最佳(Rp2 = 0.9824,RMSEP = 0.3106),而VCPA-PLSR模型的表现最差(Rp2 = 0.7541,RMSEP = 1.6425)。1D-CNN的性能优于VCPA-PLSR模型,2D-CNN则进一步提升了1D-CNN的效果。本研究表明,通过MTF将NIRS数据转换为图像可以有效利用CNN的潜力,无需进行特征波长提取即可提高十六烷值预测的准确性;同时引入的BiLSTM通道减轻了MTF编码对原始数据的失真。该方法为工业应用中的液体样品质量评估提供了一种非破坏性和可靠的框架。

引言

柴油因其高能量密度、优异的燃油效率以及完善的供应基础设施,在全球交通运输、农业和工业领域得到广泛应用[1]。它是重型车辆和建筑机械的主要动力来源[2]。尽管新能源汽车的发展迅速,但全球超过90%的交通运输燃料消耗仍依赖于传统石油精炼[3]。统计数据显示,柴油占全球汽车燃料总量的约60%[4]。2024年,全球每日柴油消耗量约为2800万桶[4]。 然而,柴油燃烧也会产生颗粒物(PM)、氮氧化物(NOx)和未燃烧烃等污染物,对空气质量及人类健康构成严重威胁[5]。为此,全球实施了更严格的排放法规。十六烷值(CN)作为柴油点火质量的关键指标,已被纳入排放标准[6]。较高的CN值意味着更短的点火延迟、更完全的燃烧过程和更低的污染物排放[7]。因此,开发高效的CN检测方法对于推动清洁燃烧技术、防止低质量柴油的过度使用至关重要。 传统上,CN值是通过发动机法测定的,该方法将测试样品的点火延迟与标准燃料进行比较并通过插值计算得出结果[8]。这一国际公认的标准具有高准确性和可靠性,但存在成本高、测试时间长和操作复杂的问题[9]。其他替代方法(如衍生十六烷值(DCN)、点火质量测试仪(IQT)和恒容燃烧室(CFR)技术)虽然更快更简单,但仍具有破坏性,不适合实时在线分析[6]。光谱方法作为一种有前景的非破坏性和快速替代方案出现,可用于定量预测[10]。这些方法在适当的模型支持下,能够实现快速精确的检测,并具有潜在的在线应用潜力[10]。 近红外光谱(NIRS)通过测量特定波长的光谱反射率来获取样品的成分相关信息[11]。结合模型分析,NIRS已被广泛应用于农业、食品和化工行业的质量分析和成分预测[12]。以往的研究主要集中在固体样品上,因为它们的光谱特征更容易获取且反射均匀。相比之下,液体光谱受浓度、温度和浊度的影响较大,传统线性模型难以捕捉其非线性关系,从而限制了其应用范围[13]。人工智能的进步极大地改善了复杂非线性关系的建模能力,多项研究成功将机器学习(ML)应用于液体燃料的NIRS分析[14]。李等人利用NIRS和随机森林(RF)准确识别了汽油类型并快速量化了酒精含量[15];陈等人结合NIRS和极端学习机(ELM)模型精确预测了乙醇-柴油混合物中的乙醇含量[16];NIRS和ML还被用于柴油品牌分类,并取得了可靠的结果[17]。 深度学习(DL)凭借其多层神经网络架构,在提取高维特征方面表现出显著优势,在光谱分析领域受到越来越多的关注[18]。与ML相比,DL可以通过多重非线性变换自动捕捉复杂特征。以往的研究已将DL应用于一维(1D)NIRS数据,取得了优于ML模型的效果[19][20][21]。然而,1D光谱数据的特征维度有限,限制了DL模型的潜力,使其无法充分发挥对高维特征的建模能力[22]。因此,迫切需要开发能够增强数据维度与结构表示的算法,以进一步挖掘DL的性能潜力。 时间序列可视化编码方法(TSVEMs)可以将一维时间序列转换为二维图像,扩展数据表示范围并揭示隐藏的非线性和时间模式,从而丰富DL的特征信息[23]。尽管基于波长的NIRS本质上属于频域方法,但其波长与吸光度之间的依赖性与时间序列类似[24]。因此,一些研究将TSVEMs引入光谱分析并取得了良好的效果。其中,格拉姆角场(GAF)和马尔可夫过渡场(MTF)是最常用的方法[25]。GAF通过极坐标下的角度相似性将一维信号映射到二维矩阵,突出全局相关性,常用于分类任务。张等人将NIRS与GAF结合构建二维卷积神经网络(2D-CNN)模型,成功检测出掺假的白茶,准确率达到97.5%[26];曾等人使用该方法对土壤性质进行分类,准确率比1D-CNN提高了39%[26];谭等人快速识别了复合肥料的成分类型,准确率达到95.84%[27]。MTF通过描述状态转换概率来捕捉局部动态,比GAF更适合连续变量回归[28]。连等人将深度学习模型应用于MTF转换后的NIRS数据,成功预测了羊毛纤维含量,Rp2达到0.917[29];王等人测定了玉米中的黄曲霉毒素浓度,Rp2达到0.995[30];李等人检测了土豆中的淀粉含量,Rp2达到0.941[31]。然而,TSVEMs中的维度映射过程往往涉及数据压缩或非线性变换,可能导致原始光谱信息的部分丢失或失真[32]。现有研究缺乏针对这一问题的有效解决方案,也未与传统的光谱分析方法进行全面比较。 为解决这些限制,本研究将MTF与双通道多模态深度学习框架相结合,用于预测柴油样品的十六烷值(CN),具体目标如下:(1)将预处理后的1D NIRS数据转换为MTF图像,并直接从这些图像样本构建2D-CNN模型;(2)在2D-CNN框架中引入BiLSTM模块和多头注意力机制,形成双通道架构,以实现一维和二维特征的融合;(3)基于预处理光谱开发1D-CNN模型,并建立PLSR模型作为线性基准进行对比;(4)比较PLSR、1D-CNN、2D-CNN和CNN-BiLSTM模型在预测柴油十六烷值方面的性能,从而验证所提出方法的有效性。

数据收集

本研究使用的柴油数据来自公开数据集:http://www.eigenvector.com/data/SWRI/index.html。该数据集包含784个柴油样品的近红外光谱(NIRS)数据(波长范围750至1550纳米),以及六个测量参数:沸点(°C)、十六烷值(CN)、密度(g/mL)、冰点(°C)、总芳香烃含量和粘度。由于有403个CN值为缺失值,本研究仅使用了光谱数据。

光谱分析

图3(a)展示了381个柴油样品的原始光谱曲线,覆盖了750至1550纳米的光谱吸收范围。为了更好地突出光谱特征,图3(b)显示了平均光谱曲线。在980纳米处观察到的凹陷是由于O单键H伸缩振动引起的。1004纳米处的吸收峰对应于C单键H伸缩和弯曲振动在CH2基团中的组合,这是直链烷烃的特征[48]。

结论

本研究将柴油的NIRS数据转换为MTF图像,并开发了双通道CNN-BiLSTM架构,同时从一维NIRS光谱和二维MTF图像中提取和融合特征以预测十六烷值(CN)。为了进行性能比较,还分别基于MTF图像、SG1预处理的全光谱和VCPA选定的有效波长构建了2D-CNN、1D-CNN和PLSR模型。结果显示,1D-CNN的Rp2为0.8449,RMSEP为1.2497。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号