一种汽油关键性质的快速批量预测方法技术

本发明专利技术公开了一种汽油关键性质的快速批量预测方法，该方法面向炼化企业，基于汽油近红外光谱，首先采用基线校正、截取和矢量归一化方法进行光谱预处理，然后采用快速傅里叶变换得到系数矩阵并进行BP神经网络训练，最后进行汽油关键性质的批量预测。与普通非线性建模方法相比，该方法实现了多个性质的批量预测，在保证预测精度的同时，提高了预测的实时性，有助于炼化企业的汽油在线调合的实时控制，进而提高企业的经济效益。

A rapid batch prediction method for key properties of gasoline

The invention discloses a method for rapidly predicting a batch of the key properties of gasoline, the gasoline refining method for enterprises, based on near infrared spectroscopy, the baseline correction, intercept and vector normalization method for spectral preprocessing, and then obtain the coefficient matrix and BP neural network is trained by using the fast Fourier transform, and finally the key properties of bulk gasoline forecast. Compared with the ordinary nonlinear modeling method, this method realizes batch multiple properties prediction, in ensuring the prediction accuracy at the same time, improve the real-time prediction, real-time control of gasoline online adjustment helps refinery enterprises together, and improve the economic efficiency of enterprises.

【技术实现步骤摘要】
一种汽油关键性质的快速批量预测方法
本专利技术涉及石油化工领域的汽油性质检测方面，具体是一种基于神经网络技术的汽油关键性质预测方法。
技术介绍
在炼油加工及汽油调合的过程中，需要分析成品汽油的多种性质，如研究法辛烷值(RON)、抗爆指数、馏程等等。快速准确预测汽油性质在炼油加工及汽油调合中起着重要作用。为提高汽油性质预测的快速性，目前有人在常规偏最小二乘(PLS)基础上，采用多因变量的PLS进行预测，可以一次批量预测多个性质。然而，这种基于PLS的方法仅对汽油性质中线性度较好的性质预测有较好精度。在汽油的关键性质中，10％蒸发温度、50％蒸发温度、终馏点等性质与近红外光谱之间存在着较强的非线性关系，因此以人工神经网络为代表的非线性建模方法已开始应用于汽油性质的快速检测。这种方法一定程度上提高了模型的预测精度，然而该方法建立的模型一般仅用来预测单一的汽油性质。这种单输出的神经网络，在预测多个性质时需要建立多个模型，各模型的运行与维护工作十分繁杂，给工程实时应用带来困难。
技术实现思路
为解决现有技术存在的问题，本专利技术提出了一种汽油关键性质的快速批量预测方法，该方法首先将光谱库中汽油样本进行常规预处理并快速傅里叶变换，然后建立多输出的BP神经网络分析模型，最后根据此模型对待测样本的多个性质进行批量预测。具体包括以下步骤：(1)基于汽油近红外光谱图，首先对光谱库样本和待测汽油样本进行光谱预处理；(2)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A；(3)选取A的前m行作为神经网络的输入并配置网络参数；(4)预处理后的光谱库汽油样本作为训练样本，进行神经网络训练；(5)利用训练好的神经网络模型对待测样本的多个性质进行批量预测。本方法所预测的关键性质包括研究法辛烷值、抗爆指数、密度、10％蒸发温度、50％蒸发温度以及终馏点。优选的，光谱预处理包括基线校正、截取和矢量归一化。优选的，本方法选取6400cm-1和9200cm-1两波数点作为基线校正的两基点。基线校正通过式(1)计算：式中，xi为汽油在近红外光谱区的波数；kxi+b为经过6400cm-1和9200cm-1两点的直线方程，其中k为该直线斜率，b为该直线截距；yi表示原谱图在波数xi下的吸光度；表示基线校正后谱图在波数xi下的吸光度。优选的，本方法选取4000cm-1～4800cm-1波数段内的谱图建模。本方法在对谱图进行矢量归一化时，采用式(2)计算：式中，Xij是指第i个样本在波数j下的吸光度；指第i个样本的吸光度平均值；m是波数点的个数；Xij*表示矢量归一化之后的第i个样本在波数j下的吸光度。经过预处理后，汽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A一般在第20个频率点之后的幅值已经很小，因此本方法选取A的前20行作为神经网络的输入，即m＝20。神经网络的参数采用如下配置：隐层节点数为30，输出节点数为6，即待测的汽油关键性质的个数，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。本专利技术对于性质j最终结果的评价采用均方根误差，即RMSEj。均方根误差在工程测量中被广泛采用，它对一组测量中的特大或特小误差反映敏感，能够很好地反映出测量精度。RMSEj通过式(3)计算：式中，n为待测汽油的个数；指第i个待测汽油的性质j的预测值；xij指第i个待测汽油的性质j的真实值。RMSEj值越小，说明对性质j预测的精确度越高，预测效果越好。有益效果：本专利技术所提供的检测方法基于汽油近红外光谱，采用快速傅里叶变换结合神经网络技术，实现汽油关键性质的批量快速检测。本专利技术对谱图的基线校正、截取以及神经网络输入进行了针对性选择，在减少计算量的同时保证了预测精度。与一般的非线性建模方法相比，本方法能快速、准确预测汽油关键性质，有助于炼化企业的汽油在线调合的实时控制，进而提高企业的经济效益。结合图2，为92#成品油的典型近红外光谱图，可以发现在6000cm-1～10000cm-1波段内谱图相对平稳，6400cm-1和9200cm-1两点的吸光度值较低，因此本方法选取6400cm-1和9200cm-1两波数点作为基线校正的两基点，计算量少且精确度高。由于汽油近红外谱图在高频区含有大量噪声，低频区的谱图信息较少，因此不能把全部近红外光谱区作为建模波段，需要进行谱图截取。本方法经过测试发现，4000cm-1～4800cm-1波数段内的谱图建模效果最好。附图说明图1为汽油性质快速批量预测过程框图图2为92#成品油的典型近红外光谱图具体实施方式下面结合附图和实施案例对本专利技术作进一步说明。本专利技术以某92#成品油为例，介绍基于神经网络技术的汽油关键性质预测方法。表1为某92#成品油所有样本的编号及其对应的性质。表1某92#成品油样本编号及对应的性质在表1中，编号92#-1～99的样本为样本库样本，编号92#-100～108的样本为待测样本。对所有汽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A。对矩阵A取模后得到近红外光谱图在各频率点下的幅值，截取前20行。表2给出了部分样本(92#-1～8)的系数幅值。表2部分92#成品油样本的快速傅里叶变换系数的幅值利用Matlab神经网络工具箱完成多输出BP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。然后将编号为92#-1～99的汽油样本的系数矩阵A的前20行作为网络输入，进行BP网络训练。训练完成后，将编号为92#-100～109的汽油样本系数矩阵的前20行作为网络输入，进行BP网络的预测，92#-100～109的预测结果如表3所示。表392#成品油待测样本性质的预测结果表4为92#成品油待测样本性质的均方根误差。表492#成品油待测样本的预测误差为了对比，进行了常规神经网络预测汽油单个性质的测试实验，测试结果如表5所示。表5神经网络预测单个性质的实验结果对比表4和表5可以发现，除10％蒸发温度等个别性质外，本方法预测的研究法辛烷值、抗爆指数等性质的均方根误差均优于常规的神经网络预测方法。这表明，本方法对于汽油关键性质的预测效果较好，且能批量预测，实时性更优。本文档来自技高网...

【技术保护点】
一种汽油关键性质的快速批量预测方法，其特征在于该方法包括以下步骤：(1)基于汽油近红外光谱图，首先对光谱库样本和待测汽油样本进行光谱预处理；(2)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A；(3)选取A的前m行作为神经网络的输入并配置网络参数；(4)预处理后的光谱库汽油作为训练样本，进行神经网络训练；(5)利用训练好的神经网络模型对待测样本的多个性质进行批量预测得到性质的最终结果评价。

【技术特征摘要】
1.一种汽油关键性质的快速批量预测方法，其特征在于该方法包括以下步骤：(1)基于汽油近红外光谱图，首先对光谱库样本和待测汽油样本进行光谱预处理；(2)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A；(3)选取A的前m行作为神经网络的输入并配置网络参数；(4)预处理后的光谱库汽油作为训练样本，进行神经网络训练；(5)利用训练好的神经网络模型对待测样本的多个性质进行批量预测得到性质的最终结果评价。2.根据权利要求1所述的一种汽油关键性质的快速批量预测方法，其特征在于步骤(1)中所述的光谱预处理包括基线校正、截取和矢量归一化。3.根据权利要求2所述的一种汽油关键性质的快速批量预测方法，其特征在于所述基线校正的两基点选取6400cm-1和9200cm-1两波数点，基线校正通过下式计算：式中，xi为汽油在近红外光谱区的波数；kxi+b为经过谱图中6400cm-1和9200cm-1两波数点的直线方程，其中k为该直线斜率，b为该直线截距；yi表示原谱图在波数xi下的吸光度；表示基线校正后谱图在波数xi下的吸光度。4.根据权利要求2所述的一种汽油关键性质的快速批量预测方法，其特征在于截取4000cm-1～4800cm-1内的谱图来建模。5.根据权利要求2所述的一种汽油关键性质的快速批量预测方法，其特征在于对谱图进行矢量归一化时，通过下式计...

【专利技术属性】
技术研发人员：陈夕松，杜眯，费树岷，吴沪宁，胡云云，
申请(专利权)人：南京富岛信息工程有限公司，
类型：发明
国别省市：江苏,32