基于拉曼光谱和多尺度卷积神经网络的汽油掺假分析

《ACS Omega》：Gasoline Adulteration Analysis Based on Raman Spectroscopy and a Multi-Scale Convolutional Neural Network

　　

汽油的质量与安全对于能源分配和市场法规至关重要。因此，基于光谱学结合智能算法的快速、无损检测方法受到了广泛关注。然而，现有方法往往将掺假物识别与浓度预测相分离，限制了其在复杂掺假场景中的应用。为解决上述局限，本研究开发了一种基于拉曼光谱的注意力多尺度卷积神经网络，称为多尺度注意力融合卷积神经网络（Multi-Scale Attention Fusion Convolutional Neural Network, MSAF-CNN），在统一框架内联合执行掺假物分类与浓度回归。研究人员构建了四种掺假体系——汽油分别与甲醇、乙醇、煤油和柴油混合，并在5%至30%的掺假比例范围内采集了1200条拉曼光谱。通过消融实验及与多种骨干网络的比较，系统评估了该模型的性能。此外，研究人员还将所提模型与基于ResNet18和LSTM架构的多任务深度学习模型进行了对比。结果表明，所提模型在分类和回归任务中均表现出更稳定的性能。在消融研究中，移除特征金字塔网络（Feature Pyramid Network, FPN）模块导致分类准确率下降1.25%，均方根误差（root mean square error, RMSE）增加29.21%，凸显了该模块在多尺度特征表示中的关键作用。研究人员还评估了传统单任务模型以作比较：将支持向量机（Support Vector Machine, SVM）、K-最近邻（K-Nearest Neighbors, KNN）和随机森林（Random Forest, RF）应用于分类任务，而使用支持向量回归（Support Vector Regression, SVR）和偏最小二乘回归（Partial Least Squares Regression, PLSR）进行回归。即使在最优变量重要性投影（variable importance in projection, VIP）波长选择下，表现最佳的SVR模型的R²仅为0.9785。相比之下，所提模型在分类任务中实现了99.92%的准确率，回归任务R²超过0.9886，展示了相较于传统化学计量学方法和单任务学习方法更优越的定性与定量检测能力。

基于拉曼光谱与多尺度卷积神经网络的汽油掺假分析研究解读

**一、研究背景与科学问题**

汽油掺假是一个持续存在的全球性问题，主要涉及将煤油、乙醇等低成本溶剂掺入高品质汽油以获取经济利益。此类掺假不仅降低汽油的抗爆性能和燃烧效率，还会在长期使用中加速润滑油降解和机械磨损，缩短内燃机寿命；同时，掺假燃料燃烧会产生大量有毒污染物，对大气环境和公众健康构成显著风险。随着燃料供应链和尾气排放法规日益严格，开发能够快速识别掺假并进行定量评估的分析技术至关重要。

现有检测方法包括气相色谱及其多维变体、傅里叶变换红外光谱、荧光激发-发射矩阵光谱等，虽具备一定的分析能力，但普遍存在仪器成本高、操作或校准流程复杂、不适宜快速现场应用等局限。更为关键的是，现有方法大多仅针对单一掺假物定量，或将定性与定量分析分离，难以应对多种掺假物以不同浓度混合的复杂实际场景。拉曼光谱作为一种基于分子振动的指纹技术，具有无损分析、样品制备简单、对复杂有机混合物灵敏度高等优点，已被证明是燃油质量评估和掺假检测的有力工具。然而，现有基于拉曼光谱的研究存在三方面不足：从问题建模角度看，多数方法将掺假物分类与浓度预测视为独立任务而非统一问题；从光谱建模角度看，单尺度或单任务模型难以同时捕捉局部峰变化与全局组成趋势；从化学解释角度看，模型输出与具有化学意义的谱学特征关联较弱。

**二、研究内容与意义**

针对上述局限，研究人员开发了一种基于注意力的多尺度卷积神经网络——多尺度注意力融合卷积神经网络（MSAF-CNN），将汽油掺假物分类与浓度回归集成于统一框架。研究人员构建了汽油-甲醇（GM）、汽油-乙醇（GE）、汽油-煤油（GK）、汽油-柴油（GD）四种掺假体系，在5%-30%掺假比例范围内共采集1200条拉曼光谱。经五折交叉验证，模型分类准确率达99.92%，回归决定系数（R²）超过0.9886，优于传统化学计量学方法和单任务深度学习方法。该研究从分析化学角度将振动光谱与数据驱动智能建模相结合，提供了一种快速、无损、高度集成的分析策略，论文发表在《ACS Omega》。

**三、主要技术方法**

研究人员从重庆市巴南区两个加油站采集92#、95#、98#汽油及0#柴油样品，甲醇、乙醇和煤油为分析纯（AR）级试剂。采用Optosky ATR3000-785 nm便携式拉曼光谱仪采集光谱（激光功率300 mW，积分时间1 s，范围200-2600 cm^-1），每种比例样本采集50条光谱，共1200条。预处理依次为Savitzky-Golay滤波（窗长15，阶数3）、自适应迭代重加权惩罚最小二乘（airPLS）基线校正和min-max归一化。模型为CBAM注意力增强的一维FPN多尺度特征提取结合双任务输出头，以交叉熵和均方误差加权联合优化；传统对比模型包括SVM、KNN、随机森林、PLSR、SVR及基于ResNet18和长短期记忆网络（LSTM）的多任务模型。

**四、研究结果**

**3.1 拉曼光谱数据分析**：通过比较四种掺假体系在5%-30%范围内的平均光谱，发现不同比例下整体谱形与基础汽油基本一致，主特征峰位置变化极小，表明掺假主要改变现有光谱组分的相对贡献而非引入新振动模式。敏感区域可归属为：600-800 cm^-1环骨架变形、1000 cm^-1附近环呼吸与C-C振动、1052-1090 cm^-1 C-O伸缩（含氧掺假样品中显著增强）、1447 cm^-1附近CH₂/CH₃变形、1550-1700 cm^-1芳环C═C骨架伸缩，表明掺假检测需同时考虑局部特征与全局谱图模式。

**3.2 实验结果与对比分析**：五折交叉验证中，MSAF-CNN平均准确率（ACC）为99.92%，宏平均召回率（MR）和宏平均F1分数（MF1）均为0.9992±0.0018，R²为0.9894±0.0021，均方根误差（RMSE）为0.0087±0.0007。骨干网络对比中，MSAF-CNN各项指标均优于ResNet18_MDTL和LSTM_MDTL。消融实验表明，完整模型性能最佳；移除CBAM或FPN均可导致性能下降，其中移除FPN使分类准确率下降1.25%、RMSE增加29.21%；不含两种模块的基线CNN准确率仅86.74%，证实了注意力机制与多尺度融合的互补贡献。

**3.3 掺假汽油定性识别**：单任务分类对比中，CARS特征选择在SVM和KNN上表现最优（准确率分别为97.33%和97.16%），随机森林在原特征下准确率最高（98.08%）。混淆矩阵显示GE类可分性最强，GD与GK之间误分最多，表明二者成分相似导致光谱特征重叠。MSAF-CNN在完整数据集上达到99.75%的总体准确率，误分类极少。

**3.4 掺假汽油定量识别**：传统方法中，CARS_PLSR表现最差（R²=0.8488），原特征PLSR的R²为0.9314，最优SVR结合VIP特征选择的R²仅为0.9785。MSAF-CNN回归R²=0.9886±0.0046，RMSE=0.009±0.002，残差低且稳定，预测点紧密贴合理想回归线。特征金字塔网络通道数比较实验表明，128通道时模型综合性能最优，过多或过少通道均会导致性能下降。

**3.5 模型可视化分析**：主成分分析（PCA）和t-分布随机邻域嵌入（t-SNE）降维显示，建模前的原始光谱特征存在大量类间重叠、样本离散且边界模糊；经模型提取的高层共享特征形成紧凑、分离清晰的聚类，表明模型有效抑制了无关变异并增强了判别性光谱信息的表征。

**五、讨论与结论**

讨论部分指出，多任务框架通过共享表示约束特征空间保留掺假物特异性信息，回归分支学习到类别内一致且类别间可区分的浓度敏感特征。模型关注的敏感光谱区域与含氧振动及烃类骨架变形模式对应，与乙醇、甲醇、煤油、柴油的组分差异一致，提供了数据驱动建模与分子组成之间的部分可解释关联，优于传统单一任务分析策略。

研究结论：本研究提出MSAF-CNN，将CBAM注意力机制与一维FPN集成于统一多任务框架，联合执行掺假物分类与浓度预测。研究人员构建四种二元混合体系并采集1200条拉曼光谱，模型实现最高99.92%的分类准确率和R²>0.9886的回归性能。与传统分别处理掺假物识别或浓度预测的方法相比，该框架为汽油掺假的同步定性与定量分析提供了一体化解决方案，展现了作为汽油质量评估和掺假分析有效手段的潜力。未来研究将评估混合掺假体系和低于5%掺假浓度的样品，并利用来自不同地区、炼厂、生产批次和季节配方的