一種基于相似判別的汽油辛烷值檢測方法
【技術領域】
[0001] 本發(fā)明涉及煉油企業(yè)汽油檢測，尤其是汽油性質(zhì)的快速預測，具體是一種基于相 似判別的汽油辛烷值檢測方法。
【背景技術】
[0002] 辛烷值（RON)是汽油關鍵質(zhì)量指標之一，汽油辛烷值直接表征汽油的抗爆性能， 根據(jù)辛烷值大小劃分成不同的汽油牌號。對汽油辛烷值的測定已有相應的標準方法，但是 分析周期長、分析成本高，難以滿足過程控制中對快速性的要求。
[0003] 近紅外光譜（NIR)分析技術是一種間接快速的無損分析技術，根據(jù)汽油樣品的近 紅外光譜和標準方法測定的辛烷值，采用化學計量學方法，建立分析模型，然后通過未知樣 品的光譜曲線和分析模型確立的函數(shù)關系，快速預測未知樣品的辛烷值。
[0004] 目前建立分析模型的過程是，從同一類油種中選擇數(shù)十個或上百個近期的樣本建 立模型，用來預測未來某段時間的汽油性質(zhì)。但是在實際生產(chǎn)中由于生產(chǎn)裝置工藝條件的 改變，往往會導致油種辛烷值在短時間內(nèi)波動較大，因此建立的模型需要有較高的穩(wěn)健性， 即建模樣本的辛烷值范圍要廣，盡量囊括所有的情況，才能使預測樣本的覆蓋面廣。然而， 模型的穩(wěn)健性越高，其預測精度就會隨之下降。這種矛盾的存在，使得建模陷入顧此失彼的 局面。

【發(fā)明內(nèi)容】

[0005] 為解決現(xiàn)有技術存在的問題，本發(fā)明提出了一種基于相似判別的汽油辛烷值檢測 方法，該方法是指在光譜數(shù)據(jù)庫中找出與待測樣本光譜距離最近的樣本建立分析模型，再 對待測樣本預測，具體包括以下步驟：
[0006] (1)對待測樣本進行近紅外掃描，獲得其光譜；
[0007] (2)對待測樣本和光譜庫中已知樣本光譜進行常規(guī)預處理；
[0008] (3)采用主成分分析方法計算預處理后的光譜得分矩陣；
[0009] (4)根據(jù)得分矩陣中每個得分向量的貢獻值計算出累積貢獻率，獲取累積貢獻率 達85%~95%的得分向量組成新的得分矩陣；
[0010] (5)利用步驟（4)所得的新的得分矩陣計算待測樣本與數(shù)據(jù)庫樣本的光譜距離；
[0011] (6)選出光譜距離小于等于閾值的相似樣本作為校正樣本，建立偏最小二乘模 型；
[0012] (7)通過建好的偏最小二乘模型對待測樣本進行預測。
[0013] 優(yōu)選的，步驟（5)中利用步驟（4)所得的新的得分矩陣計算待測樣本與數(shù)據(jù)庫樣 本的光譜距離，計算式如下所示：
[0014]
[0015] 其中，dj是指待測樣本與光譜數(shù)據(jù)庫中第j個樣本間的光譜距離，Ti為待測樣本 第i個得分向量的光譜得分，1彡i彡f，f為得分向量的長度，I為光譜數(shù)據(jù)庫中第j個 樣本的第i個得分向量的光譜得分，公式中乘以a是為了更方便的觀察數(shù)據(jù)大小。
[0016] 優(yōu)選的，所述a= 1000。
[0017] 優(yōu)選的，步驟（6)中選出光譜距離小于等于閾值的相似樣本作為校正樣本，所述 閾值取20,當光譜距離小于等于閾值的相似樣本小于最少建模數(shù)量25時，按照光譜距離由 小到大順序選前25個相似光譜作為校正樣本。
[0018] 有益效果：
[0019] 本發(fā)明提出了一種基于相似判別的汽油辛烷值檢測方法，在對光譜進行傳統(tǒng)預處 理后，通過主成分分析提取出承載85% -95%光譜有用信息的得分矩陣，計算光譜距離并 以光譜距離小于等于20作為挑選相似光譜的依據(jù)，通過相似光譜建立偏最小二乘模型，這 種方法有效避免了傳統(tǒng)快速檢測中為照顧模型的穩(wěn)健性而犧牲預測精度的問題。特別是在 工況變化劇烈，辛烷值波動較大時，能有效提高模型預測精度，為煉廠準確測量汽油性質(zhì)， 及時調(diào)整操作參數(shù)提供重要保障。
【附圖說明】
[0020] 圖1是基于相似判別的汽油辛烷值檢測方法的流程步驟。
【具體實施方式】
[0021] 下面結(jié)合附圖和實施案例對本發(fā)明作進一步的說明。
[0022] 原理分析：
[0023] 一般儀器記錄的樣品近紅外光譜數(shù)據(jù)中包含有一系列噪聲和干擾信號，因此適當 的預處理為較為準確地選擇相似樣本奠定基礎，可以采用常規(guī)的基線校正和矢量歸一化等 手段。將待測光譜和光譜數(shù)據(jù)庫中的光譜進行常規(guī)預處理后，通過主成分分析從吸光度矩 陣中得到得分矩陣。得分矩陣實際上是吸光度矩陣在其對應載荷矩陣方向上的投影，得分 矩陣中得分向量攜帶的信息越多其貢獻率也越大，在得分矩陣中排列越靠前，一般選取累 積貢獻率達85% -95%對應的得分向量組成新的得分矩陣計算光譜間的距離，這樣有效的 提取了有用的信息同時也消除掉了噪音干擾。
[0024] 本專利以S_Zorb汽油、己烷輕石、92#、95#和97 #調(diào)合油為例，按照上述過程計算 92#調(diào)合油分別與這5類油間的光譜距離，具體見表1。
[0025] 表1 92#調(diào)合油與S_Zorb汽油、己烷輕石、92 #、95#和97 #調(diào)合油間的光譜距離
[0026]
[0027] 由表1可知，92#-1~92#-9與S_Zorb汽油、己烷輕石、95#和97 #調(diào)合油由于其辛 烷值相差較大，其光譜距離也較大，一般大于20 ;92#-1~92#-9調(diào)合油之間的辛烷值相近， 其光譜距離也小，一般都小于20 ;92#-10調(diào)合油與92#-1~92#-9間的光譜距離比較大，這 也是因為其辛烷值差距較大造成的。
[0028] 可見，辛烷值越接近，其光譜距離也越小，因此可以利用光譜距離來選取相似樣 本，進而依據(jù)選擇的相似樣本建立預測模型。這將在保證模型穩(wěn)健性的同時，有效提升模型 的預測精度。
[0029]當油種間辛烷值差異較大時其光譜距離大于20,因此將相似光譜與非相似光譜的 臨界點設為20,即當光譜距離小于等于20時可以看作是相似光譜。當光譜距離小于等于 20的相似樣本個數(shù)小于25個時，按照光譜距離由小到大順序獲取其前25個樣本作為校正 樣本來建模，其中25為最小建模數(shù)量。
[0030] 現(xiàn)以某煉化企業(yè)汽油調(diào)合業(yè)務的實際實施情況并結(jié)合一具體算例，給出詳細的計 算過程和具體的操作流程。該企業(yè)目前參與調(diào)合的組分油中有S_Zrob汽油、己烷輕石、重 整抽余油、MTBE等，調(diào)合油有國V92#、95#和國IV93 #、97#。在調(diào)合過程中S_Zrob汽油、己烷 輕石、重整抽余油等組分油由于生產(chǎn)裝置不穩(wěn)定，導致其辛烷值產(chǎn)生較大的波動，使得調(diào)合 油的辛烷值也隨之波動也較大，甚至導致調(diào)合不合格的情況出現(xiàn)，因此能夠及時預測組分 油和調(diào)合油的辛烷值在調(diào)合過程中顯得尤為重要。下面以編號為92 #-69的一已知的92#調(diào) 合油作為未知樣本介紹具體過程，表2為92#調(diào)合油所有樣本的編號及其對應的辛烷值。
[0031] 表2 92#調(diào)合油樣本編號及對應辛烷值
[0032]
[0033] 由表2可知，92#調(diào)合油中69個樣本的辛烷值波動范圍為91. 6~95. 7,其辛烷值 波動范圍較大，采用單一的靜態(tài)模型來預測未來一段時間的樣本顯然存在預測精度不高的 問題。對所有樣本的光譜進行常規(guī)預處理后，獲取包含92 #-69在內(nèi)的69個光譜的吸光度 組成的矩陣，采用MATLAB自帶的函數(shù)princomp函數(shù)計算其得分矩陣。根據(jù)得分矩陣中每 個得分向量的貢獻值計算出累積貢獻率，如表3所示。
[0034] 表3得分向量的貢獻、貢獻率及累積貢獻率
[0035]

[0036] 表3中只列出了其前10個得分向量的累積貢獻率，由表3可知得分矩陣中的前兩 個得分向量的累積貢獻率已達到91%，介于85%~95%之間，因此選取其前兩個得分向量 組成新的得分矩陣，根據(jù)新得分矩陣計算92 #-69與其他68個校正樣本的光譜距離，如表4 所示。
[0037] 表4 92#_69與其他68個校正樣本的光譜距離
[0038]

[0039] 由表4可知，與92#-69光譜距離小于等于20的樣本共19個，不滿足最小建模數(shù) 量至少25個的要求，因此按照光譜距離由小到大的順序找出前25個相似樣本作為校正樣 本，添加至模型建立偏最小二乘模型，其模型決定系數(shù)為94. 14%，模型標準差為0. 205,采 用此模型對92#-69進行預測，其預測結(jié)果為92. 06,與其化驗值92. 2的偏差為-0. 14。
[0040] 為分析比較，若采用92#-1~92#-25共25個樣本建立模型，模型決定系數(shù)為 93. 28 %，模型標準差為0. 260,采用此模型對92#-69進行預測，其預測結(jié)果為92. 79,與其 化驗值92. 2的偏差為0. 57。顯然，預測精度不及本專利提出的方法。
[0041] 可見，采用相似光譜建模，能有效提高預測精度。
【主權項】
1. 一種基于相似判別的汽油辛烷值檢測方法，其特征在于利用得分矩陣計算光譜距離 進行相似判別，包括以下過程： (1) 對待測樣本進行近紅外掃描，獲得其光譜； (2) 對待測樣本和光譜庫中已知樣本光譜進行常規(guī)預處理； (3) 采用主成分分析方法計算預處理后的光譜得分矩陣； (4) 根據(jù)得分矩陣中每個得分向量的貢獻值計算出累積貢獻率，獲取累積貢獻率達 85 %~95 %的得分向量組成新的得分矩陣； (5) 利用步驟（4)所得的新的得分矩陣計算待測樣本與數(shù)據(jù)庫樣本的光譜距離； (6) 選出光譜距離小于等于閾值的相似樣本作為校正樣本，建立偏最小二乘模型； (7) 通過建好的偏最小二乘模型對待測樣本進行預測。2. 根據(jù)權利要求1所述的一種基于相似判別的汽油辛烷值檢測方法，其特征在于步驟 (5) 中利用步驟（4)所得的新的得分矩陣計算待測樣本與數(shù)據(jù)庫樣本的光譜距離，計算式 如下所示：其中，4是指待測樣本與光譜數(shù)據(jù)庫中第j個樣本間的光譜距離，T,為待測樣本第i個 得分向量的光譜得分，1 <i<f，f為得分向量的長度，Tp為光譜數(shù)據(jù)庫中第j個樣本的 第i個得分向量的光譜得分，公式中乘以a是為了更方便的觀察數(shù)據(jù)大小。3. 根據(jù)權利要求2所述的一種基于相似判別的汽油辛烷值檢測方法，其特征在于所述 a= 1000〇4. 根據(jù)權利要求2所述的一種基于相似判別的汽油辛烷值檢測方法，其特征在于步驟 (6) 中選出光譜距離小于等于閾值的相似樣本作為校正樣本，所述閾值取20,當光譜距離 小于等于閾值的相似樣本小于最少建模數(shù)量25時，按照光譜距離由小到大順序選前25個 相似光譜作為校正樣本。
【專利摘要】本發(fā)明提出了一種基于相似判別的汽油辛烷值檢測方法，在對光譜進行預處理后，采用主成分分析方法計算吸光度矩陣的得分矩陣，利用累積貢獻率達85％-95％對應的得分向量組成新的得分矩陣，基于新得分矩陣采用歐式距離公式計算待測樣本與光譜數(shù)據(jù)庫中樣本的光譜距離，并將其作為查找相似樣本的判別條件，選出光譜距離小于閾值的相似樣本作為校正樣本建立偏最小二乘模型，并對待測樣本進行預測。這種方法有效避免了傳統(tǒng)快速檢測中為照顧模型的穩(wěn)健性而犧牲預測精度的問題，特別是在工況變化劇烈，辛烷值波動較大時，能有效提高模型預測精度，為煉廠準確測量汽油性質(zhì)，及時調(diào)整操作參數(shù)提供重要保障。
【IPC分類】G01N21/359
【公開號】CN104990893
【申請?zhí)枴緾N201510355734
【發(fā)明人】陳夕松, 胡云云, 杜瞇, 費樹岷
【申請人】南京富島信息工程有限公司
【公開日】2015年10月21日
【申請日】2015年6月24日