拉曼光谱结合改进稀疏编码器特征优选的成品油混合浓度预测方法

作     者：董晓炜 蒋春旭 李华栋 任琪 曹杰 王海龙 DONG Xiaowei;JIANG Chunxu;LI Huadong;REN Qi;CAO Jie;WANG Hailong

作者机构：重庆赛宝工业技术研究院有限公司重庆401332 重庆理工大学重庆400054 

出 版 物：《分析科学学报》 (Journal of Analytical Science)

年 卷 期：2024年第40卷第1期

页      面：35-42页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081704[工学-应用化学] 07[理学] 08[工学] 0817[工学-化学工程与技术] 081104[工学-模式识别与智能系统] 070302[理学-分析化学] 0703[理学-化学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：重庆市创新与应用发展专项面上项目(cstc2020jscx-msxmX0137) 

主　　题：拉曼光谱 光谱预处理 定量分析 栈式稀疏自编码器 混油浓度 

摘      要：成品油混合浓度的预测对成品油顺序输送过程中的安全监控、混油段分割具有重要的意义。本研究配制92#汽油-3#航煤以及3#航煤-0#车柴两组包含不同浓度的混合样品,并对其进行拉曼光谱采集;依次采用归一化、多元散射校正、BaselineWavelet基线校正3种光谱预处理方法进行优化;之后采用改进的栈式稀疏自编码器(Stacked Sparse Autoencoder,SSAE)模型对预处理之后的拉曼光谱进行稀疏特征提取,并结合全连接层进行回归预测;最后根据均方根误差(Root Mean Square Error,RMSE)和决定系数(R^(2))两项评价指标,与偏最小二乘回归(Partial Least Square Regression,PLSR)、最小二乘支持向量回归(Least Square Support Vector Machine,LSSVR)以及SSAE 3种模型进行对比。结果表明:改进的SSAE-FC模型表现出更优的预测精度和稳定性,92#汽油-3#航煤混油测试集的R^(2)和RMSEC指标分别为0.9952和0.8932,3#航煤-0#车柴混油测试集的R^(2)和RMSEC指标分别为0.9837和1.1967,且学习得到的稀疏特征的可解释性强。