红外光谱法在成品油掺杂识别中的应用效果与优化分析

一、引言

（一）研究背景与意义

随着成品油市场需求的持续扩大，掺杂伪劣油品的问题日益突出。一些不法分子通过掺入劣质溶剂油、重整油、催化裂化油等方式以获取非法利润。这类掺杂行为不仅扰乱市场秩序，更会降低车辆发动机性能，增加尾气排放，对环境和人身安全造成隐患。因此，开发一种高效、灵敏且适用于大规模筛查的识别方法，已成为成品油质量监管的迫切需求。

（二）传统检测方法的局限

当前，成品油掺杂的检测多依赖气相色谱、质谱联用等方法，虽然具有良好的定性与定量能力，但存在仪器昂贵、检测周期长、对操作环境和人员要求高等限制，难以满足快速检测与现场筛查的应用场景。因此，亟需寻找一种更加高效、简便的替代技术。

（三）红外光谱法的应用优势

红外光谱技术利用样品分子在特定波长吸收红外光的特性进行分析，能够反映物质的化学键结构和官能团信息。其无需复杂前处理，测试快速，适用于多组分复杂基质，近年来在食品安全、药物分析等领域应用广泛。将其引入成品油掺杂识别，可望在识别速度和成本控制上取得明显优势。

（四）研究目的与结构安排

本文旨在评估红外光谱法对成品油中掺杂物的识别能力，并在样品预处理和数据建模环节进行优化，以提升方法的实用性。全文从实验设计、识别效果、建模优化等方面展开，系统验证其检测性能与应用前景。

二、方法与材料

（一）样品制备与分组

实验以市场常见的 92#车用汽油为基础油样，选取工业常用掺杂剂如催化裂化汽油（FCC）、抽余油（LCO）和煤油（Kerosene）三类物质，设定掺杂比例为 0% 、 5% 、 10% 、 15% 、 20% 、 25% 、 30% ，共28 组混合样品。样品在通风环境下封闭保存，确保测试期间性质稳定。

（二）仪器设备与参数设置

采用傅里叶变换红外光谱仪（FTIR-650 型），测试波段为 4000–400cm◻¹ ，分辨率为 4cm◻¹ ，每个样本扫描32 次取平均，使用透射模式采集光谱数据。所有样品在恒温 25°C 条件下测试，避免温度波动对谱图稳定性的干扰。

（三）数据处理流程

原始光谱数据经基线校正、小波去噪及标准正态变换等步骤处理，以减少系统噪声与基线漂移影响。在建模阶段，分别尝试主成分回归（PCR）与偏最小二乘法（PLSR）进行掺杂比例预测；定性分析则依据典型特征峰位移或新峰产生进行掺杂物种类判别。

三、实验结果

（一）掺杂物定性识别效果

通过对比各组掺杂油样的红外光谱图发现，特定波段处的吸收峰强度或位移可有效反映掺杂组分的存在。例如，在 2955cmΠ^′ 与 ¹附近，FCC与煤油样本的C–H伸缩与弯曲振动吸收峰与基础汽油谱图存在明显差异。当掺杂比例达到 10% 以上时，该类差异特征表现尤为显著，借助谱图叠加分析及峰位比值计算，可实现对不同掺杂组分的初步识别。使用支持向量分类模型对样本进行识别建模后，整体识别准确率达 94.3‰

（二）掺杂比例定量分析结果

对不同掺杂比例样品采用 PLSR 模型进行建模，建立吸光度变化与掺杂比例间的定量关系。结果显示，该模型在训练集中的拟合优度 R²达到0.981，验证集预测误差RMSE 为1.26，显示出较强的定量预测能力。此外，特征波段变量筛选后模型稳定性进一步提升，噪声影响显著减弱。综合评价，该方法在掺杂量 5%-30% 范围内具有良好的线性响应和鲁棒性。

四、优化策略与效果分析

（一）光谱预处理方法优化

原始红外光谱中常存在基线漂移与随机噪声问题，影响识别模型稳定性。本文对比采用三种常见预处理方法：一阶导数、Savitzky–Golay 平滑、小波去噪。结果表明，小波去噪法在保持谱峰特征同时显著降低背景干扰，识别模型的准确率由 91.6% 提升至 94.3% ；且在低掺杂浓度段表现更为稳定，有效提高了模型的灵敏度和鲁棒性。

（二）变量选择与模型优化

在模型建构中，冗余波段信息会影响回归模型的解释力与计算效率。通过对比遗传算法（GA）与极差法（RFA）两种变量选择策略，发现 GA在识别关键波段方面更为精准。最终，结合偏最小二乘回归（PLSR）模型与GA 变量筛选策略，使得预测R²提升至0.988，RMSE 下降至 1.07 。该组合方案不仅提高了模型精度，还缩短了模型训练时间，适用于快速检测场景。

五、结论

本研究系统评估了红外光谱法在成品油掺杂识别中的应用效果，结果显示，该方法在特征提取、定性识别和定量分析等方面均具备良好的适配性与准确性。通过引入小波去噪、遗传算法变量筛选及偏最小二乘回归模型，显著提升了识别准确率和模型稳定性。优化后的方法不仅适用于标准实验条件下的精确分析，也具备一定的现场应用潜力。与传统色谱法相比，其操作更为简便、响应更为迅速，适合大规模初筛与动态监管。未来可结合便携式设备与智能算法，构建成品油快速检测系统，为油品质量控制与市场监管提供技术支撑。

参考文献

[1] 张海棠, 王思源. 基于傅里叶变换红外光谱的车用汽油组分识别方法研究[J]. 石油炼制与化工, 2022, 53(7): 58–63.

[2] 龚佳音, 姚文礼, 沈一川, 等. 不同掺杂剂对成品油红外吸收特性影响的实验研究[J]. 分析测试学报, 2023, 42(2): 215–220.

[3] 刘祖清, 马胜杰. 红外光谱技术在油品质量快速检测中的应用进展[J]. 化工分析, 2021, 49(6): 100–106.

[4] 彭义豪, 胡梦依, 胡家声. 一种基于小波变换的光谱去噪算法在汽油掺杂识别中的应用[J]. 现代仪器仪表, 2023, 39(3): 74–79.

[5] Guo Yuting, Xie Jianlong, Zhang R. Application of FTIR and chemometric models for fuel adulteration detection[J]. Fuel, 2022, 322: 124034.

[6] Alam M, Singh P, Verma A, et al. Spectroscopic approach for petroleum adulteration analysis using multivariate calibration[J]. Journal ofMolecular Structure, 2023, 1272: 134114.