211216613_基于深度回归网络的航煤水分离指数分析方法研究

引用格式：林帅, 符琰, 刘鹏荣, 等. 基于深度回归网络的航煤水分离指数分析方法研究[J]. 中国测试，2023, 49(4): 7-12. LIN Shuai, FU Yan, LIU Pengrong, et al. Analysis of jet fuel water separation index by using deep regression network[J]. China Measurement & Test, 2023, 49(4): 7-12. DOI
: 10.11857/j.issn.1674-5124.2022050108
基于深度回归网络的航煤水分离指数分析方法研究
林 帅1， 符 琰2， 刘鹏荣3， 王 龙2， 张 坤1，
韩吉庆1， 赵 华1， 冯典英1， 黄 鸿2
(1. 山东非金属材料研究所，山东 济南 250031; 2. 重庆大学 光电技术及系统教育部重点实验室，重庆 400044;
3. 中国石油广西石化公司质检计量部，广西 南宁 530000)
摘　要: 水分离指数是航空煤油的重要评价指标，然而窄带吸收光谱法进行航煤水分离指数测量时存在精度低、稳定性差等问题。

针对此问题，搭建一个航煤水分离指数分析系统平台，并提出一种基于深度回归网络的航煤水分离指数的分析方法。

该方法首先对采集到的紫外吸收光谱进行预处理，然后通过深度信念网络来对光谱数据进行深度特征提取，最后使用极限学习机来对所提取的特征进行训练，构建一个可实现高精度、稳定测量的航煤水分离指数分析模型。

结果表明：水分离指数标准值为65、70、89时，模型预测平均值为64.99、69.59、88.96，且最大相对误差控制在2%以内。

该算法在精度和稳定性上具有明显优势，适合航空煤油水分离指数测量的实际需求。

关键词: 喷气燃料; 水分离指数; 紫外光谱; 深度信念网络; 极限学习机中图分类号: TB9文献标志码: A
文章编号: 1674–5124(2023)04–0007–06
Analysis of jet fuel water separation index by using deep regression network
LIN Shuai 1, FU Yan 2, LIU Pengrong 3, WANG Long 2, ZHANG Kun 1,
HAN Jiqing 1, ZHAO Hua 1, FENG Dianying 1, HUANG Hong 2
(1. Shandong Institute of Nonmetallic Materials, Jinan 250031, China; 2. Key Laboratory of Optoelectronic Technique & System of Ministry of Education, Chongqing University, Chongqing 400044, China; 3. Quality
Inspection Department of Guangxi Petrochemical of China Petroleum, Nanning 530000, China)
Abstract : The water separation index is an important evaluation index of jet fuel, the absorption spectrometry by narrowband light is used for the measurement of water separation index, but it is easy lead to low accuracy and poor stability due to insufficient absorption. To solve these problems, an analysis method of jet fuel water separation index was proposed based on deep regression network. The method first preprocesses the collected ultraviolet absorption spectrum, and then it uses the deep belief network to perform deep feature extraction on the spectral data. Finally, the extreme learning machine is trained by the extracted deep feature to realize the measurement of jet fuel water separation index. Experimental results show that the average prediction values of model are 64.99, 69.59 and 88.96 when the standard values of water separation index are 65, 70 and 89, and the
收稿日期: 2022-05-16；收到修改稿日期: 2022-07-03
作者简介: 林　帅（1986-），男，山东临朐县人，副研究员，硕士，研究方向为化学计量与测试技术。

通讯作者: 黄　鸿(1980-)，男，湖南新宁县人，教授，博士，研究方向为信号处理、光谱分析仪器等。

第 49 卷 第 4 期中国测试
Vol.49 No.42023 年 4 月
CHINA MEASUREMENT & TEST April, 2023
maximum relative error is controlled within 2%. The proposed deep regression network algorithm is superior to conventional algorithms in terms of accuracy and stability, it is suitable for the actual demand of water separation index measurement of jet fuel.
Keywords: jet fuel; water separation index; ultraviolet spectroscopy; deep belief network; extreme learning machine
0 引　言
喷气燃料是一种轻质石油产品，是现代大型民航和空军飞机发动机的推动燃料。

目前国内外普遍生产和广泛使用的喷气燃料多属于煤油型，因此通常被称为航空煤油，简称“航煤”。

航空煤油的品质对于飞行安全至关重要，直接影响飞机的使用性能。

航空煤油质量控制检测项目主要包括：组成、洁净性、馏程、燃烧性、流动性等指标参数[1]。

洁净性最重要的评价指标是水分离指数，是衡量喷气燃料通过玻璃纤维滤结介质时分离水的能力[2]，该指标范围为0~100，数值越高表明燃料越洁净透明。

喷气燃料中过量的表面活性物，如磺酸盐、环烷酸盐等，易导致油水不分离，水分不易沉降等问题，从而降低燃料的水分离指数[3]。

当喷气燃料水分离指数过低时将影响飞机的燃油系统脱水效果，在高空低温的环境下极易导致燃料结冰，严重时可引起发动机故障，造成飞行事故。

因此，如何对喷气燃料的水分离指数进行高效、精确地测量在航空航天领域显得尤为重要。

当前对于航煤水分离指数的测定主要依照国家标准GB 11129—89《喷气燃料水分离指数测定法（手提式分离仪法）》[4]以及石油化工标准SH/T 0616—95《喷气燃料水分离指数测定法》[5]的喷气燃料水分离指数测定法，其中GB 11129喷气燃料水分离指数测定法利用1104型CRC测定仪，其测定范围为0~100。

在水和燃料形成乳化液后，定量地通过一个装有标准过滤垫片的凝聚器池，利用光电池测定通过凝聚器后燃料的浓度。

但是，该仪器存在较大问题，如光电计读数不稳定以及实验等待时间过长。

而SH/T 0616标准喷气燃料水分离指数测定法适用于水分离指数为50~100的1号喷气燃料、2号喷气燃料、3号喷气燃料、宽馏分喷气燃料和高闪点喷气燃料。

该标准使用手提式Mark V Deluxe 1140型水分离指数测定仪，具体实验流程与GB 11129方法类似，但该仪器提升了实验效率，5~10 min即可完成实验。

然而上述两个标准测定方法在原理上均采用单波长或窄波段的光学测量，存在航煤吸收不充分的情况，易导致系统抗干扰能力弱、稳定性差。

与此同时，紫外-可见光连续光谱法具有精度高、稳定性强的优点，在水质及气体的有机物检测中已被成熟应用，可以满足水分离指数在线检测的实时性以及稳定性需求。

但是，由于吸收光谱具有波段多、存在冗余、非线性等特点，亟须对其进行光谱数据处理。

高月等[6]利用主成分分析（principal component analysis, PCA）对光谱实现了数据降维，提取了高维光谱数据的低维嵌入特征，并使用改进的深度信念网络（deep belief nets, DBN）作为分类器实现PM2.5浓度测量。

王玉田等[7]建立反向传播神经网络（back propagation, BP）实现了对水中多环芳烃的测量，但仅利用BP网络易导致模型出现过拟合。

边冰等[8]提出了基于深度极限学习机（extreme learning machine, ELM）的水质预测模型，对不同浓度水质的pH值、浊度和耗氧量三个指标进行了回归分析。

但将其直接应用于水分离指数测量时，由于光谱数据高复杂性、非线性的特点，输入冗余信息过多，导致ELM难以学习到鉴别特征，测量性能受限。

针对上述问题，本文搭建了一个航煤水分离指数测量系统平台，并提出一种基于深度回归网络的航煤水分离指数分析方法。

该方法根据获得的航煤紫外吸收光谱[9]，利用DBN提取深度鉴别特征作为ELM输入数据进行训练，构建了一个高精度、高稳定性的航煤水分离指数反演模型，有效提升水分离指数测量精度。

1 分析方法
针对光谱数据维数高、非线性而导致测量稳定性差问题，本文采用如图1所示测量流程，该测量流程主要包括：航煤紫外吸收光谱数据预处理、基
8中国测试2023 年 4 月
于DBN 的光谱数据特征提取和基于ELM 的回归
分析三个步骤。

DBN 特征提取
ELM 回归分析
数据预处理
水分离指数
航煤紫外吸收光谱
训练集特征数据测试集特征数据
图 1 水分离指数预测模型流程图
1.1 光谱数据预处理
本文采用Ocean Optics 公司开发的紫外光谱仪USB2000+获取航煤紫外吸收光谱。

为了减少背景噪声的干扰，采集了光源光谱、暗光谱和吸收光谱三种光谱，在数据预处理的过程中，将暗光谱S dark 视为噪声，光源光谱S 0与吸收光谱S 分别与S
1.2 基于DBN 的光谱数据特征提取
为了去除吸收光谱中的冗余信息，得到可表征航煤水分离指数的鉴别特征，本文采用DBN 进行吸收光谱数据深度特征提取。

DBN 主要由若干层受限玻尔兹曼机(restricted Boltzmann machines,RBM)组成，单层RBM 具有两层结构，具体如图2所示。

v 1
v 2
v n
h 1
h 2
h m
Visible layer
Hidden layer
W
图 2 单层RBM 的结构
在图2所表示的RBM 中，v 表示可见层，h 表示隐含层，W 表示两个层之间的连接权重。

假设可见单元与隐单元均为二值变量，则可见层v 由n 个
v i h j 可见单元i 组成，隐含层h 由m 个隐单元j 组成。

表示第i 个可见单元的状态，表示第j 个隐单元的状态。

一个RBM 层的特定状态(v , h )的能量函数
a i 式中：——可见单元的偏移量；
b i ——隐单元的偏移量；
W i ,j ——两单元之间的连接权重。

Z (θ)P (v |θ)P (v ,h |θ)其中，为归一化因子。

输入数据v 的分布
采用激活函数sigmoid ，可以计算第j 个隐单元
θ={W i ,j ,a i ,b j }
使用训练样本对RBM 进行训练的过程就是确
定参数的过程。

如果训练样本集包
定义损失函数如下式所示，然后通过随机梯度将已进行预处理的光谱数据输入到RBM 的输入层中训练，可以得到包含一定层次特征信息的输
出层。

上一层RBM 的输出层连接至下一层RBM 的输入层，第二层RBM 又对特征信息进行二次提取。

由多个RBM 层连接得到一个复杂的DBN 模型。

因此，DBN 能够更有效地在高维数据中提取出深层有效特征[10-11]。

紫外吸收光谱数据通过预处理与特征提取得到
第 49 卷 第 4 期林 帅，等：基于深度回归网络的航煤水分离指数分析方法研究9
表征水分离指数的鉴别特征，作为后续水分离指数
分析的输入数据。

1.3 基于ELM 算法的水分离指数回归分析
为了构建一个高稳定性、高准确性的水分离指数分析模型，本文采用极限学习机作为回归预测算法。

极限学习机是用来训练单隐层前馈神经网络的机器学习算法，其模型结构主要由输入层、隐藏层和输出层三层组成[12]，具体如图3所示。

1
2
L −1X n
X 1
y m
y 1
L
Input
neurons
L hidden neurons Output neurons
图 3 ELM 的网络结构图
假设单隐含层的神经网络含有L 个隐含节点，
βk 式中：——输出权重；
G (·)——隐含层激活函数；W i ——输入权重；
b k ——第k 个神经元的偏置；
X i =[x i 1,x i 2,···,x in ]T ∈R n ——第i 个输入变量；y j =[y j 1,y j 2,···,y jm ]T
∈R m ——第j 个样本输出。

y j y j H β=Y β为使网络的输出与期望的误差最小，把式（9）改写为，其中H 为隐含层的输出，为输
ˆW
i ˆb i ˆβi 通过训练得到，和，使得： W i b k H β=Y β在ELM 神经网络中，输入权重和隐含层偏置是被随机数确定初始化的，因此隐含层的输出矩阵H 能被唯一确定，训练过程可以转化为求解
H +β其中，为矩阵H 的Moore-Penrose 广义逆，解出权值即可得到一个训练好的ELM 网络模型。

将DBN 输出得到的能够表征水分离指数的鉴
别特征输入到ELM 中训练，可以得到一个高稳定性、高准确性的水分离指数分析模型。

2 实验结果与分析
2.1 航煤配制
为了验证本文方法的有效性，需要配制不同水分离指数的标准航煤进行实验验证。

航煤由山东非金属材料研究所化学一级计量站进行配制，不同水分离指数的航煤参比液具体配制过程如下：1) 配制分散剂：首先在120 ℃下将气凝胶烘干4 h ，称取烘干后的0.1 g 气凝胶溶于100 mL 甲苯中，充分摇匀后得到分散剂。

2）配制参比液：取1 L 喷气燃料，将步骤1配制的分散剂加入到喷气燃料中，将溶液充分摇匀后，静置10 min 以上，得到参比液。

参比液的水分离指数标准值与分散剂的浓度相关，具体如表1所示，表中第二列即为参比液水分离指数标准值。

表 1 参比液配制对照表
分散剂浓度/（mL·L –1）
水分离指数
0990.2890.4800.6720.8
65
2.2 水分离指数分析系统平台
本文所搭建的航煤水分离指数分析系统平台如图4所示。

在图4中，光源为Ocean Optics 的DH-2000-
10中国测试2023 年 4 月
DUV 深紫外氘灯,可提供190~2 500 nm 波段的连续光谱，光谱仪采样间隔约为0.23 nm 。

采用的光谱仪为Ocean Optics 公司的USB2000+，其光谱波段探测范围为189.96~644 nm ，因此实验共获得2 068个波长点。

光谱数据采集流程为：开启氘灯光源预热
15 min ，预热完成后记录光源光谱数据。

同时取50 mL 航煤参比液通过外部乳化以及分离装置得到15 mL 待测航煤，加入到石英比色皿后静置1 min 。

光源入射光通过光纤传输到准直系统后进入宽度1 cm 的石英比色皿池，被样本池的待测航煤吸收衰减后，衰减光经光纤耦合传输到光谱仪进行测量，光谱数据通过USB 接口传输到计算机系统进行处理，计算水分离指数值。

2.3 测定波段选择
本文采集了水分离指数为65、70、72、80、88、89、99七种标准航煤的紫外吸收光谱，其中不同水分离指数的航煤均采集100次得到共700个吸收光谱数据样本。

由于航煤吸收光谱中并非所有的波段都具有特征吸收峰，因此需要对光谱波段进行筛选以降低对建模准确性的影响。

原始光谱数据的可视化如图5所示，通过放大局部光谱可以得到航煤在330~370.21 nm 波段的吸收光谱数据更具有区分性，如图6所示，存在明显的特征吸收峰。

因此，为了更准确地分析不同水分离指数航煤的紫外吸收光谱，本文选取波长为330~370.21 nm 的吸收光谱数据作为水分离指数分析数据。

2.4 实验结果与分析
实验中，选取72、80、88、99四种水分离指数的航煤紫外吸收光谱作为训练样本来拟合水分离指数反演模型，选取65、70、89三种水分离指数的航煤紫外光谱数据作为测试样本，其中每一种水分离指数样本均有100组数据。

为了验证所提出方法的有效性，本文对比了多种传统分析方法以及机器学习分析方法。

传统方法包括使用Mark V Deluxe1140喷气燃料水分离指数仪[13]对航煤进行测试、350 nm 单点波长光谱数据线性建模以及330~370 nm 光谱波段数据积分建模。

机器学习方法分别采用BP 和ELM 两种神经网络建模预测。

在神经网络建模基础上，本文对光谱数据采用了DBN 进行特征提取，对反演结果进行分析对比。

采用330~370 nm 波段光谱数据进行实验，其实验结果如表2和表3所示。

由表2和表3分析可得：1）传统测量方法的结果远不如机器学习方法稳定可靠，其中1140仪器的测量平均结果与标准值相差均大于1，其他指标也无法令人满意，这表明该仪器的单点波长测量方法存在缺陷以及系统抗干扰能力差。

而光谱波段积分建模相较于单点波长的直接线性分析预测结果准确和稳定性都不同程度提升，说明多波长吸收更充分，测量性能更稳定。

2）在机器学习方法中，采用特征提取器对光谱数据进行处理可以获得更好的测
光源聚焦透镜
比色皿聚焦透镜
光纤
计算机
光谱仪
图 4 测量系统示意图
200250300350400450500550600650
波长/nm
0.51.01.52.02.53.03.5
4.04.5
5.0光强/104
65707280888999
图 5 原始光谱图
330335340345350355360365370375
波长/nm
0.5
1.01.5
2.02.5光强/104
65707280888999
图 6 330~370.21 nm 光谱图
第 49 卷 第 4 期
林 帅，等：基于深度回归网络的航煤水分离指数分析方法研究
11
量结果，优于不进行特征提取的回归方法，说明该网络可以学习到更具有鉴别性的光谱低维深层特征，有助于水分离指数测量；3）本文提出的DBN+ELM 方法在准确性得到保证的情况下，稳定性最好，测量平均值误差均小于0.5，最大相对误差控制在2%以内。

尤其在水分离指数为70的光谱数据下，该方法的测量均值与最大相对误差指标均远优于其他方法，证明了该方法的有效性。

3 结束语
针对窄带吸收光谱法进行航煤水分离指数测量时存在精度低、稳定性差等问题，本文设计实现了一种高效准确的航煤水分离指数分析方法。

论文首先搭建了一个水分离指数测量平台，对航煤液体的紫外吸收光谱进行预处理，然后使用DBN对预处理数据进行特征提取，最后利用ELM算法构建反演模型，以解决光谱数据冗余度高、特征提取困难的问题。

实验结果表明，和传统回归方法相比，本文方法预测值更接近真实值，且测量结果稳定，最大相对误差均能控制在2%以内，优于其他传统算法的测量精度，可以更好地满足实际测量需求。

参考文献
李娜, 陶志平. 国内外喷气燃料规格的发展及现状[J]. 标准科学, 2014(2): 80-83.
[1]
刘多强, 关绍春, 高崇峰, 等. 喷气燃料润滑性的研究[J]. 石油化工应用, 2009, 28(2): 9-11.
[2]
尹彤华. 3号喷气燃料水分离指数影响因素与对策[J]. 炼油技术与工程, 2018, 48(6): 28-32.
[3]
喷气燃料水分离指数测定法: GB/T 11129—89[S]. 北京: 中国标准出版社, 1989.
[4]
喷气燃料水分离指数测定法(手提式分离仪法): SH/T 0616—95[S]. 北京：中国石化出版社, 1995.
[5]
高月, 宿翀, 李宏光, 等. 一类基于非线性PCA和深度置信网络的混合分类器及其在PM2.5浓度预测和影响因素诊断中的应用[J]. 自动化学报, 2018, 44(2): 318-329.
[6]
王玉田, 张艳, 商凤凯, 等. BP神经网络结合ATLD与三维荧光光谱法测量水中多环芳烃[J]. 光谱学与光谱分析, 2019, 39(11): 3420-3425.
[7]
边冰, 赵明政. 基于深度极限学习机的水质预测研究[J]. 华北理工大学学报:自然科学版, 2020, 42(1): 51-57.
[8]
黄鸿, 石光耀, 金莹莹, 等. 随机子空间深度回归方法在紫外光谱水质分析中的应用[J]. 计算机应用研究, 2017, 34(10): 3020-3023.
[9]
李爱莲, 赵多祯, 郭志斌, 等. 改进深度信念网络的转炉耗氧量预测[J]. 中国测试, 2020, 46(6): 1-6.
[10]
黄勇, 郭剑辉. 结合深度信念网络与支持向量机的地表分类算法[J]. 计算机与数字工程, 2022, 50(1): 129-134.
[11]
崔桂梅, 张运强, 张勇. 基于改进PSO-KELM的高炉回旋区温度预测研究[J]. 中国测试, 2020, 46(4): 25-30.
[12]
张嘉璇, 张美丽, 薛静. Mark V Deluxe1140喷气燃料水分离指数仪的校验评价[J]. 炼油与化工, 2010, 21(2): 35-37. [13]
(编辑:谭玉龙)
表 2 330~370 nm波段下各种方法的预测平均值和标准差
测量方法657089
仪器测量
(Mark V Deluxe1140)
62.50±5.081 668.33±2.692 693.00±4.203 2
单波长线性分析
（350 nm）
67.19±2.068 769.39±1.168 789.13±1.023 4
多波长积分线性分析
（350 nm±20 nm）
67.75±2.168 769.71±0.983 889.70±0.438 1
BP64.99±0.016 466.79±0.180 488.91±0.182 3
ELM64.99±0.003 264.90±0.515 188.97±0.015 7
DBN+BP65.01±0.013 469.38±0.365 388.81±0.343 1
DBN+ELM64.99±0.006 169.59±0.484 188.96±0.020 5
表 3 330~370 nm波段下各种方法预测值的最大相对误差
%
测量方法657089
仪器测量 (Mark V Deluxe1140)9.238.576
单波长线性分析（350 nm） 6.15 2.66 1.68
多波长积分线性分析（350 nm±20 nm） 4.628.000.58
BP0.05 4.980.42
ELM0.028.690.06
DBN+BP0.06 1.720.82
DBN+ELM0.03 1.690.08
12中国测试2023 年 4 月。