一种基于深度学习的油品含水率测量方法及测量仪与流程
本发明涉及一种基于红外光谱探测结合深度学习人工智能分析的油品含水率测量方法及含水率测量仪，属于传感器与检测技术领域。
背景技术
油品含水直接影响油品的生产，运输，储存和使用。一般来说油品中含水有以下危害:
(1)轻质燃料油中含有水分，则使冰点升高，低温流动性能变坏，如航空燃料在高空飞行，则产生冰堵塞输油管，使供油中断。
(2)润滑油含水则在冬季冻结成冰粒，堵塞输油管道和过滤网，在发动机的某些部分冻结后还会增加机件的磨损。
(3)电气用油中有水，则会因水的存在而降低其介电性能，严重的会引起短路，甚至烧毁设备。
(4)汽油在生产与储运过程中容易有水分。特别是大型油罐底部的汽油的水分含量大。当加完油后，汽车在行走过程中如果突然死火或抖动厉害，那么很可能是含水汽油。
目前用于待测油品含水率测量的仪器有：射线法含水率测量仪、短波型含水率测定仪、电容式含水率测定仪、射频法含水率测量仪。
射线法含水率测量仪的原理是：放射性同位素放射出的γ射线穿过介质时，其强度要衰减，衰减的大小随介质的不同而不同，即取决于介质对γ射线的质量吸收系数和介质的密度。放射性同位素发出的γ射线源在穿透被测对象(油品)时，与油品相互作用，γ射线的强度(数目)将发生变化，这种变化通过射线探测器探测出来，并经电路放大整形和单片机的计数处理得到含水率。但射线法由于油和水的吸收系数相差不大，因此测量精度不高，且存在射线辐射的危险，容易对使用及管理人员的人身造成伤害，而且存在造价高，使用和维修困难等问题。
短波型含水率测定仪是将电能以电磁波的形式辐射到以乳化状态存在的油水介质中，根据油、水对短波吸收能力的不同来检测油水乳化液中的含水量。短波式含水率测定仪要求振荡器的振荡频率稳定性较高，且易受内部复杂成分的干扰，严重影响测量时的精度，且此方法成本高，使用和维护困难。
电容式含水率测定仪的测量原理是：油和水的介电常数不同，并且差距很大，电容法就是利用油和水的这个参数特点来测定含水率大小的。油中含水量增加会导致介电常数增大，而两极板间的电容就会随之增高，就会进而改变振荡频率，通过测量振荡频率就可以测得介质的含水率值。但是一般来说电容式传感器的电容量很小，寄生电容和外界环境的变化都会影响到电容传感器的精度。而且电容法的量程范围小、可调性差，仅适合于含水率低于30％的油田。
射频法含水率测量仪的原理是：水和油两者的介电常数相差很大，因而所呈现的射频阻抗特性差异也很大，当射频信号经天线传到以油水混合液为介质的负载时，该负载阻抗随着混合液中不同的油水比而变化，通过电流互感器检测出由阻抗变化引起的电流变化从而测出原油含水率。实验证明，在射频约为10mhz时，油和水的射频阻抗特性差别最大，故射频一般设计成10mhz。这样就造成电路复杂且成本较大，并受环境的影响而难以实现高精度检测。
在使用某种方法采得参数以后，可以使用数学方法对样品参数与其持油率之间进行关联，确定两者之间的内在定量关系，即其校正模型。目前，常用的建立定量分析校正模型的方法为主成分回归(pcr)和偏最小二乘回归(pls)。但是这两种方法在适用场合与非线性拟合精度上都不甚理想。
技术实现要素：
为解决上述技术问题，本发明采用的一个技术方案是，本发明提供一个基于红外光谱探测结合深度学习人工智能分析的待测油品含水率测量仪，包含：
一个传感光源模块、一个光纤敏感结构和一个信号处理模块；传感光源模块发射出一定功率的红外宽谱光波，通过光纤敏感结构照射到测待测油品上，发生红外吸收作用作用，产生的红外吸收光经过反射镜反射后经透镜收集回到光纤探头的收集光纤中，并经光纤敏感结构传入信号处理模块中的红外光谱采集模块上。所述光纤敏感结构采用的y型光纤一端与传感光源模块连接，一端与信号处理模块中的红外光谱采集模块连接，最后一端连接传输光纤，传输光纤另一端连接光纤探头，光纤探头需要伸入待测待测油品中。
具体而言，
所述光纤探头包括入射光纤、收集光纤、透镜与反射镜，透镜与反射镜中间留空，使待测油品通过，透镜与反射镜之间的间距固定，光纤探头一方面将传感光源模块中的光经入射光纤用透镜汇聚传输到待测油品中，产生红外吸收作用，另一方面将反射镜反射的红外吸收光收集，传入收集光纤，再经光纤敏感结构传入信号处理模块中的红外光谱采集模块。通过对红外光谱采集模块中得到的光谱进行信号处理分析得到待测油品的含水率。
所述光纤敏感结构一方面将传感光源模块中的光传输到待测油品中，产生红外吸收作用，另一方面将产生的红外吸收光收集并传入信号处理模块中的红外光谱采集模块。通过对红外光谱采集模块中得到的光谱进行信号处理分析得到待测油品的含水率。
入射到红外光谱采集模块上不同频率的红外散射光被分光系统分开成红外光谱特性曲线，再由成像系统将光信号转化成电信号，传入嵌入式计算机模块中通过基于深度学习的人工智能分析算法对红外光谱特性曲线分析，得到待测油品的含油率。
一种待测油品含水率测量方法，步骤如下：
传感光源发射光波信号，经过所述y型光纤、传输光纤，通过光纤探头照射到待测油品上；
红外光在待测油品中产生红外吸收，红外吸收光经反射再次通过光纤探头回到传感光纤中，再传入信号处理模块中的红外光谱采集模块，在红外光谱采集模块中光信号各波长的光被分光系统分开，得到红外光谱特性曲线，再由红外光谱采集模块中成像模块转换为电信号。
得到红外吸收光强度信息后，根据朗伯-比尔定律
利用嵌入式计算机模块中的深度学习模型对待测油品红外吸收光谱进行分析得到油品含水率。该深度学习模型是通过对已知含水率的油品对其红外吸收波长、强度等特征进行选择与提取，并对特征数据进行训练从而构建出的红外吸收光谱与含水率定量关联的校正模型。
具体步骤如下：
首先通过红外采集模块获得的红外光谱数据为一组波长与强度相对应的数据(每1％的浓度获取10组数据，从0％-100％共101个浓度，共1010组数据)，生成为xls文件。然后读取xls文件将波长与强度信息存入一个二维数组，第一维是波长，第二维是强度，开发环境为python；
第二步为数据归一化：将所有数据标准化到0与1之间，使数值特征字段拥有共同的标准，从而提高训练后模型的准确率，利用preprocessing将数据进行标准化；
第三步将数据分为训练数据与测试数据，红外光谱采集模块获得的红外光谱数据经过多次实验后会获得多组数据，经过第一、二步的处理后将其中的80％作为训练数据，将20％作为测试数据，通过随机进行选择分组，将所有预处理语句收集在preprocessdata函数中，完成数据的预处理；
第四为为建立模型；建立一个多层感知器模型，包括输入层(2个神经元)、第一隐藏层(40个神经元)、第二隐藏层(30个神经元)、输出层(1个神经元)。首先建立一个线性堆叠模型，然后加入输入层与第一隐藏层，使用uniformdistribution分布的随机数初始化weight与bias；再加入第二隐藏层，使用uniformdistribution分布的随机数初始化weight与bias；最后建立隐藏层，使用uniformdistribution分布的随机数初始化weight与bias；
第五步为训练模型，方法为反向传播算法。设置训练与验证数据比例，80％为训练数据，设置训练周期为40，每一批次20项数据进行训练。模型输出的结果与真实值通过crossentropy损失函数计算误差；通过优化器更新weight与bias，然后再次用模型输出计算结果按照此循环进行训练，完成模型训练；
第六步为评估模型准确率：利用测试数据集来评估模型的准确率；
第七步为结果预测：利用红外光谱采集模块新测试已知浓度的多组数据。通过第一二步进行数据预处理。将其传入模型执行预测并查看结果。将预测结果与已知浓度进行整合，以此评估系统的准确率。
区别于现有技术的情况，本发明的有益效果是：
本发明提供了一种测量油品含水率的新方法，在测量的过程中设计了一种光纤敏感结构。所述光纤敏感结构由以下几部分构成：y型光纤、传感光纤、光纤探头。所述光纤探头包括入射光纤、收集光纤、透镜与反射镜，透镜与反射镜中间镂空，使待测油品通过；光纤探头一方面将传感光源模块中的光经入射光纤用透镜汇聚传输到待测油品中，产生红外吸收作用，另一方面将反射镜反射的红外吸收光收集，传入收集光纤，再经光纤敏感结构传入信号处理模块中的红外光谱采集模块。通过对红外光谱采集模块中得到的光谱进行信号处理分析得到待测油品的含水率。利用红外光谱测量高精度、传输特性良好、便捷、快速等技术优点以及基于深度学习的人工智能分析算法相对于传统的主成分回归法和偏最小二乘回归法，解决非线性问题的能力强，能够获得更好的预测效果，解决问题效率高的优点，使得本发明相比于传统的待测油品含水率测量仪拥有更加优秀的性能。
附图说明
图1是本发明光纤敏感结构的结构示意图。
图2是本发明油品红外吸收示意图。
图3是本发明待测油品含水率测量仪结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一并参见图1、图3提供的一种基于红外光谱探测结合深度学习人工智能分析的待测油品含水率测量装置：
一个传感光源模块，用来发射一定功率的红外宽谱光波。
一个所述光纤敏感结构由以下几部分构成：所述光纤敏感结构包括y型光纤、传输光纤、光纤探头。所述光纤探头包括入射光纤、收集光纤、透镜与反射镜，透镜与反射镜中间镂空，使待测油品通过；光纤探头一方面将传感光源模块中的光经入射光纤用透镜汇聚传输到待测油品中，产生红外吸收作用，另一方面将反射镜反射的红外吸收光收集，传入收集光纤，再经光纤敏感结构传入信号处理模块中的红外光谱采集模块。通过对红外光谱采集模块中得到的光谱进行信号处理分析得到待测油品的含水率。
一个红外光谱采集模块，与所述光纤敏感结构的输出端连接，用来接收光纤敏感结构传来的红外吸收光，并将红外吸收光分光后转换为电信号输出。
一个嵌入式计算机模块，与所述红外光谱采集模块连接，用于计算待测油品的含水率。
传感光源模块发出一定功率的红外宽谱光波，从所述光纤敏感结构输入端，再通过光纤探头照射到测待测油品上，待测油品中的中分子或粒子与光波发生红外吸收作用，产生的红外吸收光经过光纤探头回到光纤敏感结构中，红外吸收光光纤敏感结构的输出端入射到信号处理模块的红外光谱采集模块中。所述光纤敏感结构的一端与传感光源模块连接，一端与信号处理模块中的红外光谱采集模块连接，最后一端连接传输光纤，传输光纤另一端连接光纤探头，光纤探头伸入待测待测油品中。
实施例一：一种待测油品含水率测量方法，包含以下步骤：
将测待测油品盛放于容器中。
传感光源发射光波，经过所述传感光纤，通过光纤探头照射到待测油品上。
待测油品中的中分子或粒子与光波发生红外吸收作用，产生红外吸收光在反射后经光纤探头回到光纤敏感结构中；
红外吸收光光入射到红外光谱采集模块上，被分光后转换为电信号。
所得电信号包含了红外吸收光强度信息，经过信号处理模块中的深度学习模型进行分析得到两相流中油的浓度。
得到红外吸收光强度信息后，根据朗伯-比尔定律
该深度学习模型的构建具体步骤如下：
首先通过红外采集模块获得的红外光谱数据为一组波长与强度相对应的数据，每1％的浓度获取10组数据，从0％-100％共101个浓度，共1010组数据，生成为xls文件。然后读取xls文件将波长与强度信息存入一个二维数组，第一维是波长，第二维是强度，开发环境为python；
第二步为数据归一化。将所有数据标准化到0与1之间，使数值特征字段拥有共同的标准，从而提高训练后模型的准确率。利用preprocessing将数据进行标准化；
第三步将数据分为训练数据与测试数据，红外光谱采集模块获得的红外光谱数据经过多次实验后会获得多组数据，经过第一、二步的处理后将其中的80％作为训练数据，将20％作为测试数据，通过随机进行选择分组，将所有预处理语句收集在preprocessdata函数中，完成数据的预处理；
第四为为建立模型。建立一个多层感知器模型，包括输入层(2个神经元)、第一隐藏层(40个神经元)、第二隐藏层(30个神经元)、输出层(1个神经元)。首先建立一个线性堆叠模型，然后加入输入层与第一隐藏层，使用uniformdistribution分布的随机数初始化weight与bias；再加入第二隐藏层，使用uniformdistribution分布的随机数初始化weight与bias；最后建立隐藏层，使用uniformdistribution分布的随机数初始化weight与bias。
第五步为训练模型，方法为反向传播算法。设置训练与验证数据比例，80％为训练数据，设置训练周期为40，每一批次20项数据进行训练。模型输出的结果与真实值通过crossentropy损失函数计算误差；通过优化器更新weight与bias，然后再次用模型输出计算结果按照此循环进行训练，完成模型训练。
第六步为评估模型准确率。利用测试数据集来评估模型的准确率。
第七步为结果预测。利用红外光谱采集模块新测试已知浓度的多组数据。通过第一二步进行数据预处理。将其传入模型执行预测并查看结果。将预测结果与已知浓度进行整合，以此评估系统的准确率。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！