一种炼化企业馏分油性质的快速测量方法技术

本发明专利技术公开了一种炼化企业馏分油性质的快速测量方法，该方法面向炼化企业，基于馏分油近红外光谱，经光谱预处理后采用快速傅里叶变换得到系数矩阵并进行人工神经网络训练，再进行馏分油关键性质的批量预测；同时，采用多因变量进行预测并基于两种方法的均方根误差进行融合校正。与常规多因变量偏最小二乘或人工神经网络方法相比，该方法在保证预测精度的同时，提高了预测的稳健性，工程适应能力强，有助于炼化企业实时控制和优化，进而提高企业的经济效益。经济效益。经济效益。

【技术实现步骤摘要】
一种炼化企业馏分油性质的快速测量方法


[0001]本专利技术涉及石油化工领域的馏分油性质检测方面，具体是一种采用多因变量偏最小二乘和多输出神经网络技术相融合的馏分油性质批量预测方法。

技术介绍

[0002]在石油炼化企业生产过程中，存在大量生产装置，其入口或出口的馏分油多种多样，这些馏分油的性质需要实时分析，以便及时调节生产。现有的基于近红外的性质检测方法一般采用逐个性质轮流检测的方式，存在时间长、效率低的问题，对在线控制和优化带来挑战。
[0003]为提高馏分油性质预测的快速性，目前在常规偏最小二乘(PLS)基础上，已有研究采用多因变量的PLS2进行预测，可以一次批量预测多个性质。然而，这种基于PLS2的方法相较于单变量的PLS1，其精度还嫌不足，特别是对于性质中非线性严重的情况，检测精度和稳健性都有待提高。
[0004]近年来，以人工神经网络(ANN)为代表的建模方法已开始应用于馏分油性质的快速检测。这种方法在面向非线性较为明显的性质检测时，可在一定程度上提高模型的预测精度，但ANN方法易陷入局部最优，其泛化能力较弱，稳健性不高。
[0005]可见，如何解决炼化企业大量的馏分油性质快速准确预测问题并保证检测的稳健性，一直是企业亟待解决的关键问题。

技术实现思路

[0006]为解决现有技术存在的问题，本专利技术提出了一种炼化企业馏分油性质的快速测量方法，该方法分别采用多输出神经网络与多因变量偏最小二乘进行预测，并基于均方根误差进行融合，具体包括以下步骤：
[0007](1)基于馏分油近红外光谱图，首先对光谱库样本和待测馏分油样本进行光谱预处理；
[0008](2)对预处理后的样本同时进行多输出神经网络和多因变量偏最小二乘建模，分别得到模型f1和f2；
[0009](3)采用多输出神经网络模型f1进行待测馏分油K个性质预测，得到性质
[0010](4)计算各性质在模型f1下的均方根误差σ
1k
(k＝1,2,...,K)；
[0011](5)采用多因变量偏最小二乘模型f2进行待测馏分油性质预测，得到K个性质p
2k
(k＝1,2,...,K)；
[0012](6)计算各性质在模型f2下的均方根误差σ
2k
(k＝1,2,...,K)；
[0013](7)采用下式计算得到馏分油性质p
k
的最终测量值：
[0014]p
k
＝(σ
2k
p
1k
+σ
1k
p
2k
)/(σ
1k
+σ
2k
)
[0015]优选的，光谱预处理包括基线校正、导数和矢量归一化。
[0016]其中，对谱图进行矢量归一化时，通过下式计算：
[0017][0018]式中，X
nj
是指第n个样本在波数j下的吸光度；指第n个样本的吸光度平均值；m是波数点的个数；X
nj*
表示矢量归一化之后的第n个样本在波数j下的吸光度。
[0019]优选的，神经网络建模步骤如下：
[0020]1)将预处理后的光谱数据进行快速傅里叶变换，得到快速傅里叶变换的系数矩阵；
[0021]2)选取系数矩阵的前m行作为神经网络的输入，将K个待测性质作为神经网络输出，并配置网络参数；
[0022]3)预处理后的光谱库馏分油作为训练样本，进行神经网络训练；
[0023]4)利用训练好的神经网络模型对待测样本的性质进行预测。
[0024]经过预处理后，馏分油近红外谱图高频分量较小，快速傅立叶变换后的系数矩阵一般在第10个频率点之后的幅值已经较小，因此本方法取m≥10。
[0025]优选的，多因变量偏最小二乘采用偏最小二乘方法，对馏分油近红外光谱和K个待测性质同时进行偏最小二乘回归计算。
[0026]本专利技术对于性质k的测量结果评价采用均方根误差σ
k
，通过下式计算：
[0027][0028]式中，n(n＝1,2,...N)为第n个待测馏分油样本；指第n个待测样本性质k的预测值；y
nk
指第n个待测样本的性质k的真实值。
[0029]有益效果：
[0030]本专利技术所提供的检测方法基于馏分油油近红外光谱，同时采用多因变量偏最小二乘以及快速傅里叶变换结合神经网络技术对馏分油关键性质进行快速检测，并基于两种方法的均方根误差进行融合。与一般的建模方法相比，本方法能快速预测馏分油性质并具有良好的稳健性，这有助于炼化企业的馏分油在线实时控制和优化，进而提高企业的经济效益。
附图说明
[0031]图1为本专利技术一种炼化企业馏分油性质的快速测量方法流程图。
具体实施方式
[0032]下面结合附图和实施案例对本专利技术作进一步说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0033]本专利技术以某炼化企业的加工装置为例，介绍馏分油性质的预测方法。该企业存在大量加工装置，每个装置的产品含有多种馏分油，而且每种馏分油又有多个性质需要检测
以便完成实时控制和优化。为节约篇幅，本专利技术以该企业常减压装置侧线的减三线蜡油性质检测进行分析。该蜡油需要检测的性质项包括：初馏点、10％蒸发温度、50％蒸发温度、90％蒸发温度、95％蒸发温度和终馏点，共计K＝6个性质。
[0034]收集该企业860多条减三线蜡油的性质数据。对所有馏分油样本的近红外光谱数据进行常规预处理后，采用Matlab函数fft()完成快速傅里叶变换，得到变换系数矩阵。对该矩阵取模后得到近红外光谱图在各频率点下的幅值，截取前10行。表1给出了部分样本的系数幅值。
[0035]表1减三线蜡油样本的快速傅里叶变换系数的幅值
[0036][0037]利用Matlab神经网络工具箱完成多输出人工神经网络的训练，首先配置网络参数：隐层节点数30，输出节点数6，隐层激发函数tansig，输出层激发函数purelin，训练函数trainlm，性能函数mse，性能目标值0.05，学习系数0.02。选取710个样本作为训练集，将样本的系数矩阵的前10行作为网络输入，进行神经网络训练。
[0038]训练完成后，将剩下的150个减三线蜡油测试样本系数矩阵的前10行作为网络输入进行预测，预测结果p
1k
(k＝1,2,...,6)如表2所示。
[0039]表2减三线蜡油测试样本性质的预测结果
[0040][0041]表3给出了上述150个待测样本性质的神经网络预测误差及其均方根误差σ
1k
(k＝1,2,...。
[0042]表3待测样本性质的神经网络预测误差
[0043][0044]同时，采用PLS2进行光谱建模分析得到检测结果p
2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种炼化企业馏分油性质的快速测量方法，其特征在于该方法分别采用多输出神经网络与多因变量偏最小二乘进行预测，并基于均方根误差进行融合，具体包括以下步骤：(1)基于馏分油近红外光谱图，首先对光谱库样本和待测馏分油样本进行光谱预处理；(2)对预处理后的样本同时进行多输出神经网络和多因变量偏最小二乘建模，分别得到模型f1和f2；(3)采用多输出神经网络模型f1进行待测馏分油K个性质预测，得到性质p
1k
，k＝1,2,...,K；(4)计算各性质在模型f1下的均方根误差σ
1k
，k＝1,2,...,K；(5)采用多因变量偏最小二乘模型f2进行待测馏分油性质预测，得到K个性质p
2k
，k＝1,2,...K,；(6)计算各性质在模型f2下的均方根误差σ
2k
，k＝1,2,...,K；(7)采用下式计算得到馏分油性质p
k
的最终测量值：p
k
＝(σ
2k
p
1k
+σ
1k
p
2k
)/(σ
1k
+σ
2k
)。2.根据权利要求1所述的一种炼化企业馏分油性质的快速测量方法，其特征在于步骤(1)中所述的光谱预处理包括基线校正、导数和矢量归一化。3.根据权利要求1所述的一种炼化企业馏分油...

【专利技术属性】
技术研发人员：陈夕松，胡云云，梅彬，
申请(专利权)人：南京富岛软件有限公司，
类型：发明
国别省市：