一种基于近红外光谱检测的原油属性快速预测方法技术

本发明专利技术涉及构建用于原油属性预测的近红外模型的方法和基于近红外光谱检测的原油属性快速预测方法。本发明专利技术方法包括：检测不同种类的原油样品的属性；测定所述原油样品的近红外光谱图；对所获得的近红外光谱图中的12500～4000cm

A fast prediction method for crude oil properties based on near infrared spectroscopy

The present invention relates to a method for constructing a near infrared model for predicting the property of crude oil and a method for fast prediction of crude properties based on near infrared spectrum detection. The method of the invention includes detecting the properties of different kinds of crude oil samples, determining the near infrared spectra of the crude oil samples, and 12500 to 4000cm of the near infrared spectra obtained.

【技术实现步骤摘要】
一种基于近红外光谱检测的原油属性快速预测方法
本专利技术涉及一种基于近红外光谱检测的原油属性实时预测方法。
技术介绍
随着现代工业的迅速发展，石油作为国家战略物资在国民经济中发挥着至关重要的作用。我国的石油资源比较匮乏，根据《BP世界能源统计年鉴2016》报道，2015年，中国石油净进口量增长77万桶/日，中国再次成为全球最大的石油进口国，进口原油的种类非常多，其中有不少是所谓的“机会油”，它们或者比重很大，或者含酸很高，或者杂质很多。有时，油轮抵达码头后才知道是什么油。这就需要相关人员快速对这些原油作出评价，而且原油定价要根据原油评价的结果而定，如果评价耗时过长，就不能及时按质定价，有可能造成经济损失，因此原油快速评价越来越显示出其重要性。另一方面，目前输入炼厂的原油变化频繁，常常三两天就会变一次。极端时，每天进厂的原油都不一样。频繁变化会给后续加工造成很多困难，尤其是蒸馏塔。如果能使原油评价的速度加快，例如每10分钟进行一次评价，就可以采用自动调配的方法，尽可能地把不同种类的原油适当调合，以减少进入蒸馏塔的原油性质的过大波动。此外，随着世界范围原油的不断重质化，我国炼厂加工的重质本文档来自技高网...

【技术保护点】
一种构建用于原油属性预测的近红外模型的方法，其特征在于，所述方法包括：(1)检测不同种类的原油样品的属性；(2)测定所述原油样品的近红外光谱图；(3)对步骤(2)获得的近红外光谱图中的12500～4000cm

【技术特征摘要】
1.一种构建用于原油属性预测的近红外模型的方法，其特征在于，所述方法包括：(1)检测不同种类的原油样品的属性；(2)测定所述原油样品的近红外光谱图；(3)对步骤(2)获得的近红外光谱图中的12500～4000cm-1谱区的吸光度进行一阶微分处理与多元散射校正；(4)对步骤(3)获得的光谱进行主成分分析，保存每个样本的主成分得分，并且计算每一个原油样本的T2值，并且与阈值进行对比，剔除大于阈值的样本，建立初始训练集；(5)以步骤(4)获得的初始训练集中的主成分得分作为特征变量，利用样本间的欧式距离来选择样本，确定最终训练集；(6)利用移动窗口偏最小二乘法选择一个或多个波数段，用于建立模型；和(7)利用回归方法建立原油属性与近红外光谱之间的近红外模型。2.如权利要求1所述的方法，其特征在于，所述属性选自：密度、硫含量、氮含量、酸值、残炭和实沸点蒸馏数据中的一个或多个；步骤(1)中原油样本的数量为100～600份；采用离线或在线近红外分析仪采集原油样品的近红外光谱数据。3.如权利要求1或2所述的方法，其特征在于，步骤(2)所述的测定中，光谱扫描范围为4000-12500cm-1，分辨率为2-32cm-1，重复扫描10-400次，取平均近红外光谱值。4.如权利要求1－3中任一项所述的方法，其特征在于，步骤(3)所述的一阶微分处理与多元散射校正包括：(a)计算每一样品的平均光谱和(b)对一光谱x与进行线性回归，用最小二乘法求取b0和b；其中，处理后的光谱为xMSC＝(x-b0)/b。5.如权利要求1－3中任一项所述的方法，其特征在于，步骤(4)中，如下计算T2值：上式中，t为原始光谱矩阵X经过主成分分析降维后的变量，σ为t的标准差，Iter为提取的主成分个数，iter指第iter个主成分，j指第j个样本；步骤(4)中，如下计算所述阈值：计算样本库中的所有光谱样本的T2值，并以99％的置信区间为阈值上限，根据F分布表由下式计算得到所述阈值，其中，n为样本数，F0.001指F检验，置信度0.01：6.如权利要求1－5中任一项所述的方法，其特征在于，步骤(5)包括：将每个样本的主成分得分作为特征变量，计算所有样本两两之间的欧式距离，选择距离最远的两个样本进入训练集，再计算剩余样本与所选择的这两个样本之间的距离，选取其最小值建立一个数据集，再从该数据集中选取最大值所对应的样本加入到训练集中，重复上述过程，直到选中z个训练样本，建立最终的训练集；优选地，步骤(5)包括：a)按下式计算所有样本两两之间的欧式距离dij，选择距离最远的两个样本x1和x2进入训练集：式中，dij：第i个样本和第j个样本之间的欧式距离；m：为主成分数；xi：为第i个样本；和xj：为第j个样本；b)按上式，计算剩余n-2个样本与所选择的两个样本x1和x2之间的距离，并各取最小值min(di，x1，di，x2)，然后选取其中最大值max(min(di，x1，di，x2))对应的一个样本x3进入训练集；c)计算剩余n-3个样本与之前所选择的三个样本x1，x2和x3之间的距离，并各取最小值min(di，x1，di，x2，di，x3)，然后选取其中最大值max(min(di，x1，di，x2，di，x3))对应的一个样本x4进入训练集；和d)重复上述过程，直至选中z个训练样本。7.如权利要求1－6中任一项所述的方法，其特征在于，步骤(6)包括，将光谱窗口从整个光谱的第一个波数点开始向后移动直至最后，落在窗口内的波数点为i到(i+w-1)，其中i为窗口的起始波数点，w为窗口宽度，由此从整个光谱中依次选择出(l-w+1)个包含w个波数点的子波数区；对于每一个子波数区，分别建立子PLS回归模型，并利用交互效验计算包含不同PLS主成分数的子PLS回归模型的交叉验证均方根误差RMSECV；然后把所得到的RMSECV值与对应窗口的起始位置做图，从图中选择出含有用信息的一个或几个子波数区，用以建立最终的模型；优选地，步骤(6)包括在4000-12500cm-1的波数范围内选择一个或多个波数段，优选在4000-8000cm-1的波数范围内；优选地，预测误差RMSECV的计算公式如下：式中：z是训练集样本数；yi是第i个样品测得的实际值；是第i个样品的预测值。8.如权利要求1－7中任一项所述的方法，其特征在于，步骤(7)包括利用偏最小二乘法建立原油属性与近红外光谱之间的近红外模型；优选地，步骤(7)所建立的近红外模型为：y＝a0+a1x1+a2x2+…+anxn其中：y为预测属性，ai为模型参数，xi为光谱第...

【专利技术属性】
技术研发人员：钱锋，隆建，杨明磊，杜文莉，钟伟民，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海,31