基于近红外建模的尿素检测分析方法及装置与流程

技术特征：
1.一种基于近红外建模的尿素检测分析方法，其特征在于，所述尿素为车用尿素，所述方法包括：s1，获取尿素样品；s2，利用近红外设备获取每个所述尿素样品的近红外光谱；s3，利用湿化学法对每个所述尿素样品的成分进行检测，得到与每个所述尿素样品的成分对应的湿化学值；s4，将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型；s5，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；其中，尿素样品的类别包括：汽油尿素类和柴油尿素类；s6，所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层；s7，所述数据整合层将处理结果和所述目标区域选择神经网络对应的类别进行整合后输出；s8，将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域；s9，对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值；s10，将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据；s11，计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除；s12，利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩余的柴油类数据构建柴油类数据库，将所述柴油类数据库作为柴油类近红外分析初始模型；s13，利用汽油类尿素样品对所述汽油类近红外分析初始模型进行交叉检验，得到汽油类近红外分析模型，或者，利用柴油类尿素样品对所述柴油类近红外分析初始模型进行交叉检验，得到柴油类近红外分析模型；s14，将所述汽油类近红外分析模型和所述柴油类近红外分析模型进行组合形成近红外分析模型；s15，将待检测的尿素利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对
待检测的尿素进行处理得到与待检测的尿素的成分对应的待分析湿化学值；s16，将所述待检测的尿素的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外分析模型确定所述待检测的尿素的类别，将所述待检测的尿素的中的待分析近红外光谱和对应的待分析湿化学值输入至对应类别的所述汽油类近红外分析模型或所述柴油类近红外分析模型中进行处理得到所述待检测的尿素的各项成分的含量数据。2.根据权利要求1所述的方法，其特征在于，所述区域选择神经网络模型的构建过程包括：sa1，构建具有一个输入层、多个隐藏层和一个输出层的深度神经网络；sa2，获取预定数量的尿素样本，利用近红外设备获取各个尿素样本的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的尿素样本的近红外光谱作为训练样本；sa3，根据所述尿素样本的类别，对所述训练样本进行分类，分为汽油类训练样本和柴油类训练样本；sa4，提取汽油类训练样本，输入至所述深度神经网络的输入层，利用所述输入层对所述汽油类的训练样本进行预处理，并将预处理后的训练样本发送至隐藏层进行处理；sa5，所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出；sa6，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述下一个汽油类训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对深度神经网络中的所述目标类对应的各个隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同；sa7，不断重复步骤sa5至sa7直至所述汽油类训练样本全部训练完成得到汽油尿素区域选择神经网络模型；sa8，提取柴油类训练样本，将所述柴油类训练样本输入至所述汽油尿素区域选择神经网络模型中的输入层，并重复步骤sa5至sa7的过程对所述汽油尿素区域选择神经网络模型进行继续训练，直至所有柴油类训练样本全部训练完成，将最后得到的神经网络作为柴油尿素区域选择神经网络模型；sa9，将汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型。3.根据权利要求1所述的方法，其特征在于，所述区域选择神经网络模型的构建过程包括：sb1，获取预定数量的尿素样本，利用近红外设备获取各个尿素样本的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的尿素样本的近红外光谱作为训练样本；sb2，根据所述尿素样本的类别，对所述训练样本进行分类，分为汽油类训练样本和柴油类训练样本；sb3，构建两个具有输入层、隐藏层和输出层的深度神经网络，分别为第一深度神经网
络和第二深度神经网络；sb4，提取汽油类训练样本，利用汽油类训练样本对第一深度神经网络进行训练得到能够对汽油尿素的近红外光谱进行相关性最大的光谱区域识别的第一神经网络初始模型；sb5，提取柴油类训练样本，利用柴油类训练样本对第二深度神经网络进行训练得到能够对柴油尿素的近红外光谱进行相关性最大的光谱区域识别的第二神经网络初始模型；sb6，将第一神经网络初始模型和第二神经网络初始模型进行整合，并在所述第一神经网络初始模型和所述第二神经网络初始模型之前增加判断层，在所述第一神经网络初始模型和所述第二神经网络初始模型之后增加数据整合层，进而得到区域选择神经网络模型。4.根据权利要求3所述的方法，其特征在于，步骤sb4具体包括：sb41，将所述汽油类训练样本输入至第一深度神经网络的输入层，利用所述输入层对所述汽油类训练样本进行预处理，并将预处理后的汽油类训练样本发送至隐藏层进行处理；sb42，所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出；sb43，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述下一个汽油类训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对第一深度神经网络中的隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同；sb44，不断重复步骤sb41至sb43直至所述汽油类训练样本全部训练完成得到第一神经网络初始模型。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，步骤s13具体包括：s13
‑
1，对n个汽油类/柴油类尿素样品进行排序n1，n2……
n
n
，从n个汽油类/柴油类尿素样品中选取n1汽油类/柴油类尿素样品作为检验样品，剩余的汽油类/柴油类尿素样品作为建模样品；s13
‑
2，利用建模样品按照上述步骤s2至s12的方案在构建的近红外分析初始模型之上再次构建汽油类/柴油类近红外分析初始模型；s13
‑
3，将检验样品利用红外设备获取对应的检验近红外光谱，以及利用湿化法对检验样品进行处理得到各项成分对应的检验湿化学值，并输入至再次构建的汽油类/柴油类近红外分析初始模型中进行处理，输出检验样品的各项成分的含量数据，并将输出的检验样品的各项成分的含量数据与所述检验样品的真实数据进行比对，得到检验的准确率；s13
‑
4，按照排序依次选取下一个汽油类/柴油类尿素样品作为检验样品，剩余的汽油类/柴油类尿素样品作为建模样品，重复步骤s13
‑
2和s13
‑
3的方案，直至n个汽油类/柴油类尿素样品均分别作为检验样品得到对应检验的准确率p1，p2……
p
n
；s13
‑
5，计算检验的准确率p1，p2……
p
n
的平均值p，判断是否p≥p，是则将最终得到的汽油类/柴油类近红外分析初始模型作为汽油类/柴油类近红外分析模型，否则重新获取新的汽油类/柴油类尿素样品，利用新的汽油类/柴油类尿素样品重复上述s13
‑
1至s13
‑
4的过程，直至得到的p≥p，将最终得到的汽油类/柴油类近红外分析初始模型作为汽油类/柴油类近红外分析模型，其中，p为准确率阈值。6.根据权利要求1
‑
5任一项所述的方法，其特征在于，在步骤s13之后，所述方法还包
括：s13’，获取a个汽油类/柴油类尿素样本作为校正集，获取b个汽油类/柴油类尿素样本作为验证集，利用校正集中的汽油类/柴油类尿素样本按照上述步骤s2至s12的方案在构建的汽油类/柴油类近红外分析模型之上再次构建汽油类/柴油类近红外分析验证模型，并将验证集中的汽油类/柴油类尿素样本依次输入至汽油类/柴油类近红外分析验证模型中输出验证结果，将验证结果与验证集中的汽油类/柴油类尿素样本的真实结果进行比对，确定验证的准确率；s13”，判断验证的准确率是否超过验证阈值，是则将得到的汽油类/柴油类近红外分析验证模型作为最终的汽油类/柴油类近红外分析模型，否则，获取新的校正集和新的验证集重复步骤s13’的方案，直至得到的验证的准确率超过验证阈值，将得到的汽油类/柴油类近红外分析验证模型作为最终的汽油类/柴油类近红外分析模型。7.根据权利要求1所述的方法，其特征在于，步骤s9中的多元线性回归处理过程具体包括：将一阶导数处理后的汽油类/柴油类近红外光谱区域中的至少一个主成分光谱乘以对应的主成分得分系数得到对应的主成分光谱数据，依据至少一个主成分光谱数据构建至少一个主成分矩阵；根据至少一个主成分矩阵构建至少一个主线性函数，将至少一个主线性函数进行线性回归处理，得到对应的汽油类/柴油类近红外检测值。8.根据权利要求7所述的方法，其特征在于，步骤s10中的偏最小二乘法的运算处理过程具体包括：根据汽油类/柴油类近红外检测值构建对应的光谱矩阵，根据所述湿化学值中的主湿化学值构建主湿化学矩阵，将所述光谱矩阵和所述主湿化学矩阵进行关联，并计算两个矩阵的预测线性关系函数；则步骤s12，具体为：利用剩余的各个汽油类/柴油类尿素样品得到的预测线性关系函数构建汽油类/柴油类数据库，将所述汽油类/柴油类数据库作为汽油类/柴油类近红外分析初始模型。9.一种基于近红外建模的尿素检测分析装置，其特征在于，所述尿素为车用尿素，所述装置包括：获取模块，用于获取获取尿素样品；近红外获取模块，用于利用近红外设备获取每个所述尿素样品的近红外光谱；湿化学处理模块，用于利用湿化学法对每个所述尿素样品的成分进行检测，获取每个所述尿素样品的成分对应的湿化学值；神经网络处理模块，用于将所述尿素样品的近红外光谱和湿化学值输入至预先构建的区域选择神经网络模型中，所述判断层根据所述湿化学值确定所述尿素样品的类别，根据确定的的类别从汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型中选择对应的目标区域选择神经网络模型，将所述尿素样品的近红外光谱发送至所述目标区域选择神经网络模型中进行处理；所述目标区域选择神经网络对所述尿素样品的近红外光谱进行处理，从所述尿素样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域，将所述近红外光谱区域作为处理结果发送至数据整合层；所述数据整合层将处
理结果和所述目标区域选择神经网络对应的类别进行整合后输出；其中，预先将训练好的汽油尿素区域选择神经网络模型和柴油尿素区域选择神经网络模型进行整合后，在前端增加判断层，在后端增加数据整合层以后构成所述区域选择神经网络模型，其中，尿素样品的类别包括：汽油尿素类和柴油尿素类；收集模块，用于将汽油尿素类的近红外光谱区域收集在一起作为汽油类近红外光谱区域，将柴油尿素类的近红外光谱区域收集在一起作为柴油类近红外光谱区域；数学处理模块，用于对所述汽油类近红外光谱区域或所述柴油类近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到汽油类近红外检测值或柴油类近红外检测值；关联处理模块，用于将汽油类近红外检测值与对应的湿化学值，或，柴油类近红外检测值与对应的湿化学值利用偏最小二乘法运算处理进行关联，得到所述尿素样品的关联后的汽油类数据或柴油类数据；删除模块，用于计算汽油类数据中的汽油类近红外检测值与对应湿化学值之间的汽油类均方根误差，将汽油类均方根误差大于汽油类误差阈值的汽油类数据删除，或者，计算柴油类数据中的柴油类近红外检测值与对应湿化学值之间的柴油类均方根误差，将柴油类均方根误差大于柴油类误差阈值的柴油类数据删除；构建模块，用于利用剩余的汽油类数据构建汽油类数据库，将所述汽油类数据库作为汽油类近红外分析初始模型，或者，利用剩余的柴油类数据构建柴油类数据库，将所述柴油类数据库作为柴油类近红外分析初始模型；交叉检验模块，用于利用汽油类尿素样品对所述汽油类近红外分析初始模型进行交叉检验，得到汽油类近红外分析模型，或者，利用柴油类尿素样品对所述柴油类近红外分析初始模型进行交叉检验，得到柴油类近红外分析模型；组合模块，用于将所述汽油类近红外分析模型和所述柴油类近红外分析模型进行组合形成近红外分析模型；待检测预处理模块，用于将待检测的尿素利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的尿素进行处理得到与待检测的尿素的成分对应的待分析湿化学值；检测分析模块，用于将所述待检测的尿素的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外分析模型确定所述待检测的尿素的类别，将所述待检测的尿素的中的待分析近红外光谱和对应的待分析湿化学值输入至对应类别的所述汽油类近红外分析模型或所述柴油类近红外分析模型中进行处理得到所述待检测的尿素的各项成分的含量数据。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。

技术总结
本公开提供一种基于近红外建模的尿素检测分析方法及装置，能够根据尿素样品的近红外检测值以及各个成分的湿化学值进行结合关联，进而构建对应的数据库，形成近红外分析模型，这样，就可以利用近红外分析模型对待检测的尿素的各项成分含量数据进行检测分析，使得检测得到的各成分含量的准确度得到有效提高。得到的各成分含量的准确度得到有效提高。得到的各成分含量的准确度得到有效提高。


技术研发人员：鲁冰 丁焰 杜彪 尹航 吉喆 朱云鹏 裴修尧 周玉山
受保护的技术使用者：中国环境科学研究院
技术研发日：2021.07.29
技术公布日：2021/12/2