基于交替惩罚三线性分解的混合油液油种成分的检测 下载: 812次
1 引言
近年来,随着全球经济的迅速发展,海洋上空的交通运输更加繁忙,旅客、货物的运输量与飞机的需求量呈现持续增长的态势。而海上恶劣的天气条件及飞机机械故障等因素可能会导致飞机的偶发性失事,造成严重的人员伤亡和财产损失,因此对海上失事飞机的搜救已成为世界各国不断加大投入研究的课题。众所周知,在飞机于海面失事的过程中,机体内的航空煤油与润滑油等油液会溢出机体,漂浮在海面上。如果可以对漂浮于海面上的疑似油液进行有效的检测和辨识,就可对该实际溢油源的性质加以判断,从而为下一步工作提供必要的技术支撑。因此,研究一种快速、高效的混合油液中油种成分的检测手段,对于海上搜救具有重要的现实意义。
目前,对混合油液中油种成分进行检测的方法主要有荧光光谱法[1]、红外光谱法[2]、气相色谱法[3]、气相色谱-质谱法[4]等。红外光谱法提供的信息较少,且检测精度易受环境和样本温度的影响[5];气相色谱法可提供精确的样本组分信息,但其所测组分容易受风化的影响,在实际使用中的检测误差较大[6];气相色谱-质谱法受风化程度的影响较小,但检测过程较繁琐,耗时较长,无法进行在线检测[7];荧光光谱法具有灵敏度高、选择性好、操作简便,以及可用于多组分混合物成分检测等优点[8]。鉴于此,本文采用荧光光谱法对航空煤油和润滑油的混合油液样本进行荧光特性分析。石油类物质的荧光光谱由多种多环芳烃的荧光光谱叠加而成,采用传统的化学方法检测其混合油液样本的油种成分比较困难[9],但是可利用二阶校正法具有的“数学分离”代替“物理或化学分离”的优势来加以解析[10]。二阶校正法与三维荧光光谱分析技术相结合可以实现多组分混合物的检测,该项技术具有广阔的应用前景。
本文利用FLS920型稳态荧光光谱仪测定20个航空煤油和润滑油混合油液样本的荧光光谱,并在保证不丢失荧光光谱信息的前提下进行激发和发射校正,以有效剔除实验仪器光谱特性带来的干扰;利用交替惩罚三线性分解(APTLD)算法和平行因子算法对航空煤油和润滑油混合油液样本检测的结果进行对比分析,以验证APTLD算法是否具有更优的检测能力。
2 混合油液中油种成分检测过程的实现
2.1 检测策略
快速、准确地检测混合油液中油种成分的关键在于获取被测混合油液样本的三维荧光光谱数据,并对其进行有效的分析和处理。处理过程的具体流程如
2.2 检测基本原理
2.2.1 三线性分解模型
在进行荧光分析时,在选定的
式中:
2.2.2 核一致诊断法
核一致诊断法是基于三线性分解模型的化学秩估计方法。利用核一致函数计算经Tucker 3模型处理后的核心阵与理想情况下取正确组分数时的核心阵(对角元素为1,其他元素为0)之间的拟合程度,即核一致值,对体系的组分数进行估计。核一致函数[12]为
式中:
2.2.3 APTLD算法
APTLD算法利用交替惩罚限制和交替最小二乘原理对3个不同的交替惩罚残差(AP残差)同时进行最小化,从而实现三线性分解[13]。APTLD算法的迭代过程如下。
1) 初始化载荷矩阵
2) 计算载荷矩阵
式中:
3) 计算载荷矩阵
式中:
4) 计算载荷矩阵
式中:
5) 返回步骤3),依次迭代,直至满足收敛条件:
式中:SSR为残差元素平方和;
6) 输出载荷矩阵
2.2.4 评价标准
评价标准能反映所用算法分析结果的优劣,均方根误差(RMSE)和相关系数矩阵中非对角线元素值
式中:
3 实验
3.1 仪器设备
采用英国Edinburgh Instruments公司的FLS920型稳态荧光光谱仪测定实验样本的荧光光谱数据,光谱波长响应范围为200~900 nm,分辨率可达0.1 nm。该光谱仪配有制冷器,用来降低探测器的热噪声,液氮制冷范围为77~320 K,激发光源采用450 W氙灯,信噪比为6000∶1。所有实验均在室温下进行;激发与发射端狭缝的宽度为0.44 mm;设定激发波长范围为300~580 nm,发射波长范围为320~600 nm,步长均为10 nm;发射起始波长滞后激发起始波长20 nm,目的是避免瑞利散射的干扰。
3.2 样本与配制
实验样本为航空煤油、润滑油。在实验设计中,配制20个不同体积比的航空煤油和润滑油混合油液样本。按照
4 结果与讨论
4.1 光谱分析
在实验过程中,测量仪器的特性使得测量得到的荧光光谱皆为表观光谱,即未校正过的荧光光谱。因此,为了尽可能提高最终结果的精度,需要对光谱仪直接测量得到的光谱进行激发和发射校正。航空煤油和润滑油在校正前后的三维荧光光谱图和等高线图分别如
表 1. 混合油液中航空煤油和润滑油的配比
Table 1. Ratio of jet fuel to lube in mixed oil
|
图 3. 校正前后航空煤油的三维荧光光谱和等高线图。(a)校正前的三维荧光光谱;(b)校正前的等高线图;(c)校正后的三维荧光光谱;(d)校正后的等高线图
Fig. 3. Three-dimensional fluorescence spectra and contour maps of jet fuel before and after calibration. (a) Three-dimensional fluorescence spectrum before calibration; (b) contour map before calibration; (c) three-dimensional fluorescence spectrum after calibration; (d) contour map after calibration
4.2 组分数估计
在三线性分解模型建立过程中,组分数的准确估计是定性分析的关键。在本实验中,对所测得的前20个混合油液样本的荧光光谱数据进行激发和发射校正后,可构成29×29×20型三维响应数阵
图 4. 校正前后润滑油的三维荧光光谱和等高线图。(a)校正前的三维荧光光谱;(b)校正前的等高线图;(c)校正后的三维荧光光谱;(d)校正后的等高线图
Fig. 4. Three-dimensional fluorescence spectra and contour maps of lube before and after calibration. (a) Three-dimensional fluorescence spectrum before calibration; (b) contour map before calibration; (c) three-dimensional fluorescence spectrum after calibration; (d) contour map after calibration
图 5. 三维响应数阵X。(a)核一致值;(b)残差平方和
Fig. 5. Three-dimensional response matrix X. (a) Core consistency value; (b) residual sum of squares
4.3 对比实验分析
4.3.1 基于APTLD算法的混合油液中油种成分检测
航空煤油和润滑油混合油液样本的荧光光谱出现了严重重叠,如
4.3.2 基于平行因子算法的混合油液中油种成分的检测
对三维响应数阵
图 6. 第16个样本的结果。(a)三维荧光光谱;(b)等高线图
Fig. 6. Result for the 16th sample. (a) Three-dimensional fluorescence spectrum; (b) contour map
图 7. APTLD算法解析得到的航空煤油和润滑油的结果。(a)激发光谱;(b)发射光谱
Fig. 7. Results for jet fuel and lube obtained by APTLD algorithm. (a) Excitation spectra; (b) emission spectra
图 8. 平行因子算法解析得到的航空煤油和润滑油的结果。(a)激发光谱;(b)发射光谱
Fig. 8. Results for jet fuel and lube obtained by parallel factor algorithm. (a) Excitation spectra; (b) emission spectra
4.3.3 两算法解析结果的对比分析
由上述分析结果可知,在检测混合油液中各油种成分的效果方面,相对于平行因子算法,APTLD算法存在较大的优势,能够实现对混合油液中各油种成分快速检测的目的。
表 2. 纯油液与混合油液光谱曲线之间的RMSE与相关系数矩阵
Table 2. RMSE and correlation coefficient matrix between spectral curves of pure and mixed oil
|
5 结论
本课题组利用三维荧光光谱技术和APTLD算法对混合油液中油种的成分进行了检测。研究结果表明,采用APTLD算法解析三维荧光光谱数据后,得到的RMSE和相关系数矩阵中非对角线上的元素值均满足所设阈值(0.05和0.95)的要求。在解决三维荧光光谱严重重叠的问题上,APTLD算法优于平行因子算法,能够实现对混合油液中油种成分的快速、准确检测。本研究提供了一种二阶校正法与荧光光谱分析技术相结合的方法,为判定实际溢油源的性质提供了必要的技术支持。
[2] 孙通, 吴宜青, 李晓珍, 等. 基于近红外光谱和子窗口重排分析的山茶油掺假检测[J]. 光学学报, 2015, 35(6): 0630005.
[5] 韩云利. 海上溢油的油指纹鉴定研究[D]. 大连: 大连海事大学, 2008: 12- 15.
Han YL. Study on the identification of oil spill fingerprints[D]. Dalian: Dalian Maritime University, 2008: 12- 15.
[6] 包木太, 文强, 崔文林, 等. 六种成品油的正构烷烃色谱指纹提取与鉴别[J]. 西安石油大学学报(自然科学版), 2007, 22(1): 87-90, 125.
[7] 刘敏燕, 徐恒振. 水上溢油源快速鉴别技术[M]. 北京: 中国环境出版社, 2014: 3- 6.
Liu MY, Xu HZ. Rapid identification technology for oil spill sources on water[M]. Beijing: China Environmental Press, 2014: 3- 6.
[8] 易莹, 周艳伟, Bridgeman J, 等. 三维荧光光谱法测定市政污水中有机污染物[J]. 环境监测管理与技术, 2017, 29(5): 37-39, 71.
[9] 程朋飞, 王玉田, 陈至坤, 等. 基于自加权交替三线性分解的荧光检测油类污染物[J]. 光谱学与光谱分析, 2016, 36(7): 2162-2168.
[10] 吴海龙, 李勇, 康超, 等. 三维荧光化学多维校正方法研究新进展[J]. 分析化学, 2015, 43(11): 1629-1637.
[12] Bai X M, Liu T, Liu D L, et al. Simultaneous determination of α-asarone and β-asarone in Acorus tatarinowii using excitation-emission matrix fluorescence coupled with chemometrics methods[J]. Spectrochimica Acta Part A, 2018, 191: 195-202.
[13] 蔡晴, 吴海龙, 李元娜, 等. 三维荧光二阶校正法同时测定水果样中α-萘乙酸和吲哚-3-乙酸[J]. 化学通报, 2011, 74(1): 47-53.
Article Outline
孔德明, 张春祥, 崔耀耀, 李雨蒙, 王书涛. 基于交替惩罚三线性分解的混合油液油种成分的检测[J]. 光学学报, 2018, 38(11): 1130005. Deming Kong, Chunxiang Zhang, Yaoyao Cui, Yumeng Li, Shutao Wang. Detection of Oil Species in Mixed Oil Based on Alternating Penalty Trilinear Decomposition[J]. Acta Optica Sinica, 2018, 38(11): 1130005.