【技术实现步骤摘要】
本专利技术涉及化工领域，具体地涉及一种利用光谱信息预测油品物性的方法及装置。
技术介绍
1、汽油碳数分布范围在c3到c12之间。目前，汽油的烃族组成分析主要有多柱pona分析仪法和色谱一质谱仪法可以给出汽油中单体烃进行分析，给出烷烃(p)、烯烃(o)、环烷烃(n)和芳烃(a)的族组成分析报告。以上仪器价格昂贵，操作复杂，运行时间长。
2、国外大量应用案例表明，在许多在线质量分析技术中，近红外光谱(nir)技术是应用最广泛的一种，因此，目前国内外大型石化企业都正在基于多种现代仪器分析手段开发建立油品快速评价技术，包括色-质联用(gc-ms)、核磁共振(nmr)、近红外光谱(nir)和红外光谱(ir)等，其中nir方法由于测量方便、速度快、并可用于现场或在线分析而倍受青睐。据统计在国内外所有汽油调合装置中，有95％以上的装置采用近红外光谱技术，只有极少数采用了在线核磁或在线拉曼技术。
3、cn102374975a提出了一种新的油品性质预测方法—库光谱拟合方法(libraryspectra fitting method)，这种方法基于油品的近红外光谱库和光谱拟合技术，其基本原理是：光谱相似的样品的性质也相似，通过光谱库中的一个或多个光谱对未知待测样品的光谱进行拟合，然后根据参与拟合光谱的油品的性质计算出待测样品的性质。
4、上述库光谱拟合方法的化学实质在于未知样品可由一组库样本按一定比例混合而成，因此，未知样品的待测性质可通过库样品的性质按照混合比例计算得出。对于线性加和的性质如组分含量可通过简单的
5、上述方法存在的一个显著问题是光谱拟合采用的是光谱吸光度的绝对值，计算耗时较长，且预测结果的准确性也有待提高。
技术实现思路
1、本专利技术实施例的目的是提供一种利用光谱信息预测油品物性(例如，油品组成或性质)的方法及装置，该方法通过测定待测油品的近红外光谱，利用偏最小二乘得到的得分向量进行拟合运算，可快速、准确地预测待测油品的性质。
2、为了实现上述目的，本专利技术实施例提供一种利用光谱信息预测油品物性的方法，包括如下步骤：测定待测样品的近红外光谱并进行二阶微分处理，选取特征谱区的吸光度构成光谱矢量x；针对待测物性，通过pls算法求解x＝t×p得到所述光谱矢量x的得分向量；利用油品近红外得分数据库内的得分矩阵对待测样品的得分向量进行拟合，采用非负约束最小二乘法求出非零的拟合系数，并对其进行归一化处理，得到归一化拟合系数；利用该归一化拟合系数，计算所述待测样品的拟合得分向量；利用所述拟合得分向量，计算所述油品近红外得分数据库对所述待测样品的拟合度；以及在所述拟合度大于阈值的情况下，根据参与拟合的库样本对应的物性，对所述待测样品的所述待测物性进行预测。
3、其中，所述油品近红外得分数据库通过以下操作而被获得：收集各种类型油品样品，测定其需要预测的物性，并测定其近红外光谱，进行二阶微分处理，选取所述特征谱区的吸光度与油品样品对应的物性数据建立油品样品近红外光谱数据库，利用pls算法对所述油品样品近红外光谱数据库内的近红外库光谱矩阵对应所述物性进行分解，获取一系列得分矩阵，构成所述油品近红外得分数据库。
4、其中，所述特征谱区为6600～8900cm-1。
5、其中，所述利用油品近红外得分数据库内的得分矩阵对待测样品的得分向量进行拟合，采用非负约束最小二乘法求出非零的拟合系数，并对其进行归一化处理以得到归一化拟合系数，包括：
6、按式①表示待测样品的得分向量p，求得参与拟合的库样品的拟合系数：
7、
8、式中，ai为第i个数据库样本对应的拟合系数，vi为参与拟合的库样本的得分向量，k为参与拟合的库样本的数量；
9、拟合系数ai采用非负约束最小二乘法求出，即满足如下目标函数：
10、
11、将上述求得的拟合系数ai中所有的非零拟合系数提取出来，按式②进行归一化处理，得到归一化的拟合系数bi，
12、
13、式②中，g为非零拟合系数的库样本个数。
14、其中，计算所述待测样品的拟合得分向量包括：按式③计算待测样品的拟合得分向量：
15、
16、其中，所述拟合度为：
17、
18、其中，xj为待测样品光谱得分向量第j个数据点的强度，为拟合得分向量第j个数据点的强度，m为光谱的数据点数。
19、其中，所述待测样品的所述待测物性为：
20、
21、其中，bi为归一化的拟合系数，k为参与拟合的库样本的数量，qi为参与拟合的库样本对应的物性。
22、其中，所述油品为汽油、柴油、润滑油、或渣油。
23、其中，测定近红外光谱选取的光谱范围为10000～4000cm-1。
24、其中，所述阈值的确定方法为：选取一个样品重复测定三次近红外光谱，对每次测定的光谱进行二阶微分处理后取其吸光度，然后计算每次测定的光谱与平均光谱的差谱，按式④计算任意两次测定的差谱之间的伪拟合度(sr)值，取最大的sr值，乘以系数0.75即为阈值，
25、
26、式④中，△xj′和△xj"为两次重复测定的光谱与平均光谱之间差谱的第j个数据点的吸光度，m为组成样品差谱的吸光度的采样点数。
27、其中，所述油品为汽油时，预测的物性为汽油密度、辛烷值、芳烃、烯烃、苯和氧含量中的一种或多种；所述油品为柴油时，预测的物性为柴油十六烷值、密度、冷滤点和多环芳烃含量中的一种或多种。
28、另一方面，本专利技术提供一种利用光谱信息预测油品物性的方法的装置，所述装置包括：存储器；以及处理器，该处理器被配置为利用上述利用光谱信息预测油品物性的方法。
29、另一方面，本专利技术提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的利用光谱信息预测油品物性的方法。
30、主成分分析(pca)算法是化学计量学领域里的一个经典算法，基本模型是x＝t×p，将光谱矩阵x分解为t矩阵(术语：得分矩阵)和p矩阵(术语：载荷矩阵)的乘积。一般来说，主成分分析(pca)只对x矩阵(光谱矩阵)进行分解，分解为t矩阵(得分矩阵)与p矩阵(载荷矩阵)的乘积，得分矩阵的特点是前几个变量基本涵盖了原矩阵的大部分信息，则所需计算的数据量被大大压缩，因此本案中采用得分替代原光谱矩阵进行计算。但这里的得分与样品的物性、组成(y矩阵)并不能保证有最大的相关性，因此本案采用pls方法提取主成分，因为pls分解x矩阵的过程中要考虑与样品的物性、组成保持最大的相关性。那么得到的得分变量就与样品的物性、组成有较大相关性。那么得到的得分变量就与样品的物性、组成有较大相关性，最后得到的拟合结果即对未知样品物性、组成的预测也会更准确。
31本文档来自技高网...
【技术保护点】
1.一种利用光谱信息预测油品物性的方法，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述特征谱区为6600～8900cm-1。
3.根据权利要求1所述的方法，其特征在于，所述利用油品近红外得分数据库内的得分矩阵对待测样品的得分向量进行拟合，采用非负约束最小二乘法求出非零的拟合系数，并对其进行归一化处理以得到归一化拟合系数，包括：
4.根据权利要求3所述的方法，其特征在于，计算所述待测样品的拟合得分向量包括：
5.根据权利要求1所述的方法，其特征在于，所述拟合度为：
6.根据权利要求1所述的方法，其特征在于，所述待测样品的所述待测物性为：
7.根据权利要求1所述的方法，其特征在于，所述油品为汽油、柴油、润滑油、或渣油。
8.根据权利要求1所述的方法，其特征在于，测定近红外光谱选取的光谱范围为10000～4000cm-1。
9.根据权利要求1所述的方法，其特征在于，所述阈值的确定方法为：选取一个样品重复测定三次近红外光谱，对每次测定的光谱进行二阶微分处理后取其吸光度，然后计算
10.根据权利要求1所述的方法，其特征在于，所述油品为汽油时，预测的物性为汽油密度、辛烷值、芳烃、烯烃、苯和氧含量中的一种或多种；所述油品为柴油时，预测的物性为柴油十六烷值、密度、冷滤点和多环芳烃含量中的一种或多种。
11.一种利用光谱信息预测油品物性的方法的装置，所述装置包括：
12.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1-10中任一项权利要求所述的利用光谱信息预测油品物性的方法。
...【技术特征摘要】
1.一种利用光谱信息预测油品物性的方法，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述特征谱区为6600～8900cm-1。
3.根据权利要求1所述的方法，其特征在于，所述利用油品近红外得分数据库内的得分矩阵对待测样品的得分向量进行拟合，采用非负约束最小二乘法求出非零的拟合系数，并对其进行归一化处理以得到归一化拟合系数，包括：
4.根据权利要求3所述的方法，其特征在于，计算所述待测样品的拟合得分向量包括：
5.根据权利要求1所述的方法，其特征在于，所述拟合度为：
6.根据权利要求1所述的方法，其特征在于，所述待测样品的所述待测物性为：
7.根据权利要求1所述的方法，其特征在于，所述油品为汽油、柴油、润滑油、或渣油。
8.根据权利要求1所述的方法，其特征在于，测定近红外光谱选取的光谱范围为10000～4000c...
【专利技术属性】
技术研发人员：褚小立，李敬岩，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。