本發明涉及化學與材料科學，具體涉及一種基于差譜提取的再生劑老化失效行為識別方法及系統。

背景技術：

1、隨著道路基礎設施進入大規模養護周期，瀝青再生技術成為延長路面壽命、促進資源循環利用的關鍵手段。生物油再生劑因其綠色環保、組分活性高的特點，在老化瀝青性能恢復中展現出顯著優勢。然而，再生劑在長期服役過程中受熱、氧、紫外線環境因素作用，其化學結構易發生氧化、裂解反應，導致性能逐漸衰減，直接影響再生瀝青的耐久性。因此，精準識別再生劑的老化失效行為，揭示其微觀結構與宏觀性能的關聯機制，對提升再生劑的設計與應用水平具有重要意義。

2、目前，現有技術中主要通過監測再生瀝青的宏觀性能指標，如針入度、軟化點，間接評估再生劑的老化狀態，但該方法無法區分瀝青基質與再生劑各自的老化貢獻，尤其在3%低摻量條件下，再生劑的微弱信號易被基質干擾掩蓋，導致識別精度不足。此外，現有紅外光譜分析難以從復合體系中單獨提取再生劑的特征官能團信息，且缺乏對差譜數據的標準化處理與動態增強方法，使得微量組分的特征峰提取困難，無法建立官能團演變與性能衰減的定量關聯模型。這些缺陷限制了再生劑老化失效機制的深入研究與精準預測。

3、針對上述問題，本發明提出一種基于差譜提取的再生劑老化失效行為識別方法，通過結合自適應形態學-分位數回歸基線校正、峰值熵加權歸一化及差譜數據增強算法，實現了低摻量再生劑特征信號的高靈敏度提取；進一步構建高斯-洛倫茲混合分峰模型與老化響應指數計算模型，將微觀官能團變化與宏觀性能指標動態關聯，解決了現有方法無法精準追蹤再生劑老化過程的難題。該方法不僅為再生劑的失效判定提供了科學依據，還為不同再生劑的性能優化與篩選建立了普適性技術框架。

技術實現思路

1、針對現有技術中的缺陷，本發明提供了一種基于差譜提取的再生劑老化失效行為識別方法及系統。

2、第一方面，本發明提供的一種基于差譜提取的再生劑老化失效行為識別方法，包括如下步驟：獲取再生瀝青樣品與同階段老化瀝青樣品的紅外光譜數據；對所述紅外光譜數據進行預處理，獲得預處理結果，所述預處理包括基線校正和歸一化處理；根據所述預處理結果，以老化瀝青光譜為背景譜，構建再生劑的特征差譜庫；基于所述特征差譜庫，提取再生劑中典型官能團的特征峰面積變化量；通過建立所述特征峰面積變化量和宏觀性能指標的關聯模型，獲得再生劑老化失效行為的識別結果。本發明通過獲取再生瀝青與同階段老化瀝青的紅外光譜數據并進行基線校正及歸一化處理，實現了光譜數據的高質量標準化處理，為后續差譜分析提供了可靠基礎；通過以老化瀝青光譜為背景譜構建再生劑的特征差譜庫，有效分離了再生劑與老化瀝青的官能團信號差異，顯著提升了再生劑特征識別的精準度與靈敏度；通過提取再生劑中典型官能團的特征峰面積變化量，實現了從分子層面動態追蹤再生劑化學結構演變過程，揭示了其老化失效的微觀機制；通過建立特征峰面積變化量與宏觀性能指標的關聯模型，將微觀官能團變化與宏觀性能衰減定量關聯，為再生劑老化失效行為的識別與預測提供了重要方法體系。

3、可選地，所述對所述紅外光譜數據進行預處理，獲得預處理結果包括：利用基于自適應形態學-分位數回歸的基線校正方法，對所述紅外光譜數據進行基線校正處理，獲得基線校正處理后的紅外光譜數據；利用峰值熵加權方法，對所述基線校正處理后的紅外光譜數據進行歸一化處理，獲得歸一化處理后的紅外光譜數據，所述歸一化處理包括利用改進的伯格熵準則定位特征峰；利用改進的自適應迭代重加權懲罰最小二乘法，對所述歸一化處理后的紅外光譜數據進行基線二次校正處理，獲得基線二次校正處理后的紅外光譜數據。本發明通過采用基于自適應形態學-分位數回歸的基線校正方法，有效抑制了紅外光譜中的基線漂移和背景干擾，顯著提升了光譜數據的信噪比和特征峰識別準確性；通過引入峰值熵加權方法進行歸一化處理，并基于改進的伯格熵準則精準定位特征峰，實現了光譜數據的自適應加權歸一化，避免了現有歸一化方法對弱峰的抑制問題，確保了關鍵官能團信息的完整保留；通過改進的自適應迭代重加權懲罰最小二乘法進行基線二次校正處理，動態調整權重函數和懲罰參數，解決了復雜光譜基線波動問題，進一步提高了光譜數據的可比性和分析可靠性。

4、可選地，所述根據所述預處理結果，以老化瀝青光譜為背景譜，構建再生劑的特征差譜庫包括：根據基線二次校正處理后的紅外光譜數據，以老化瀝青光譜為背景譜，建立差譜強度計算模型；根據所述歸一化差譜強度計算模型，獲得差譜數據；基于所述差譜數據，構建差譜數據增強算法模型；通過所述差譜數據增強算法模型，獲得信號增強的差譜數據；利用所述信號增強的差譜數據，構建指紋匹配度評分模型；結合所述指紋匹配度評分模型，構建再生劑的特征差譜庫。本發明通過以老化瀝青光譜為背景譜建立差譜強度計算模型，有效分離了再生劑與老化瀝青的疊加光譜信號，精準提取了再生劑的特征官能團響應，為后續分析提供了高純度的差譜數據；通過構建差譜數據增強算法模型，采用信號增強技術放大了再生劑的微弱特征峰，顯著提升了低含量官能團的檢測靈敏度；通過引入指紋匹配度評分模型，實現了差譜數據的智能化篩選與分類，結合特征差譜庫的構建，建立了再生劑化學指紋的快速比對體系，為不同老化階段再生劑的失效行為提供了可量化的判別依據。

5、可選地，所述差譜強度計算模型滿足如下表達式：

6、

7、其中，為差譜強度，為再生劑在波數處的光譜強度，為老化瀝青在波數處的光譜強度，為動態背景扣除因子，為頻域權重函數；所述差譜數據增強算法模型滿足如下表達式：

8、

9、其中，為增強后的差譜信號，為差譜強度，為卷積運算符，為再生劑在波數處的光譜強度，為老化瀝青在波數處的光譜強度，為目標特征峰的中心波數，為高斯函數的標準差；所述指紋匹配度評分模型滿足如下表達式：

10、

11、其中，為再生劑匹配度綜合評分，為增強后的差譜信號，為參考譜庫中標準再生劑的光譜特征向量，為差譜與參考譜的共有特征峰面積，為差譜與參考譜的總體特征峰面積，、為積分區間。本發明通過構建差譜強度計算模型，實現了再生劑與老化瀝青光譜的精準解耦，有效消除了基質干擾并突出了再生劑特征峰，顯著提升了差譜分析的準確性；通過設計包含導數運算和高斯增強的差譜數據增強算法模型，巧妙地結合了微分變化率檢測與局部信號聚焦技術，大幅強化了弱特征峰的識別能力，解決了現有方法對微量組分響應不足的瓶頸問題；通過建立融合譜圖卷積積分與集合相似度度量的指紋匹配度評分模型，實現了增強差譜與標準譜庫的多維度智能比對，為再生劑老化狀態的定量評估提供了重要的數學判據。

12、可選地，所述基于所述特征差譜庫，提取再生劑中典型官能團的特征峰面積變化量包括：基于所述特征差譜庫，建立高斯-洛倫茲混合分峰模型；利用所述高斯-洛倫茲混合分峰模型，擬合再生劑中典型官能團的特征峰，獲得擬合結果；依據所述擬合結果，建立特征峰面積變化量計算模型；通過所述特征峰面積變化量計算模型，提取再生劑中典型官能團的特征峰面積變化量。本發明通過建立高斯-洛倫茲混合分峰模型對特征差譜進行解析，顯著提升了特征峰分離精度和定量可靠性；通過采用混合峰型擬合再生劑中典型官能團特征峰，實現了對復雜譜形的精準解析，為后續定量分析提供了高質量的擬合結果；通過構建特征峰面積變化量計算模型，將分峰擬合結果轉化為可量化的官能團演變指標，建立了從分子結構變化到老化程度評估的橋梁。

13、可選地，所述高斯-洛倫茲混合分峰模型滿足如下關系式：

14、

15、其中，為再生劑特征差譜的數學表達，為動態基線，為高斯峰函數的個數，為峰高，為峰中心波數，為高斯半峰寬，為洛倫茲半峰寬，為混合系數，為波數；所述特征峰面積變化量計算模型滿足如下關系式：

16、

17、其中，為特征峰面積變化量，、為再生劑與老化瀝青在第個特征峰的擬合面積, ?為標準再生劑的對應峰面積參考值，為波數間隔的權重因子，為波數間隔。本發明通過構建高斯-洛倫茲混合分峰模型并引入動態基線校正，實現了對再生劑特征差譜中重疊峰和不對稱峰的精準解析，顯著提高了復雜官能團特征峰的分離度和擬合精度；通過設計混合系數調節高斯與洛倫茲函數的貢獻比例，解決了單一峰型函數適應性不足的問題，為不同形態特征峰提供了靈活的數學表達方式；通過建立特征峰面積變化量計算模型并引入權重因子和波數間隔校正，實現了對再生劑官能團變化的標準化定量表征，有效消除了儀器波動和測試條件差異帶來的系統誤差。

18、可選地，所述通過建立所述特征峰面積變化量和宏觀性能指標的關聯模型，獲得再生劑老化失效行為的識別結果包括：通過所述特征峰面積變化量，結合宏觀性能指標，建立老化響應指數計算模型，所述宏觀性能指標包括針入度、軟化點、復數剪切模量和蠕變勁度；所述老化響應指數計算模型滿足如下關系式：

19、

20、其中，為老化響應指數，為特征峰面積變化量，為初始峰面積，、、、分別表示初始針入度、軟化點、復數剪切模量、蠕變勁度，、、、分別表示老化后初始針入度、軟化點、復數剪切模量、蠕變勁度的實測性能值，、、、、為權重系數；根據所述老化響應指數計算模型，獲得老化響應指數；基于所述老化響應指數，獲得再生劑老化失效行為的識別結果。本發明通過建立融合微觀特征峰面積變化量與宏觀性能指標的老化響應指數計算模型，實現了分子層面官能團演變與宏觀路用性能的跨尺度關聯分析，為再生劑老化失效行為提供了多維度的綜合評價體系；通過設計包含權重系數調節的復合計算模型，有效整合了紅外光譜特征參數與關鍵性能指標的變化規律；通過構建老化響應指數計算模型，將數據轉化為統一的評價指標，實現了再生劑老化狀態的快速診斷。

21、可選地，所述基于所述老化響應指數，獲得再生劑老化失效行為的識別結果包括：基于所述老化響應指數，建立耦合相關系數計算模型；通過所述耦合相關系數計算模型，獲得耦合相關系數；依據所述耦合相關系數，評估再生劑老化與性能衰減的關聯性，獲得性能變化趨勢；通過所述老化響應指數和所述性能變化趨勢，建立再生劑失效判定模型；根據所述再生劑失效判定模型，獲得再生劑老化失效行為的識別結果。本發明通過建立耦合相關系數計算模型，實現了老化響應指數與性能衰減趨勢的定量關聯分析，揭示了再生劑化學結構與宏觀性能的內在聯系機制；通過采用多參數耦合分析方法，將老化響應指數與性能變化趨勢動態關聯，解決了現有方法難以準確評估再生劑老化階段的瓶頸問題；通過構建再生劑失效判定模型，融合了化學老化指標與工程性能閾值，實現了從分子演變到功能失效的精準判斷。

22、可選地，所述耦合相關系數計算模型滿足如下關系式：

23、

24、其中，為耦合相關系數，為第個樣本的老化響應指數，為老化響應指數的樣本均值，為第個樣本的性能衰減指標，為性能衰減指標的樣本均值，為樣本數量；所述再生劑失效判定模型滿足如下表達式：

25、

26、其中，為再生劑的狀態，為臨界失效閾值，為性能保持率，為初始性能基準，為材料退化系數，為預警緩沖區間，為時間。本發明通過建立耦合相關系數計算模型，采用協方差與標準差處理方法，實現了老化響應指數與性能衰減指標的動態關聯度量化，為揭示再生劑化學老化與性能衰退的同步演變規律提供了數學工具；通過構建包含臨界失效閾值、性能保持率和退化系數的三維失效判定模型，將靜態閾值判據與動態變化率分析相結合，實現了再生劑失效狀態的多層次智能識別；通過設置預警緩沖區間和分級判定條件，建立了從安全狀態到失效狀態的漸進式預警機制，顯著提升了再生劑失效狀態評估的前瞻性和可靠性。

27、第二方面，本發明提供的一種基于差譜提取的再生劑老化失效行為識別系統，該系統包括輸入設備、處理器、輸出設備和存儲器，所述輸入設備、所述處理器、所述輸出設備和所述存儲器相互連接，其中，所述存儲器用于存儲計算機程序，所述計算機程序包括程序指令，所述處理器被配置用于調用所述程序指令，所述系統使用所述的一種基于差譜提取的再生劑老化失效行為識別方法。本發明所提供的系統集成度高，各個組件之間信息傳遞順暢，通過集成紅外光譜差譜提取與增強算法，實現了再生劑特征官能團信號的高靈敏度檢測，克服了現有方法對微量組分識別不足的缺陷，顯著提升了老化初期微弱變化的捕捉能力；通過集成高斯-洛倫茲混合分峰模型與動態基線校正技術，解決了復雜譜峰重疊解析難題，為再生劑分子結構演變提供了精準的定量分析手段；通過將特征峰面積變化量與宏觀性能指標耦合，建立了跨尺度的老化響應指數模型，實現了從化學結構變化到工程性能衰退的全鏈條關聯分析；通過開發基于動態閾值與變化率的失效判定算法，建立了包含安全、預警和失效狀態的分級識別體系，大幅提升了再生劑老化狀態評估的準確性和前瞻性。